[发明专利]一种最大化类别可分性的高光谱图像分类多核学习方法

权利要求书

1.一种最大化类别可分性的高光谱图像分类多核学习方法，其特征在于：一种最大化类别可分性的高光谱图像分类多核学习方法具体过程为：

步骤一、从给定的输入高光谱图像数据集中获取训练样本和测试样本；

步骤二、利用训练样本集构造多核学习模型中的基核矩阵得到基核矩阵集

是基核矩阵总数；

步骤三、利用基核矩阵集在希尔伯特核空间度量高光谱图像数据集类内离散度和类间离散度；

步骤四、在类内离散度和类间离散度基础上以最大类别间隔准则度量类别可分性，以类别可分性最大为多核学习模型求解准则，求解基核权重；

所述步骤一中从给定的输入高光谱图像数据集中获取训练样本和测试样本；具体过程为：

步骤一一、给定的输入高光谱图像数据集为：

其中，代表输入高光谱图像数据集中的样本总数，输入高光谱图像数据集中包含C类样本，第类样本数为为输入高光谱图像数据集中第个样本，为代表维数为F的空间，为输入高光谱图像数据集的特征维数，为正整数；

步骤一二、从输入高光谱图像数据集中按每类随机选取出样本组成训练样本集：

其中，为训练样本总数，用余下样本组成测试样本集测试样本总数为

所述步骤二中利用训练样本集构造多核学习模型中的基核矩阵得到基核矩阵集合基核矩阵构造方式如下：

将训练样本集中样本依次成对输入到高斯核函数计算基核矩阵其中是高斯核尺度参数，为训练样本集中第个样本，为正整数，为基核矩阵；

所述步骤二中多核学习模型为如下线性模型：

其中，是第m个基核矩阵的权重系数，是向量或矩阵的范数，为经过多核学习得到的组合核矩阵，为多核学习模型中的基核权重向量，c为权重向量的约束值，为第m个基核矩阵；

所述高斯核尺度参数为[0.05:0.05:2]，

所述步骤三中利用基核矩阵集合在希尔伯特核空间度量高光谱图像数据集类内离散度和类间离散度；具体过程为：

希尔伯特核空间中高光谱图像数据集类内离散度和类间离散度分别用类内离散度矩阵的迹和类间离散度矩阵的迹来量化；

类内离散度矩阵的迹计算公式为：

其中，为第类训练样本在核空间中的平均向量，为训练样本总数，C为数据集中样本类别数，为第个样本的类别标签，为第类训练样本集标签，为第m个基核矩阵的权重；为希尔伯特核空间中第个训练样本，为中间变量；为第m个基核矩阵；为表示单位矩阵的第列，表示单位矩阵的第列，为克罗内克符号，代表取矩阵的迹；

类间离散度矩阵的迹计算公式为：

其中是所有训练样本的平均向量，为中间变量，为第类训练样本数；

所述步骤四中在类内离散度和类间离散度基础上以最大类别间隔准则度量类别可分性，以类别可分性最大为多核学习模型求解准则，求解基核权重；具体过程为：

所述的最大类别间隔准则为：

其中，λ＞0是一个平衡参数；

利用1/2范数对基核权重向量进行约束，即最大化上述类别间隔准则，得如下优化问题：

利用拉格朗日乘子法对上诉最大值问题进行求解，得如下解：

2.根据权利要求1所述一种最大化类别可分性的高光谱图像分类多核学习方法，其特征在于：所述λ＝0.5。