研究目的
为克服基于多目标的高光谱波段选择方法中弱帕累托最优解的问题，提供理论分析，并开发改进框架以避免该问题。
研究成果
理论分析证实，由于波段选择的离散范围，在基于WT的方法中存在弱帕累托最优解。所提出的APBI框架有效避免了该问题并降低了对惩罚因子的敏感性，实验验证了该方法对每个波段数都能获得唯一解，且性能与最先进方法相当。
研究不足
该研究侧重于理论分析与特定数据集的验证；所提出的APBI方法可能无法推广至所有高光谱数据或其他优化问题。波段选择范围的离散性本质上限制了某些方法避免弱帕累托最优解的能力。
1：实验设计与方法选择：
本研究对高光谱波段选择的多目标优化方法进行了理论分析与实验验证，重点比较加权切比雪夫(WT)框架与提出的基于自适应惩罚的边界交叉(APBI)框架。
2：样本选择与数据来源：
使用两个公开高光谱数据集——Indian Pines(IndianP)和Pavia University(PaviaU)。
3：实验设备与材料清单：
配备i7-6700K处理器(4.2GHz)、16GB内存的台式机及MATLAB 2015a软件。
4：2GHz)、16GB内存的台式机及MATLAB 2015a软件。 实验流程与操作步骤：
4. 实验流程与操作步骤：复现基于WT的GMOBS方法，实现所提APBI方法(AMOBS)，对IndianP进行200次迭代、PaviaU进行40次迭代(种群规模均为101)，并采用SVM与KNN分类器开展分类实验。
5：数据分析方法：
通过对比弱帕累托最优解存在性、计算耗时及分类精度来验证理论分析。
独家科研数据包，助您复现前沿成果，加速创新突破
获取完整内容-
Desktop Computer
i7-6700K
Intel
Used for conducting computational experiments and running algorithms.
-
Software
MATLAB 2015a
MathWorks
Used for implementing and running the band selection algorithms and data analysis.
-
Hyperspectral Sensor
AVIRIS
NASA Jet Propulsion Laboratory
Used to capture the Indian Pines hyperspectral dataset.
-
Hyperspectral Sensor
ROSIS-3
DLR
Used to capture the Pavia University hyperspectral dataset.
-
登录查看剩余2件设备及参数对照表
查看全部
