为实现高效、精准的高光谱图像分类,该文利用低秩矩阵恢复从原始数据中提取低维特征,实现高光谱图像的压缩表示。针对高光谱应用的特殊性,该文算法基于结构相似性度量(Structural Similarity Index Measurement,SSIM)对矩阵恢复过程提...为实现高效、精准的高光谱图像分类,该文利用低秩矩阵恢复从原始数据中提取低维特征,实现高光谱图像的压缩表示。针对高光谱应用的特殊性,该文算法基于结构相似性度量(Structural Similarity Index Measurement,SSIM)对矩阵恢复过程提出了信噪分离约束,有助于选择更优的模型参数,增强表示的准确性。实验证明,相比现有相关方法,该文算法能够有效去除高光谱图像中的噪声,表示结果更为鲁棒;在仅使用低维特征时,仍能达到较高的分类精度。展开更多
针对冲击噪声下传统子空间类算法因接收信号二阶矩不存在而性能下降甚至失效问题,提出一种基于改进的鲁棒性主成分分析法(robust principal component analysis,RPCA)的双基地MIMO雷达参数估计方法。首先将复数信号转化为实数,以便RPCA...针对冲击噪声下传统子空间类算法因接收信号二阶矩不存在而性能下降甚至失效问题,提出一种基于改进的鲁棒性主成分分析法(robust principal component analysis,RPCA)的双基地MIMO雷达参数估计方法。首先将复数信号转化为实数,以便RPCA算法进行处理;然后利用改进RPCA算法将低秩的信号矩阵和稀疏的冲击噪声矩阵分离,得到信号子空间;最后利用ESPRIT算法估计目标位置。仿真结果表明:改进RPCA算法避免了大规模的奇异值分解,复杂度较求解RPCA的传统算法有所降低,在噪声特征指数较低时较其它抑制冲击噪声的算法估计性能更好,且特征指数越低,效果越好,实现参数自动配对且无需噪声特征指数先验信息。展开更多
文摘为实现高效、精准的高光谱图像分类,该文利用低秩矩阵恢复从原始数据中提取低维特征,实现高光谱图像的压缩表示。针对高光谱应用的特殊性,该文算法基于结构相似性度量(Structural Similarity Index Measurement,SSIM)对矩阵恢复过程提出了信噪分离约束,有助于选择更优的模型参数,增强表示的准确性。实验证明,相比现有相关方法,该文算法能够有效去除高光谱图像中的噪声,表示结果更为鲁棒;在仅使用低维特征时,仍能达到较高的分类精度。
基金Project supported by the National Natural Science Foundation of China(No.60975024,No.61373084)the Shanghai Natural Science Foundation(No.09ZR1412300)the "863" National High Technology Research and Development Program of China(No.2013AA01A603)
文摘针对冲击噪声下传统子空间类算法因接收信号二阶矩不存在而性能下降甚至失效问题,提出一种基于改进的鲁棒性主成分分析法(robust principal component analysis,RPCA)的双基地MIMO雷达参数估计方法。首先将复数信号转化为实数,以便RPCA算法进行处理;然后利用改进RPCA算法将低秩的信号矩阵和稀疏的冲击噪声矩阵分离,得到信号子空间;最后利用ESPRIT算法估计目标位置。仿真结果表明:改进RPCA算法避免了大规模的奇异值分解,复杂度较求解RPCA的传统算法有所降低,在噪声特征指数较低时较其它抑制冲击噪声的算法估计性能更好,且特征指数越低,效果越好,实现参数自动配对且无需噪声特征指数先验信息。
