...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>IEEE Geoscience and Remote Sensing Letters >GBM-Based Unmixing of Hyperspectral Data Using Bound Projected Optimal Gradient Method
【24h】

GBM-Based Unmixing of Hyperspectral Data Using Bound Projected Optimal Gradient Method

机译：边界投影最优梯度法基于GBM的高光谱数据混合

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The generalized bilinear model (GBM) has been widely used for the nonlinear unmixing of hyperspectral images, and traditional GBM solvers include the Bayesian algorithm, the gradient descent algorithm, the semi-nonnegative-matrix-factorization algorithm, etc. However, they suffer from one of the following problems: high computational cost, sensitive to initialization, and the pixelwise algorithm hinders us from applying to large hyperspectral images. In this letter, we apply Nesterov's optimal gradient method to solve the least-square problem under the bound constraint, which is named as the bound projected optimal gradient method (BPOGM). The BPOGM can achieve the optimal convergence rate of $O(1/k^{2})$, with $k$ denoting the number of iterations in BPOGM. We further apply the BPOGM to solve the GBM-based unmixing problem. Experiments on both synthetic data sets and real hyperspectral images demonstrate that the BPOGM is efficient for solving the GBM-based unmixing problem.
机译：广义双线性模型（GBM）已被广泛用于高光谱图像的非线性分解，传统的GBM求解器包括贝叶斯算法，梯度下降算法，半负矩阵分解算法等。以下问题之一：计算成本高，对初始化敏感，并且逐像素算法阻碍了我们将其应用于大型高光谱图像。在这封信中，我们应用Nesterov的最佳梯度法来解决边界约束下的最小二乘问题，称为边界投影最佳梯度法（BPOGM）。 BPOGM可以达到$ O（1 / k ^ {2}）$的最佳收敛速度，其中$ k $表示BPOGM中的迭代次数。我们进一步应用BPOGM来解决基于GBM的分解问题。在合成数据集和实际高光谱图像上进行的实验表明，BPOGM对于解决基于GBM的分解问题非常有效。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号