采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键...采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。展开更多
在传统的组合预测模型中,利用的数据大多为结构化数据,然而在网络环境下,非结构化数据广泛存在,因此充分利用非结构化数据所提供的有效信息是预测中要解决的关键问题之一。针对上述问题,文章构建了基于非结构化数据的局部线性嵌入和鲸...在传统的组合预测模型中,利用的数据大多为结构化数据,然而在网络环境下,非结构化数据广泛存在,因此充分利用非结构化数据所提供的有效信息是预测中要解决的关键问题之一。针对上述问题,文章构建了基于非结构化数据的局部线性嵌入和鲸鱼优化算法的最小二乘支持向量回归(locally linear embedding-whale optimization algorithm-least squares support vector regression,LLE-WOA-LSSVR)碳价格组合预测模型,通过LLE算法对非结构化的高维数据进行降维处理,并利用LSSVR进行预测。考虑到LSSVR模型中参数的选取会对预测结果产生影响,引入WOA算法优化模型中的参数。碳价格预测的实例结果表明,LLE-WOA-LSSVR预测模型可行且有效。展开更多
文摘采用局部线性嵌入(Locally Linear Embedding,LLE)算法进行数据降维时,不仅能保持数据分布的局部线性特征,同时还能保存数据分布的流形结构,因此该算法常用于高光谱影像的数据降维。其中,关于最近邻像元个数K的设置是执行该算法的关键。然而,关于K值的设置,目前尚无一个行之有效的方案。针对这一问题,文中基于监督型特征提取的思想,从"线性预测误差均值最小化"的角度出发,提出了一个监督型参数设置方法。同时,为了验证该方法的可行性和优越性,结合两个实验区Hyperion影像关于第26至57波段包含的32维光谱数据,进行了降维实验。最后,通过分析对比实验结果,证明了:采用LLE算法进行高光谱影像数据降维时,若依据文中所提方法设置的K值,能获得噪声点少且地物细节信息更加丰富的低维影像数据。
文摘在传统的组合预测模型中,利用的数据大多为结构化数据,然而在网络环境下,非结构化数据广泛存在,因此充分利用非结构化数据所提供的有效信息是预测中要解决的关键问题之一。针对上述问题,文章构建了基于非结构化数据的局部线性嵌入和鲸鱼优化算法的最小二乘支持向量回归(locally linear embedding-whale optimization algorithm-least squares support vector regression,LLE-WOA-LSSVR)碳价格组合预测模型,通过LLE算法对非结构化的高维数据进行降维处理,并利用LSSVR进行预测。考虑到LSSVR模型中参数的选取会对预测结果产生影响,引入WOA算法优化模型中的参数。碳价格预测的实例结果表明,LLE-WOA-LSSVR预测模型可行且有效。
