文献

J-GLOBAL ID：201802249191650518   整理番号：18A0382306

ハイパースペクトル目標認識のための次元縮小と微分スペクトル特徴最適化【Powered by NICT】

Dimensionality reduction and derivative spectral feature optimization for hyperspectral target recognition

著者 (2件)： Qu Yufu (School of Instrumentation Science and Opto-Electronics Engineering, Beihang University, Beijing 100191, China) ,  Liu Ziyue (School of Instrumentation Science and Opto-Electronics Engineering, Beihang University, Beijing 100191, China)
資料名： Optik  (Optik)
巻： 130  ページ： 1349-1357  発行年： 2017年 
JST資料番号： D0251A  ISSN： 0030-4026  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 膨大なデータ量と冗長な情報がハイパースペクトルターゲット認識の分野における共通の問題である。本研究では,データ量を低減しながら標的認識の精度を保証する方法を提案し,ハイパースペクトルデータにおける有効バンドは三次微分スペクトルが零に近づく選択する。次に,微分スペクトルの組み合わせに基づく特徴最適化法は,ハイパースペクトル目標認識,微分スペクトルと元のスペクトルの組み合わせは次元縮小後の基本ベクトルとして使用するために提案した。分析したバンドはスペクトル干渉とデータ量を削減するための減少した。組合せ微分スペクトルの次元はハイパースペクトルデータの効果的なバンドからより多くのスペクトル情報を得るために増加した。このように,提案した方法は,より少ないバンドを持つ標的を同定するより正確にできる。著者らの実験は,提案した方法が低次元の主成分分析,局所判別分析,カーネル主成分分析より優れていることを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 判別分析 ,  *最適化 ,  冗長性 ,  ベクトル ,  主成分分析 ,  *次元縮小 ,  *スペクトル ,  *微分スペクトル ,  *物体認識
準シソーラス用語： ハイパースペクトル画像 ,  カーネル主成分分析 ,  低次元 ,  ハイパースペクトルデータ ,  データ量 ,  *ハイパースペクトル , 【Automatic Indexing@JST】

著者キーワード (4件)： ハイパースペクトル画像 ,  次元縮小 ,  Derivative ,  目標認識

分類 (1件)： 光導波路,光ファイバ,繊維光学  (BD06030H)

タイトルに関連する用語 (6件)： ハイパースペクトル ,  目標認識 ,  次元縮小 ,  微分 ,  スペクトル特徴 ,  最適化