| 主权项 |
1.一高谱图象分析及像素点频谱分解方法,由以下 步骤组成: (a)接收来自一高谱图象传感器的一个高谱图象立 方体,该高谱图象之方体以波长及空间位置表示一 个场景; (b)在一图象登记模块中,进行逐个波段图象登记, 该图象登记是使一个波段的图象转换到另一个波 段图象而不必涉及地图坐标系变换,以保证对应在 一个波段图象中的一个像素点的物理位置与在另 一个波段图象中的像素点的物理位置一致; (c)发送在该图象登记模块中登记后的高谱图象立 方体到大气补偿模块,在该大气补偿模块内补偿大 气效应;及 (d)利用遗传算法与鲁棒卡尔曼滤波技术以逐个像 素点方式分解高谱图象数据,直到完成该高谱图象 立方体者。2.如申请专利范围第1项所述之「高谱 图象分析及像素点频谱分解方法」,其中在步骤(c) 中,大气校正可用上市软体FLAASH(频谱超级立方体 的快速视线大气分析)来完成,该FLAASH是一个基于 MODTRAN的〝大气校正〞软体包,由Hanscom空军基地的 AirForcePhillipsLaboratory与SpectralSciences,Inc.开发,该软 体支持当前及规划的红外线--可见光--紫外线高谱 及多频谱传感器,该软体提供了地表及大气特性( 诸如,地表反照率,地表高度,水蒸汽,浮质与云层的 光学深度,地表与温度)的准确物理学推导者。3.如 申请专利范围第1项所述之「高谱图象分析及像素 点频谱分解方法」,其中,步骤(d)进一步由以下步 骤构成: (d-1)接收来自频谱库的感兴趣材料的频谱特征,并 在特征预处理模块预处理这些特征,来自该频谱库 的这些频谱特征在该特征预处理模块中进行正交 归一化,从而将该特征空间分解成一组正交特征集 合; (d-2)第一像素点含量估计模块接收来自该特征预 处理模块的这些正交特征以及来自该大气补偿模 块的一组第一像素点测量数据,并计算该第一像素 点的含量矢量,除该第一像素点以外的像素点,该 第一像素点含量估计模块仅仅绕过来自该大气补 偿模块的这些测量数据; (d-3)卡尔曼滤波器接收来自该特征预处理模块的 这些正交特征,来自该大气补偿模块的当前像素点 测量数据,以及该第一像素点含量矢量估计模块的 含量估计,并用卡尔曼滤波技术进行当前像素点的 频谱分解,该第一像素点的含量估计用作为该卡尔 曼滤波器的初始値,该卡尔曼滤波器输出该当前像 素点的含量估计; (d-4)遗传算法分解模块接收该特征预处理模块的 正交特征,来自该大气补偿模块的该当前像素点测 量値,以及来自该卡尔曼滤波器的当前像素点的含 量估计,并利用该遗传算法对该当前像素点进行准 确频谱分解以得出准确含量估计; (d-5)移到下一个像素点,该卡尔曼滤波器接收来自 该特征预处理模块的正交特征,来自该大气补偿模 块的当前像素点测量値,以及来自该遗传分解模块 的前一个像素点的含量估计.并利用卡尔曼滤波技 术对该当前像素点进行频谱分解者。4.如申请专 利范围第3项所述之「高谱图象分析及像素点频谱 分解方法」,其中在步骤(d-4)中,该准确含量估计是 系统输出,且该当前像素点的准确含量估计被反馈 给该卡尔曼滤波器,在该卡尔曼滤波器中,用作为 下一个像素点的另一个含量估计的初始値,该卡尔 曼滤波器的输出用作为该遗传算法分解模块的起 始点以便加速遗传算法的进化者。5.如申请专利 范围第4项所述之「高谱图象分析及像素点频谱分 解方法」,其中在步骤(d-5)中,该遗传算法分解模块 的该准确含量估计在该卡尔曼滤波器中用作为该 前一个像素点的含量估计以便准确估计该当前像 素点的含量矢量者。6.如申请专利范围第5项所述 之「高谱图象分析及像素点频谱分解方法」,其中 在步骤(d-2)中,计算该第一像素点的含量估计的参 数估计器是一个最小二乘(LS)估计器者。7.如申请 专利范围第5项所述之「高谱图象分析及像素点频 谱分解方法,其中在步骤(d-2)中,计算该第一像素点 的含量估计的参数估计器是一个极大似然(ML)估计 器者。8.如申请专利范围第5项所述之「高谱图象 分析及像素点频谱分解方法」,其中在步骤(d-2)中, 计算该第一像素点的含量估计的参数估计器是一 个进化算法者。9.如申请专利范围第1项所述之「 高谱图象分析及像素点频谱分解方法」,其中步骤 (d)由以下步骤构成: (d-1)接收来自频谱库的感兴趣材料的频谱特征,并 在特征预处理模块预处理这些特征,来自该频谱库 的这些频谱特征在该特征预处理模块中进行正交 归一化,从而将该特征空间分解成一组正交特征集 合; (d-2)人工神经网络接收来自该特征预处理模块的 这些正交特征以及来自该大气补偿模块的一组第 一像素点测量数据,并进行材料分类选择,该人工 神经网络绕过从该大气补偿模块到后续模块的这 些测量数据; (d-3)第一像素点含量估计模块接收来自该特征预 处理模块的这些正交特征,来自该大气补偿模块的 一组第一像素点测量数据,以及来自该人工神经网 络的第一像素点的分类数据,并利用一个参数估计 器计算该第一像素点的含量矢量,该第一像素点的 含量估计用作为卡尔曼滤波器的初始値,除该第一 像素点以外的像素点,该第一像素点含量估计模块 仅仅绕过来自该人工神经网络模块的这些测量数 据; (d-4)该卡尔曼滤波器接收来自该特征预处理模块 的这些正交特征,来自该大气补偿模块的当前像素 点测量数据,来自该人工神经网络的分类数据,以 及该第一像素点的含量矢量估计模块的含量估计, 并用卡尔曼滤波技术进行当前像素点的频谱分解, 