[发明专利]一种基于连续小波投影的光谱信息挖掘方法

说明书

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。

技术领域

本发明属于农业光谱技术领域，具体涉及一种基于连续小波投影的光谱信息挖掘方法。

背景技术

光谱技术是通过测量不同波长下目标物体的辐射强度来反应物体的本真属性，主要研究物质和能量辐射间的相互作用。鉴于光谱对物质特征的分析能力，光谱在20世纪就已经被物理学家和化学家引入作为重要的实验分析手段。目前光谱技术已经应用于大多数的科学和技术领域，在植物监测方面，由于植物的光谱特性很大程度上取决于其生物物理和生物化学特性，光谱技术成为植物特性估算和生态系统评价的有效工具。在植物光谱分析的研究中，一个重要的问题是如何从植物光谱中提取与探测目标(植物类型、状态、生理生化参数等)相关的有效特征信息。目前，针对光谱数据的处理方法主要分为光谱特征选择和光谱特征提取。

由于相邻光谱波段之间具有较强的相关性以及较高的冗余度，光谱特征选择是光谱分析中一项重要任务。近年来，大量研究通过统计学方法选择光谱特征并且探索光谱特征的组合优化方法，但是上述方法常基于原始光谱进行组合优化分析，对光谱信息的挖掘深度仍有待拓展。不同于光谱特征选择，光谱特征提取则尝试通过对原始光谱波段作一种特定的线性或非线性变换，来挖掘隐含于光谱中一些更深层次的信息，但是随后的特征选择机制相对简单，往往难以避免特征之间信息冗余的问题。

发明内容

针对现有技术的不足，本发明提出了一种基于连续小波投影的光谱信息挖掘方法，对植物的探测光谱进行特征选择与组合优化，选择出具备高敏感性和低冗余性的特征集合，解决特征集合中信息冗余的问题，使后续模型建立与实际应用中实现更高的精度与更低的成本。

一种基于连续小波投影的光谱信息挖掘方法，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。