[发明专利]基于信息熵稀疏的深度非负矩阵解混方法和存储介质

权利要求书

1.一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，包括：

对端元矩阵和丰度矩阵进行VCA-FCLS初始化，并建立深度NMF解混模型；

将初始化后的所述端元矩阵和初始化后的所述丰度矩阵作为第一目标函数的输入，并利用所述第一目标函数，基于乘性迭代规则对所述深度NMF解混模型预训练，所述第一目标函数为：

其中，minf(A,S)表示重构误差，F为矩阵的2范数，A为光谱特征矩阵，S为丰度矩阵，X为具有B个波段和P个像元的高光谱数据集，S_ij代表第i种地物类型在第j个像元的丰度，i＝1,2,...,M，j＝1,2,...,P；λ是正则化参数；

利用梯度下降法迭代更新预训练后的所述端元矩阵和所述丰度矩阵；

将更新后的所述端元矩阵和更新后的所述丰度矩阵作为第二目标函数的输入，并利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调，所述第二目标函数为：

其中，l表示第l层，L表示最后一层，代表第l层的重构的丰度矩阵，ψ_l-1＝A₁A₂…A_l-1，且对于ψ_l-1，当且仅当l＝1时，代表一个单位矩阵；

再次迭代更新微调后的所述端元矩阵和所述丰度矩阵，并通过数据分析确定所述第二目标函数的最优参数；

根据所述最优参数获得所述深度NMF解混模型的全局最优解。

2.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，所述深度NMF解混模型的数学表达式为：

X≈A₁A₂…A_L-1A_LS_L。

3.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，所述利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调还包括：

对所述深度NMF结构的每个中间层结果均进行微调。

4.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，所述基于乘性迭代规则对所述深度NMF解混模型预训练还包括：

重新定义高光谱数据集为第一表达式：

其中，δ为一常量，为新的高光谱数据集，向量1是一个全为1的行向量；

定义光谱特征矩阵为第二表达式：

为新的光谱特征矩阵。

5.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，所述基于乘性迭代规则对所述深度NMF解混模型预训练还包括：

基于所述第一目标函数分别对所述光谱特征矩阵和所述丰度矩阵求偏导，并利用梯度下降法对所述光谱特征矩阵和所述丰度矩阵进行迭代，得到所述光谱特征矩阵和所述丰度矩阵的乘性迭代规则。

6.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，所述基于乘性迭代规则对所述深度NMF解混模型预训练还包括：

基于所述第二目标函数分别对第l层所述光谱特征矩阵和第l层所述丰度矩阵求偏导，利用梯度下降法进行迭代，得到所述深度NMF解混模型微调第l层分解结果的乘性迭代公式。

7.如权利要求1所述的一种基于信息熵稀疏的深度非负矩阵解混方法，其特征在于，所述利用所述第二目标函数对预训练后的所述NMF解混模型迭代微调还包括：

微调的迭代过程利用整个所述深度NMF解混模型的参数，并且以预训练得到的所述端元矩阵和所述丰度矩阵每层的结果为迭代的初始值。

8.一种存储介质，其特征在于，所述存储介质为计算机可读存储介质，所述计算机可读存储介质上存储有如权利要求1-7任一所述的一种基于信息熵稀疏的深度非负矩阵解混方法。