该卡尔曼滤波器输出该当前像素点的含量估计; (d-5)遗传算法分解模块接收该特征预处理模块的 正交特征,来自该大气补偿模块的该当前像素点测 量値,来自该人工神经网络的分类数据,以及来自 该卡尔曼滤波器的当前像素点的含量估计,并利用 该遗传算法对该当前像素点进行准确频谱分解以 得出准确含量估计,该卡尔曼滤波器输出用作为该 遗传算法分解模块的起始点以便加速遗传算法的 进化,该准确含量估计反馈到该卡尔曼滤波器,在 该卡尔曼滤波器中,用作为下一个像素点含量估计 的新初始値: (d-6)移到下一个像素点,该卡尔曼滤波器接收来自 该特征预处理模块的正交特征,来自该大气补偿模 块的当前像素点测量値,来自该人工神经网络的分 类数据,以及来自该遗传算法分解模块的前一个像 素点的含量估计,并利用卡尔曼滤波技术对该当前 像素点进行频谱分解,来自该遗传算法分解模块的 准确含量估计在该卡尔曼滤波器中用作为前一个 像素点的含量估计,以便准确估计该当前点的含量 矢量; (d-7)回到步骤(d-5),在该高谱特性立方体内重复递 推步骤(d-5)与(d-6)直到最后一个像素点者。10.如申 请专利范围第9项所述之「高谱图象分析及像素点 频谱分解方法」,其中在步骤(d-3)中,计算该第一像 素点的含量估计的参数估计器是一个最小二乘(LS) 估计器者。11.如申请专利范围第9项所述之「高谱 图象分析及像素点频谱分解方法」,其中在步骤(d- 3)中,计算该第一像素点的含量估计的参数估计器 是一个极大似然(ML)估计器者。12.如申请专利范围 第9项所述之「高谱图象分析及像素点频谱分解方 法」,其中在步骤(d-3)中,计算该第一像素点的含量 估计的参数估计器是一个进化算法者。13.如申请 专利范围第1项所述之「高谱图象分析及像素点频 谱分解方法」,其中步骤(d)由以下步骤构成; (d-1)接收来自频谱库的感兴趣材料的频谱特征,并 在特征预处理模块预处理这些特征,来自该频谱库 的这些频谱特征在该特征预处理模块中进行正交 归一化,从而将该特征空间分解成一组正交特征集 合; (d-2)第一像素点含量估计模块接收来自该特征预 处理模块的这些正交特征,以及自该大气补偿模块 的一组第一像素点测量数据,并利用一个参数估计 器计算该第一像素点的含量估计,除该第一像素点 以外的像素点,该第一像素点含量估计模块仅仅绕 过来自该大气补偿模块的这些测量数据; (d-3)该卡尔曼滤波器接收来自该特征预处理模块 的这些正交特征,来自该大气补偿模块的当前像素 点测量数据,以及该第一像素点的含量矢量估计模 块的含量估计,并用卡尔曼滤波技术进行当前像素 点的频谱分解,该第一像素点的含量估计用作为该 卡尔曼滤波器的初始値,该卡尔曼滤波器输出该当 前像素点的含量估计到遗传算法分解模块; (d-4)评价该当前像素点的含量估计値的估计误差, 当该估计误差大于预设値时,转到步骤(d-5),其中估 计误差由卡尔曼滤波器的协方差矩阵给出,否则, 转到步骤(d-6),该遗传算法分解模块仅仅绕过由卡 尔曼滤波器得到的含量估计者; (d-5)该遗传算法分解模块接收该特征预处理模块 的正交特征,来自该大气补偿模块的该当前像素点 测量値,以及来自该卡尔曼滤波器的当前像素点的 含量估计,并利用该遗传算法对该当前像素点进行 准确频谱分解以得出准确含量估计,该准确含量估 计为系统输出,该当前像素点的准确含量估计反馈 到该卡尔曼滤波器,在该卡尔曼滤波器中,用作为 下一个像素点含量估计的新初始値,该卡尔曼滤波 器的输出用作为该遗传算法分解模块的起始点以 便加速遗传算法的进化; (d-6)移到下一个像素点,该卡尔曼滤波器接收来自 该特征预处理模块的正交特征,来自该大气补偿模 块的当前像素点测量値,以及来自该遗传算法分解 模块的前一个像素点的含量估计,并利用卡尔曼滤 波技术对该当前像素点进行频谱分解,来自该遗传 算法分解模块的准确含量估计在该卡尔曼滤波器 中用作为前一个像素点的含量估计,以便准确占计 该当前点的含量矢量;以及 (d-7)回到步骤(d-4),在该高谱特性立方体内重复递 推步骤(d-4),(d-5)与(d-6)直到最后一个像素点者。14. 如申请专利范围第13项所述之「高谱图象分析及 像素点频谱分解方法」,其中在步骤(d-2)中,计算该 第一像素点的含量估计的参数估计器是一个最小 二乘(LS)估计器者。15.如申请专利范围第13项所述 之「高谱图象分析及像素点频谱分解方法」,其中 在步骤(d-2)中,计算该第一像素点的含量估计的参 数估计器是一个极大似然(ML)估计器者。16.如申请 专利范围第13项所述之「高谱图象分析及像素点 频谱分解方法」.其中在步骤(d-2)中,「计算该第一 像素点的含量估计的参数估计器是一个进化算法 者。17.