[发明专利]一种基于连续小波投影的光谱信息挖掘方法

权利要求书

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V_1×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∈set

s4.6、令h＝h+1，若hg，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。