利用有限的标记样本,将其作为硬性约束加入矩阵分解中;同时构建局部邻域graph,挖掘数据的流形结构并保持局部的不变特性,提出一种基于矩阵分解的高光谱数据特征提取(FEMF)方法.经过矩阵分解,使得原始高维光谱特征空间中相近的数据在低维空间中仍然相近,而相同类别的标记数据则被投影到同一个位置.这样的低维表示具有更强的判别性能,从而得到更好的分类和聚类效果.该方法的求解过程是非凸规划问题,同时给出了一个乘性更新规则获得局部优化解.最后,对真实高光谱数据进行特征提取验证了该方法的有效性.

预训练的深度学习模型，用于压电迟滞环SHO拟合的快速分析 近十年来，基于带激励压电响应力的开关光谱（BEPS）被用于表征具有纳米级分辨率的材料的铁电开关和动态机电响应。 该技术的关键输出之一是压电磁滞回线的高光谱图像，其中在每个像素位置都有一个或多个磁滞回线。 正确分析这些实验数据所需的挑战和奉献精神扼制了BEPS的影响和广泛使用。 为了简化从这些数据集中提取信息的方法，通常的方法是将压电磁滞回线拟合到经验函数，以对回线进行参数化。 该技术有几个缺点： 它占用大量计算资源，需要24小时以上才能