如申请专利范围第1项所述之「高谱图象分 析及像素点频谱分解方法」,其中步骤(d)由以下步 骤构成: (d-1)接收来自频谱库的感兴趣材料的频谱特征,并 在特征预处理模块中预处理这些特征,来自该频谱 库的这些频谱特征在该特征预处理模块中进行正 交归一化,从而将该特征空间分解成一组正交特征 集合; (d-2)人工神经网络接收来自该特征预处理模块的 这些正交特征以及来自该大气补偿模块的一组第 一像素点测量数据,并进行材料分类选择,该人工 神经网络绕过从该大气补偿模块到后续模块的这 些测量数据; (d-3)第一像素点含量估计模块接收来自该特征预 处理模块的这些正交特征,来自该大气补偿模块的 第一像素点测量数据,以及来自该人工神经网络的 第一像素点的分类数据,并利用一个参数估计器计 算该第一像素点的含量矢量,该第一像素点的含量 估计用作为卡尔曼滤波器的初始値,对于除了该第 一像素点以外的像素点,该第一像素点含量估计模 块仅仅绕过来自该人工神经网络模块的这些测量 数据: (d-4)该卡尔曼滤波器接收来自该特征预处理模块 的这些正交特征,来自该大气补偿模块的当前像素 点测量数据,来自该人工神经网络的分类数据,以 及该第一像素点的含量矢量估计模块的含量估计, 并用卡尔曼滤波技术进行当前像素点的频谱分解, 该卡尔曼滤波器输出该当前像素点的含量估计到 遗传算法分解模块; (d-5)评价该当前像素点的含量估计値的估计误差, 当该估计误差大于预设値时,转到步骤(d-6),其中估 计误差由卡尔曼滤波器的协方差矩阵给出,否则, 转到步骤(d-7),该遗传算法分解模块仅仅绕过由卡 尔曼滤波器得到的含量估计; (d-6)遗传算法分解模块接收该特征预处理模块的 正交特征,来自该大气补偿模块的该当前像素点测 量値,来自该人工神经网络的分类数据,以及来自 该卡尔曼滤波器的当前像素点的含量估计,并利用 该遗传算法对该当前像素点进行准确频谱分解以 得出准确含量估计,该卡尔曼滤波器输出用作为该 遗传算法分解模块的起始点以便加速遗传算法的 进化,该准确含量估计反馈到该卡尔曼滤波器,在 该卡尔曼滤波器中,用作为下一个像素点含量估计 的新初始値; (d-7)移到下一个像素点,该卡尔曼滤波器接收来自 该特征预处理模块的正交特征,来自该大气补偿模 块的当前像素点测量値,来自该人工神经网络的分 类数据,以及来自该遗传算法分解模块的前一个像 素点的含量估计,并利用卡尔曼滤波技术对该当前 像素点进行频谱分解,来自该遗传算法分解模块的 准确含量估计在该卡尔曼滤波器中用作为前一个 像素点的含量估计,以便准确估计该当前点的含量 矢量;以及 (d-8)回到步骤(d-5),在该高谱特性立方体内重复递 推步骤(d-5)与(d-6)直到最后一个像素点者。18.如申 请专利范围第17项所述之「高谱图象分析及像素 点频谱分解方法」,其中在步骤(d-3)中,计算该第一 像素点的含量估计的参数估计器是一个最小二乘( LS)估计器者。19.如申请专利范围第17项所述之「 高谱图象分析及像素点频谱分解方法」,其中在步 骤(d-3)中,计算该第一像素点的含量估计的参数估 计器是一个极大似然(ML)估计器者。20.如申请专利 范围第17项所述之「高谱图象分析及像素点频谱 分解方法」,其中在步骤(d-3)中,计算该第一像素点 的含量估计的参数估计器是一个进化算法者。21. 如申请专利范围第3项所述之「高谱图象分析及像 素点频谱分解方法」,其中该卡尔曼滤波器是一个 万能鲁棒卡尔曼滤波器者。22.如申请专利范围第 21项所述之「高谱图象分析及像素点频谱分解方 法」,其中该万能鲁棒滤波器由以下步骤组成: (f.1)接收来自该大气补偿模块的该像素点的该测 量数据; (f.2)在模糊逻辑模块中,利用模糊运转推理方法检 验该测量数据,在此,该模糊逻辑推理方法依据丰 富的模糊逻辑规则有选择地决定拒绝该测量数据 或校正该测量数据,或承认该测量数据; (f.3)输出该校正后的测量数据或错误标志到预处 理模块,在此,该预处理模块执行状态转移矩阵和 测量矩阵的计算; (f.4)将该状态转移矩阵从该预处理模块送到状态 矢量预测模块,将前一个状态矢量从状态矢量更新 模块送到该状态矢量预测模块,在此,该状态矢量 预测模块进行状态矢量预测,即该下一个像素点的 含量估计; (f.5)将该状态转移矩阵从该预处理模块送到协方 差传播模块,在此,该协方差传播模块计算当前估 计误差的协方差; (f.6)将该测量矩阵及当前测量矢量从该预处理模 块送到测量残差计算模块,在此,该测量残差计算 模块接收来自该状态矢量预测模块的该状态矢量 预测値,并通过从该当前测量矢量中减去该测量矩 阵与该状态矢量预测値的乘积来计算测量残差; (f.7)将该当前估计误差的协方差从该协方差传播 模块送到最优增益计算模块,在此,该最优增益计 算模块计算最优增益; (f.8)将该最优增益从该最优增益计算模块送到协 方差更新模块,在此,该协方差更新模块更新该估 计误差的协方差; (f.9)将该估计误差的协方差更新値从该协力差更 新模块送到协方差传播模块;以及 (f.10)将该最优增益从该最优增益计算模块送到该 状态矢量更新模块,在此,该状态矢量更新模块接 收来自该测量残差计算模块的该测量残差,并进行 状态矢量更新,也即,该下一个像素点的含量估计 者。23.如申请专利范围第22项所述之「高谱图象 分析及像素点频谱分解方法」,其中步骤(f.2)由以 下步骤组成; (f.2-1)将该测量数据送到一个模糊器模块,在此,该 模糊盖执行标量映射,也就是把该测量数据的范围 转换到一个相应的论域,并进行模糊化,也就是把 该测量数据变换成适当的语义値,这些语义値被标 为模糊集合,并对所得的模糊输入用模糊集合及其 隶属函数([0,1])解释确定的测量数据; (f.2-2)将该模糊输入从该模糊器模块送到一个模糊 推理机构,在此,该模糊推理机构本质上模仿人类 的决策机理,并利用模糊推理规则推出模糊输出, 来自模糊规则库的该模糊逻辑推理规则借助一组 语义规则归纳了专家的目标和策略,该模糊规则库 由应用域知识及目标组成;以及 (f.2-3)将该模糊输出从该模糊推理机构送到一个模 糊还原模块,在此,模糊还原模块生成一个确定的 有效测量数据,该数据最好地表达了推理模糊输出 的可能分布者。