基于Nesterov加速非负矩阵分解展开网络的高光谱解混方法研究

本文提出了一种创新性的Nesterov加速非负矩阵分解展开网络(NANMF-Net)，通过两阶段网络结构显著提升高光谱解混(HU)性能。第一阶段采用展开式NMF结构学习特征信息，第二阶段引入Nesterov加速方法优化层间连接，在保持模型可解释性的同时，大幅减少训练迭代次数并提高端元(endmember)和丰度(abundance)估计精度。实验证明该方法在合成和真实数据集上均优于传统模型。

　　

研究亮点

• 我们提出了一种用于高光谱解混(HU)的Nesterov加速非负矩阵分解展开网络(NANMF-Net)结构。该网络分为两个阶段：第一阶段采用展开式NMF结构学习相关信息，第二阶段应用Nesterov加速方法优化层间连接。

• 我们对所提方法进行了计算复杂度分析，结果表明引入Nesterov加速不会增加整体复杂度。

• 我们将Nesterov加速应用于端元和丰度子网络层，实现具有前瞻性的参数更新，显著提升学习动力学特性。这带来更精确的解混效果和训练周期的大幅缩减。

• 在合成和真实数据集上的大量实验证明，NANMF-Net相比其他方法具有更优越的性能。结果验证了加速机制和网络设计的有效性。

结论

本文提出了一种用于高光谱图像解混的Nesterov加速非负矩阵分解展开网络(NANMF-Net)结构。该网络采用两阶段设计：第一阶段学习相关信息，第二阶段通过Nesterov加速方法优化层间连接，显著提高解混精度。我们的NANMF-Net在实现高解混精度的同时，大幅减少了训练所需的迭代次数。