一种基于连续小波投影的光谱信息挖掘方法与流程

技术特征：
1.一种基于连续小波投影的光谱信息挖掘方法，其特征在于：具体包括以下步骤：步骤1、将采集到的光谱信息整理为二维光谱矩阵x
m
×
n
，其中m为样本个数，n为光谱波段数量；步骤2、对二维光谱矩阵x
m
×
n
中的每个样本进行连续小波分解，在q个分解尺度下转化为小波系数，形成三维小波系数矩阵y
m
×
n
×
q
；步骤3、对步骤二得到的三维小波系数矩阵y
m
×
n
×
q
按照分解尺度q展开，然后依次拼接形成二维小波系数矩阵z
m
×
s
，其中s＝n
×
q；步骤4、设置筛选的波长个数，使用投影算法对步骤3得到的二维小波系数矩阵z
m
×
s
进行特征组合，得到c个特征链矩阵w
g
×
s
，其中g为波长的筛选个数，g∈[s
min
,s
max
]，c＝s
max
‑
s
min
，s
min
、s
max
分别为筛选个数的最小值、最大值；步骤5、对步骤4得到的c个特征链矩阵w
g
×
s
中的每个特征进行敏感性分析，计算每个特征的敏感性系数，得到对应的c个特征敏感性矩阵m
g
×
s
；步骤6、计算步骤5得到c个特征敏感性矩阵m
g
×
s
的每列元素的均值，得到c个均值矩阵v1×
s
，找到每个均值矩阵中最大的元素所在的列s
cmax
；步骤7、将c个特征链矩阵w
g
×
s
的第s
cmax
列的小波系数作为特征组合，输入学习模型中进行训练与预测，得到最优的特征组合数以及对应的特征组合成员，完成光谱信息的挖掘。2.如权利要求1所述一种基于连续小波投影的光谱信息挖掘方法，其特征在于：步骤2中使用的小波基函数为：其中，a表示尺度因子，b表示平移因子；小波系数表达式为：其中，f(λ)是反射率光谱，λ＝1,2,
…
,n，小波系数w
f
(a
i
,b
j
)包含了一个大小为q
×
n的二维小波系数图，i＝1,2,
…
,m；j＝1,2,
…
,n。3.如权利要求1所述一种基于连续小波投影的光谱信息挖掘方法，其特征在于：步骤4中使用投影算法对步骤3得到的二维小波系数矩阵z
m
×
s
进行特征组合具体方法为：s4.1、令h＝1，d＝1；s4.2、选择矩阵z
m
×
s
中第d列的向量z
d
，记为z
k(0)
；将其他未被选中的列向量集合记作set,s4.3、计算当前向量z
k(h
‑
1)
对set集合中剩余的列向量z
d
投影：s4.4、获得最大投影值pz
d
所对应的波长k(h)：k(h)＝arg(max||pz
d
||,d∈set)s4.5、将上述最大投影值pz
d
作为下次迭代的初始值：z
d
＝pz
d
,d∈sets4.6、令h＝h 1，若h<g，返回s4.2；若h＝g，提取的波长位置为{k(h),h＝0,1,
…
,g
‑
1}，
进入s4.7；s4.7、令g＝g 1，若g≤100，返回s4.2；若g＞100，进入s4.8；s4.8、令d＝d 1，若d≤s，返回s4.2；若d＞s，结束循环。4.如权利要求1所述一种基于连续小波投影的光谱信息挖掘方法，其特征在于：针对二分类问题，对每个特征进行独立t检验，将统计量p值作为敏感性系数；对于多分类问题，对每个特征进行方差分析，将统计量p值作为敏感性系数；对于回归问题，计算每个特征与反演目标的决定系数，将r2值作为敏感性系数。5.如权利要求4所述一种基于连续小波投影的光谱信息挖掘方法，其特征在于：对于二分类与多分类问题，学习模型采用随机森林或朴素贝叶斯模型；对于回归问题，学习模型采用多元线性回归模型。

技术总结
本发明公开了一种基于连续小波投影的光谱信息挖掘方法。具体包括对光谱数据集进行小波分解，将小波系数矩阵按照分解尺度展开，然后在二维平面依次拼接形成二维小波系数矩阵，基于投影运算进行特征组合，得到特征链矩阵，再对特征链矩阵进行敏感性分析，对敏感性矩阵的每一列元素求均值，将最大的均值对应列的小波系数作为特征组合，输入分类模型中选取最优的特征组合数及对应特征组合成员。本方法提出的以特征敏感性排序为选择依据，保证排列靠前的特征既有高敏感性又有强互补性，因此在前段能够得到数量少且组合优的特征。最终使用较少量的特征达到较高的模型精度，解决传统的光谱信息挖掘方法所选特征集难以做到敏感性与特征间互补性的统一。征间互补性的统一。征间互补性的统一。


技术研发人员：张竞成 赵小虎 沈艳艳 黄玉娟 闫莉婕 袁琳
受保护的技术使用者：杭州电子科技大学
技术研发日：2021.06.30
技术公布日：2021/10/23