24.如申请专利范围第5项所述之「 高谱图象分析及像素点频谱分解方法」,其中该遗 传算法分解由以下步骤组成; (1)一个编码模块随机生成而一组二进制字符串集 合,这组二进制字符串代表与该高谱图象立方体的 该像素点相关的该含量估计,遗传算法对这组二进 制字符串进行操作,且该组二进制字符串被送到一 个解码模块; (2)该解码模块对这组二进制字符串进行解码,该解 码模块的输出即是关于该超级频谱图象立方体像 素点的该含量估计集合,这组含量估计集合被送到 一个适合度计算模块,该含量估计给出了该像素点 中所包含的每个感兴趣材料的百分比; (3)适合度计算模块计算每个含量估计的适合度値, 在该适合度计算模块中,指标函数取该二进制字符 串(也称之为染色体),并返回一个値,然后把该指标 函数的値映射为适合度以适应该遗传算法,该适合 度値是基于由该字符串代表的所有可能解的性能 的回答,该编码字符串的该含量估计越好,该适合 度値也越高,该适合度値再送到一个繁殖模块; (4)执行判别过程以确定是否终止进化,在此,判别 指标定义为总进化代数,当该遗传算法递推到该总 进化代数时,选择其中一个具有最大适合度値的二 进制字符串作为解并且该遗传算法退出进化,其相 应的含量估计矢量就是该像素点的含量估计; (5)在该繁殖模块中,基于来自该适合度计算模块的 该适合度输出,进行繁殖,在此,该繁殖是基于适者 生存的规律,即,这些适合度値高的二进制字符串 会在新一代中有大量复制,一旦这些二进制字符串 被繁殖或复制作为下一代使用,该二进制字符串将 在配对集合中进行另外两类操作,即交配与变异, 从而繁殖; (6)在交配模块中,通过交换该二进制字符串(染色 体)的头和尾来形成子字符串集合,交配为该二进 制字符串提供一种机制通过随机过程来混合和匹 配其期望的品质,在该随机过程中,首先,从该繁殖 模块形成的该匹配集合中选出两个新生成的字符 串;其二,沿这两个字符串一致地随机选择一个交 换位置;其三,交换该交换位置以后的所有字符; (7)在变异模块中,偶而改变在一个特定字符串位置 上的値,该变异是对任何简单位的恒久损失的一种 保险措施,该变异的发生概率极低,以至在字符串 集合中平均只有一个字符串发生变异;以及 (8)将该新的二进制字符串集合送到该解码模块,然 后按(2),(3),(4),(5),(6),(7),以及(8)步骤执行者。25.如 申请专利范围第24项所述之「高谱图象分析及像 素点频谱分解方法」,其中该遗传算法分解由以下 步骤组成: (1)一个编码模块随机生成一组二进制字符串集合, 这组二进制字符串代表与该高谱图象立方体的该 像素点相关的该含量估计,遗传算法对这组二进制 字符串进行操作,且该组二进制字符串被送到一个 解码模块; (2)该解码模块对这组二进制字符串进行解码,该解 码模块的输出即是关于该超级频谱图象立方体像 素点的该含量估计集合,这组含量估计集合被送到 一个适合度计算模块,该含量估计给出了该像素点 中所包含的每个感兴趣材料的百分比者; (3)适合度计算模块计算每个含量估计的适合度値, 在该适合度计算模块中,指标函数取该二进制字符 串(也称之为染色体),并返回一个値,然后把该指标 函数的値映射为适合度以适应该遗传算法,该适合 度値是基于由该字符串代表的所有可能解的性能 的回答,该编码字符串的该含量估计越好,该适合 度値也越高,该适合度値再送到一个繁殖模块者; (4)执行判别过程以确定是否终止进化,通过评价该 二进制字符串间的差别来进行判别,当该字符串间 的差别小于一个预设値时,该遗传算法退出进化, 在此之后,选择一个适合度値最大的二进制字符串 作为解,其相应的含量估计矢量就是该像素点的含 量估计; (5)在该繁殖模块中,基于来自该适合度计算模块的 该适合度输出,进行繁殖,在此,该繁殖是基于适者 生存的规律,即,这些适合度値高的二进制字符串 会在新一代中有大量复制,一旦这些二进制字符串 被繁殖或复制作为下一代使用,该二进制在配对集 合中进行另外两类操作,即交配与变异,从而繁殖; (6)在交配模块中,通过交换该二进制字符串(染色 体)的头和尾来形成子字符串集合,交配为该二进 制字符串提供一种机制通过随机过程来混合和匹 配其期望的品质,在该随机过程中,首先,从该繁殖 模块形成的该匹配集合中选出两个新生成的字符 串;其二,沿这两个字符串一致地随机选择一个交 换位置;其三,交换该交换位置以后的所有字符; (7)在变异模块中,偶而改变在一个特定字符串位置 上的値,该变异是对任何简单位的恒久损失的一种 保险措施,该变异的发生概率极低,以至在字符串 集合中平均只有一个字符串发生变异;以及 (8)将该新的二进制字符串集合送到该解码模块,然 后按(2),(3),(4),(5),(6),(7),以及(8)步骤执行者。26.如 申请专利范围第25项所述之「高谱图象分析及像 素点频谱分解方法」其中步骤(f.2)由以下步骤组 成: (f.2-1)将该测量数据送到一个模糊器模块,在此,该 模糊器执行标量映射,也就是把该测量数据的范围 转换到一个相应的论域,并进行模糊化,也就是把 该测量数据变换成适当的语义値。这些语义値被 标为模糊集合,并对所得的模糊输入用模糊集合及 其隶属函数([0,1]解释确定的测量数据; (f.2-2)将该模糊输入从该模糊器模块送到一个模糊 推理机构,在此,该模糊推理机构本质上模仿人类 的决策机理,并利用模糊推理规则推出模糊输出, 来自模糊规则库的该模糊逻辑推理规则借助一组 语义规则归纳了专家的目标和策略,该模糊规则库 由应用域知识及目标组成;以及 (f.2-3)将该模糊输出从该模糊推理机构送到一个模 糊还原模块,在此,模糊还原模块生成一个确定的 有效测量数据,该数据最好地表达了推理模糊输出 的可能分布者。27.如申请专利范围第9项所述之「 高谱图象分析及像素点频谱分解方法」,其中该卡 尔曼滤波器是一万能鲁棒滤波器者。28.如申请专 利范围第27项所述之「高谱图象分析及像素点频 谱分解方法」,其中该万能鲁棒滤波器由以下步骤 组成: (f.1)接收来自该大气补偿模块的该像素点的该测 量数据; (f.2)在模糊逻辑模块中,利用模糊逻辑推理方法检 验该测量数据,在此,该模糊逻辑推理方法依据丰 富的模糊逻辑规则有选择地决定拒绝该测量数据 或校正该测量数据,或承认该测量数据; (f.3)输出该校正后的测量数据或错误标志到预处 理模块,在此,该预处理模块执行状态转移矩阵和 测量矩阵的计算; (f.4)将该状态转移矩阵从该头处理模块送到状态 矢量预测模块,将前一个状态矢量从状态矢量更新 模块送到该状态矢量预测模块,在此,该状态矢量 预测模块进行状态矢量预测,即该下一个像素点的 含量估计; (f.5)将该状态转移矩阵从该预处理模块送到协方 差传播模块,在此,该协方差传播模块计算当前估 计误差的协方差; (f.6)将该测量矩阵及当前测量矢量从该预处理模 块送到测量残差计算模块,在此,该测量残差计算 模块接收来自该状态矢量预测模块的该状态矢量 预测値,并通过从当前测量矢量中减去该测量矩阵 与该状态矢量预测値的乘积来计算测量残差; (f.7)将该当前估计误差的协方差从该协方差传播 模块送到最优增益计算模块,在此,该最优增益计 算模块计算最优增益; (f.8)将该最优增益从该最优增益计算模块送到协 方差更新模块,在此,该协方差更新模块更新该估 计误差的协方差; (f.9)将该估计误差的协方差更新値从该协方差更 新模块送到协方差传播模块;以及 (f.10)将该最优增益从该最优增益计算模块送到该 状态矢量更新模块,在此,该状态矢量更新模块接 收来自该测量残差计算模块的该测量残差,并进行 状态矢量更新,也即,该下一个像素点的含量估计 者。29.如申请专利范围第28项所述之「高谱图象 分析及像素点频谱分解方法」,其中步骤(f.2)由以 下步骤组成: (f.2-1)将该测量数据送到一个模糊器模块,在此,该 模糊器执行标量映射,也就是把该测量数据的范围 转换到一个相应的论域,并进行模糊化,也就是把 该测量数据变换成适当的语义値,这些语义値被标 为模糊集合,并对所得的模糊输入用模糊集合及其 隶属函数([0,1])解释确定的测量数据; (f.2-2)将该模糊输入从该模糊器模块送到一个模糊 推理机构,在此,该模糊推理机构本质上模仿人类 的决策机理,并利用模糊推理规则推出模糊输出, 来自模糊规则库的该模糊逻辑推理规则借助一组 语义规则归纳了专家的目标和策略,该模糊规则库 由应用域知识及目标组成;以及 (f.2-3)将该模糊输出从该模糊推理机构送到一个模 糊还原模块,在此,模糊还原模块生成一个确定的 有效测量数据,该数据最好地表达了推理模糊输出 的可能分布者。30.如申请专利范围第13项所述之 「高谱图象分析及像素点频谱分解方法」,其中该 卡尔曼滤波器是一万能鲁棒滤波器者。31.如申请 专利范围第30项所述之「高谱图象分析及像素点 频谱分解方法」,其中该万能鲁棒滤波器由以下步 骤组成: (f.1)接收来自该大气补偿模块的该像素点的该测 量数据; (f.2)在模糊逻辑模块中,利用模糊逻辑推理方法检 验该测量数据,在此,该模糊逻辑推理方法依据丰 富的模糊逻辑规则有选择地决定拒绝该测量数据 或校正该测量数据,或承认该测量数据; (f.3)输出该校正后的测量数据或错误标志到预处 理模块,在此,该预处理模块执行状态转移矩阵和 测量矩阵的计算; (f.4)将该状态转移矩阵从该预处理模块送到状态 矢量预测模块,将前一个状态矢量从状态矢量更新 模块送到该状态矢量预测模块,在此,该状态矢量 预测模块进行状态矢量预测,即该下一个像素点的 含量估计; (f.5)将该状态转移矩阵从该预处理模块送到协方 差传播模块,在此,该协方差传播模块计算当前估 计误差的协方差; (f.6)将该测量矩阵及当前测量矢量从该预处理模 块送到测量残差计算模块,在比,该测量残差计算 模块接收来自该状态矢量预测模块的该状态矢量 预测値,并通过从该当前测量矢量中减去该测量矩 阵与该状态矢量预测値的乘积来计算测量残差; (f.7)将该当前估计误差的协方差从该协方差传播 模块送到最优增益计算模块,在此,该最优增益计 算模块计算最优增益; (f.8)将该最优增益从该最优增益计算模块送到协 方差更新模块,在此,该协方差更新模块更新该估 计误差的协方差; (f.9)将该估计误差的协方差更新値从该协方差更 新模块送到协方差传播模块;以及 (f.10)将该最优增益从该最优增益计算模块送到该 状态矢量更新模块,在此,该状态矢量更新模块接 收来自该测量残差计算模块的该测量残差,并进行 状态矢量更新,也即,该下一个像素点的含量估计 者。32.如申请专利范围第31项所述之「高谱图象 分析及像素点频谱分解方法」,其中步骤(f.2)由以 下步骤组成: (f.2-1)将该测量数据送到一个模糊器模块,在此,该 模糊器执行标量映射,也就是把该测量数据的范围 转换到一个相应的论域,并进行模糊化,也就是把 该测量数据变换成适当的语义値,这些语义値被标 为模糊集合,并对所得的模糊输入用模糊集合及其 隶属函数([0,1])解释确定的测量数据; (f.2-2)将该模糊输入从该模糊器模块送到一个模糊 推理机构,在此,该模糊推理机构本质上模仿人类 的决策机理,并利用模糊推理规则推出模糊输出, 来自模糊规则库的该模糊逻辑推理规则借助一组 语义规则归纳了专家的目标和策略,该模糊规则库 由应用域知识及目标组成;以及 (f.2-3)将该模糊输出从该模糊推理机构送到一个模 糊还原模块,在此,模糊还原模块生成一个确定的 有效测量数据,该数据最好地表达了推理模糊输出 的可能分布者。33.如申请专利范围第17项所述之 「高谱图象分析及像素点频谱分解方法」,其中该 卡尔曼滤波器是一万能鲁棒滤波器者。34.如申请 专利范围第33项所述之「高谱图象分析及像素点 频谱分解方法」,其中该万能鲁棒滤波器由以下步 骤组成: (f.1)接收来自该大气补偿模块的该像素点的该测 量数据; (f.2)在模糊逻辑模块中,利用模糊逻辑推理方法检 验该测量数据;在此,该模糊逻辑推理方法依据丰 富的模糊逻辑规则有选择地决定拒绝该测量数据 或校正该测量数据,或承认该测量数据; (f.3)输出该校正后的测量数据或错误标志到预处 理模块,在此,该预处理模块执行状态转移矩阵和 测量矩阵的计算; (f.4)将该状态转移矩阵从该预处理模块送到状态 矢量预测模块,将前一个状态矢量从状态矢量更新 模块送到该状态矢量预测模块,在此,该状态矢量 预测模块进行状态矢量预测,即该下一个像素点的 含量估计者; (f.5)将该状态转移矩阵从该预处理模块送到协方 差传播模块,在此,该协方差传播模块计算当前估 计误差的协方差; (f.6)将该测量矩阵及当前测量矢量从该头处理模 块送到测量残差计算模块,在此,该测量残差计算 模块接收来自该状态矢量预测模块的该状态矢量 预测値,并通过从该当前测量矢量中减去该测量矩 阵与该状态矢量预测値的乘积来计算测量残差; (f.7)将该当前估计误差的协方差从该协方差传播 模块送到最优增益计算模块,在此,该最优增益计 算模块计算最优增益; (f.8)将该最优增益从该最优增益计算模块送到协 方差更新模块,在此,该协方差更新模块更新该估 计误差的协方差; (f.9)将该估计误差的协方差更新値从该协方差更 新模块送到协方差导播模块;以及 (f.10)将该最优增益从该最优增益计算模块送到该 状态矢量更新模块,在此,该状态矢量更新模块接 收来自该测量残差计算模块的该测量残差,并进行 状态矢量更新,也即,该下一个像素点的含量估计 者。35.如申请专利范围第34项所述之「高谱图象 分析及像素点频谱分解方法」,其中步骤(f.2)由以 下步骤组成: (f.2-1)将该测量数据送到一个模糊器模块,在此,该 模糊器执行标量映射,也就是把该测量数据的范围 转换到一个相应的论域,并进行模糊化,也就是把 该测量数据变换成适当的语义値,这些语义値被标 为模糊集合,并对所得的模糊输入用模糊集合及其 隶属函数([0,1])解释确定的测量数据; (f.2-2)将该模糊输入从该模糊器模块送到一个模糊 推理机构,在此,该模糊推理机构本质上模仿人类 的决策机理,并利用模糊推理规则推出模糊输出, 来自模糊规则库的该模糊逻辑推理规则借助一组 语义规则归纳了专家的目标和策略,该模糊规则库 由应用域知识及目标组成;以及 (f.2-3)将该模糊输出从该模糊推理机构送到一个模 糊还原模块,在此,模糊还原模块生成一个确定的 有效测量数据,该数据最好地表达了推理模糊输出 的可能分布者。36.如申请专利范围第3项所述之「 高谱图象分析及像素点频谱分解方法」,其中该遗 传算法分解由以下步骤组成: (1)一个编码模块随机生成而一组二进制字符串集 合,这组二进制字符串代表与该高谱图象立方体的 该像素点相关的该含量估计,遗传算法对这组二进 制字符串进行操作,且该组二进制字符串被送到一 个解码模块; (2)该解码模块对这组二进制字符串进行解码,该解 码模块的输出即是关于该超级频谱图象立方体像 素点的该含量估计集合,这组含量估计集合被送到 一个适合度计算模块,该含量估计给出了该像素点 中所包含的每个感兴趣材料的百分比; (3)适合度计算模块计算每个含量估计的适合度値, 在该适合度计算模块中,指标函数取该二进制字符 串(也称之为染色体),并返回一个値,然后把该指标 函数的値映射为适合度以适应该遗传算法,该适合 度値是基于由该字符串代表的所有可能解的性能 的回答,该编码字符串的该含量估计越好,该适合 度値也越高,该适合度値再送到一个繁殖模块; (4)执行判别过程以确定是否终止进化,在此,判别 指标定义为总进化代数,当该遗传算法递推到该总 进化代数时,选择其中一个具有最大适合度値的二 进制字符串作为解并且该遗传算法退出进化,其相 应的含量估计矢量就是该像素点的含量估计; (5)在该繁殖模块中,基于来自该适合度计算模块的 该适合度输出,进行繁殖,在此,该繁殖是基于适者 生存的规律,即,这些适合度値高的二进制字符串 会在新一代中有大量复制,一旦这些二进制字符串 被繁殖或复制作为下一代使用,该二进制字符串将 在配对集合中进行另外两类操作,即交配与变异, 从而繁殖; (6)在交配模块中,通过交换该二进制字符串(染色 体)的头和尾来形成子字符串集合,交配为该二进 制字符串提供一种机制通过随机过程来混合和匹 配其期望的品质,在该随机过程中,首先,从该繁殖 模块形成的该匹配集合中选出两个新生成的字符 串;其二,沿这两个字符串一致地随机选择一个交 换位置;其三,交换该交换位置以后的所有字符; (7)在变异模块中,偶而改变在一个特定字符串位置 上的値。该变异是对任何简单位的恒久损失的一 种保险措施,该变异的发生概率极低,以至在字符 串集合中平均只有一个字符串发生变异,以及 (8)将该新的二进制字符串集合送到该解码模块,然 后按(2),(3),(4),(5),(6),(7),以及(8)步骤执行者。37.如 申请专利范围第5项所述之「高谱图象分析及像素 点频谱分解方法」,其中该遗传算法分解由以下步 骤组成: (1)一个编码模块随机生成而一组二进制字符串集 合,这组二进制字符串代表与该高谱图象立方体的 该像素点相关的该含量估计,遗传算法对这组二进 制字符串进行操作,且该组二进制字符串被送到一 个解码模块; (2)该解码模块对这组二进制字符串进行解码,该解 码模块的输出即是关于该超级频谱图象立方体像 素点的该含量估计集合,这组含量估计集合被送到 一个适合度计算模块,该含量估计给出了该像素点 中所包含的每个感兴趣材料的百分比; (3)适合度计算模块计算每个含量估计的适合度値, 在该适合度计算模块中,指标函数取该二进制字符 串(也称之为染色体),并返回一个値,然后把该指标 函数的値映射为适合度以适应该遗传算法,该适合 度値是基于由该字符串代表的所有可能解的性能 的回答,该编码字符串的该含量估计越好,该适合 度値也越高,该适合度値再送到一个繁殖模块; (4)执行判别过程以确定是否终止进化,在此,判别 指标定义为总进化代数,当该遗传算法递推到该总 进化代数时,选择其中一个具有最大适合度値的二 进制字符串作为解并且该遗传算法退出进化,其相 应的含量估计矢量就是该像素点的含量估计; (5)在该繁殖模块中,基于来自该适合度计算模块的 该适合度输出,进行繁殖,在此,该繁殖是基于适者 生存的规律,即,这些适合度値高的二进制字符串 含在新一代中有大量复制,一旦这些二进制字符串 被繁殖或复制作为下一代使用,该二进制字符串将 在配对集合中进行另外两类操作,即交配与变异, 从而繁殖; (6)在交配模块中,通过交换该二进制字符串(染色 体)的头和尾来形成子字符串集合,交配为该二进 制字符串提供一种机制通过随机过程来混合和匹 配其期望的品质,在该随机过程中,首先,从该繁殖 模块形成的该匹配集合中选出两个新生成的字符 串;其二,沿这两个字符串一致地随机选择一个交 换位置;其三,交换该交换位置以后的所有字符; (7)在变异模块中,偶而改变在一个特定字符串位置 上的値,该变异是对任何简单位的恒久损失的一种 保险措施,该变异的发生概率极低,以至在字符串 集合中平均只有一个字符串发生变异;以及 (8)将该新的二进制字符串集合送到该解码模块,然 后按(2),(3),(4),(5),(6),(7),以及(8)步骤执行者。38.如 申请专利范围第9项所述之「高谱图象分析及像素 点频谱分解方法」,其中该遗传算法分解由以下步 骤组成: (1)一个编码模块随机生成而一组二进制字符串集 合,这组二进制字符串代表与该高谱图象立方体的 该像素点相关的该含量占计,遗传算法对这组二进 制字符串进行操作,且该组二进制字符串被送到一 个解码模块; (2)该解码模块对这组二进制字符串进行解码,该解 码模块的输出即是关于该超级频谱图象立方体像 素点的该含量估计集合,这组含量估计集合被送到 一个适合度计算模块,该含量估计给出了该像素点 中所包含的每个感兴趣材料的百分比; (3)适合度计算模块计算每个含量估计的适合度値, 在该适合度计算模块中,指标函数取该二进制字符 串(也称之为染色体),并返回一个値,然后把该指标 函数的値映射为适合度以适应该遗传算法,该适合 度値是基于由该字符串代表的所有可能解的性能 的回答,该编码字符串的该含量估计越好,该适合 度値也越高,该适合度値再送到一个繁殖模块; (4)执行判别过程以确定是否终止进化,在此,判别 指标定义为总进化代数,当该遗传算法递推到该总 进化代数时,选择其中一个具有最大适合度値的二 进制字符串作为解并且该遗传算法退出进化,其相 应的含量估计矢量就是该像素点的含量估计; (5)在该繁殖模块中,基于来自该适合度计算模块的 该适合度输出,进行繁殖,在此,该繁殖是基于适者 生存的规律,即,这些适合度値高的二进制字符串 会在新一代中有大量复制.一旦这些二进制字符串 被繁殖或复制作为下一代使用,该二进制字符串将 在配对集合中进行另外两类操作,即交配与变异, 从而繁殖; (6)在交配模块中,通过交换该二进制字符串(染色 体)的头和尾来形成子字符串集合,交配为该二进 制字符串提供一种机制通过随机过程来混合和匹 配其期望的品质,在该随机过程中,首先,从该繁殖 模块形成的该匹配集合中选出两个新生成的字符 串;其二,沿这两个字符串一致地随机选择一个交 换位置;其三,交换该交换位置以后的所有字符; (7)在变异模块中,偶而改变在一个特定字符串位置 上的値,该变异是对任何简单位的恒久损失的一种 保险措施,该变异的发生概率极低,以至在字符串 集合中平均只有一个字符串发生变异;以及 (8)将该新的二进制字符串集合送到该解码模块,然 后按(2),(3),(4),(5),(6),(7),以及(8)步骤执行者。39.如 申请专利范围第13项所述之「高谱图象分析及像 素点频谱分解方法」,其中该遗传算法分解由以下 步骤组成: (1)一个编码模块随机生成一组二进制字符串集合, 这组二进制字符串代表与该高谱图象立方体的该 像素点相关的该含量估计,遗传算法对这组二进制 字符串进行操作,且该组二进制字符串被送到一个 解码模块者; (2)该解码模块对这组二进制字符串进行解码,该解 码模块的输出即是关于该超级频谱图象立方体像 素点的该含量估计集合,这组含量估计集合被送到 一个适合度计算模块,该含量估计给出了该像素点 中所包含的每个感兴趣材料的百分比; (3)适合度计算模块计算每个含量估计的适合度値, 在该适合度计算模块中,指标函数取该二进制字符 串(也称之为染色体),并返回一个値,然后把该指标 函数的値映射为适合度以适应该遗传算法,该适合 度値是基于由该字符串代表的所有可能解的性能 的回答,该编码字符串的该含量估计越好,该适合 度値也越高,该适合度値再送到一个繁殖模块; (4)执行判别过程以确定是否终止进化,通过评价该 二进制字符串间的差别来进行判别,当该字符串间 的差别小于一个预设値时,该遗传算法退出进化, 在此之后,选择一个适合度値最大的二进制字符串 作为解,其相应的含量估计矢量就是该像素点的含 量估计; (5)在该繁殖模块中,基于来自该适合度计算模块的 该适合度输出,进行繁殖,在此,该繁殖是基于适者 生存的规律,即,这些适合度値高的二进制字符串 会在新一代中有大量复制,一旦这些二进制字符串 被繁殖或复制作为下一代使用,该二进制在配对集 合中进行另外两类操作,即交配与变异,从而繁殖; (6)在交配模块中,通过交换该二进制字符串(染色 体)的头和尾来形成子字符串集合,交配为该二进 制字符串提供一种机制通过随机过程来混合和匹 配其期望的品质,在该随机过程中,首先,从该繁殖 模块形成的该匹配集合中选出两个新生成的字符 串;其二,沿这两个字符串一致地随机选择一个交 换位置;其三,交换该交换位置以后的所有字符; (7)在变异模块中,偶而改变在一个特定字符串位置 上的値,该变异是对任何简单位的恒久损失的一种 保险措施,该变异的发生概率极低,以至在字符串 集合中平均只有一个字符串发生变异;以及 (8)将该新的二进制字符串集合送到该解码模块,然 后按(2),(3),(4),(6),(7),以及(8)步骤执行者。40.如申 请专利范围第17项所述之「高谱图象分析及像素 点频谱分解方法」,其中该遗传算法分解由以下步 骤组成: (1)一个编码模块随机生成而一组二进制字符串集 合,这组二进制字符串代表与该高谱图象立方体的 该像素点相关的该含量估计,遗传算法对这组二进 制字符串进行操作,且该组二进制字符串被送到一 个解码模块; (2)该解码模块对这组二进制字符串进行解码,该解 码模块的输出即是关于该超级频谱图象立方体像 素点的该含量估计集合,这组含量估计集合被送到 一个适合度计算模块,该含量估计给出了该像素点 中所包含的每个感兴趣材料的百分比; (3)适合度计算模块计算每个含量估计的适合度値, 在该适合度计算模块中,指标函数取该二进制字符 串(也称之为染色体),并返回一个値,然后把该指标 函数的値映射为适合度以适应该遗传算法,该适合 度値是基于由该字符串代表的所有可能解的性能 的回答,该编码字符串的该含量估计越好,该适合 度値也越高,该适合度値再送到一个繁殖模块; (4)执行判别过程以确定是否终止进化,在此,判别 指标定义为总进化代数,当该遗传算法递推到该总 进化代数时,选择其中一个具有最大适合度値的二 进制字符串作为解并且该遗传算法退出进化,其相 应的含量估计矢量就是该像素点的含量估计; (5)在该繁殖模块中,基于来自该适合度计算模块的 该适合度输出,进行繁殖,在此,该繁殖是基于适者 生存的规律,即,这些适合度値高的二进制字符串 会在新一代中有大量复制,一旦这些二进制字符串 被繁殖或复制作为下一代使用,该二进制字符串将 在配对集合中进行另外两类操作,即交配与变异, 从而繁殖; (6)在交配模块中,通过交换该二进制字符串(染色 体)的头和尾来形成子字符串集合,交配为该二进 制字符串提供一种机制通过随机过程来混合和匹 配其期望的品质,在该随机过程中,首先,从该繁殖 模块形成的该匹配集合中选出两个新生成的字符 串;其二,沿这两个字符串一致地随机选择一个交 换位置;其三,交换该交换位置以后的所有字符; (7)在变异模块中,偶而改变在一个特定字符串位置 上的値。该变异是对任何简单位的恒久损失的一 种保险措施,该变异的发生概率极低,以至在字符 串集合中平均只有一个字符串发生变异;以及 (8)将该新的二进制字符串集合送到该解码模块,然 后按(2),(3),(4),(5),(6),(7),以及(8)步骤执行者。图式 简单说明: 第一图:是一个方块图,描述进化计算的方法。 第二图:是一个方块图,描述进化计算方法用于高 谱图象的频谱分解方法。 第三图:是一个功能方块图,描述该混合方法的优 选实现。依据本发明,该混合方法用于高谱图象分 析与像素分解。 第四图:是一个功能方块图,描述该混合方法的第 二优选实现。依据本发明,该混合方法用于高谱图 象分析与像素分解。 第五图:是一个功能方块图,描述利用鲁棒卡尔曼 滤波器来进行超级频谱图象像素分解的实现。 第六图:是一个功能方块图,描述模糊逻辑模块的 实现。 第七图:是一个功能方块图,描述于高谱图象像素 分解的遗传算法实现。 |
