[发明专利]一种高光谱遥感图像分类的并行化加速算法

权利要求书

1.一种高光谱遥感图像分类的并行化加速算法，其特征在于，包含以下步骤：

ISOMAP流形学习算法认为当数据集具有嵌入流形结构时，可以根据保距映射来获得观测空间数据集在低维结构的对应描述，假设数据是位于嵌入高维空间R^D中的d维流形之上，ISOMAP假设存在等距度量的图来度量分布在流形上的数据点之间的距离；如果X_i和X_j分布在流形上的点，G(X_i，X_j)是这两个点之间的测地线距离，则存在一个度量函数f满足如下关系：

||f(X_i)-f(X_j)||＝G(X_i，X_j) (1)

步骤1，构建邻接图，利用k最邻近构建邻接图G；

步骤2，在邻接图上用点与点之间的最短路径模拟测地线距离；

d_G(X_i，X_j)＝min{d_G(X_i，X_j)，d_G(X_i，X_l)+d_G(X_l，X_j)} (2)

步骤3，构建分解矩阵，将点与点之间的测地线距离作为两个数据点之间的距离度量，作为距离矩阵的输入，转化距离矩阵为特征分解矩阵；

步骤4，利用隐式重启Lanczos方法进行特征值分解；移植该算法到GPU，加速算法运行；

AW_m＝W_mT_m+f_me_m (4)

(T_m-μ₁I)(T_m-μ₂I)...(T_m-μ_m-kI)＝QR (5)

其中，A是步骤4的初始输入矩阵，W_m是迭代构造的正交基，通过公式(4)构造三对角矩阵T_m；利用公式(5)计算T_m的特征对作为输入矩阵A的近似，其中μ_i，i＝1，...，m表示为T_m矩阵的特征值；利用公式(6)对Lanczos方法隐式重启，实现特征对的精化；

步骤5，利用步骤4分解获得特征对计算嵌入矢量；

步骤6，利用步骤5获得的嵌入矢量作为KNN和SVM分类器的输入，进行分类处理。

2.如权利要求1所述的高光谱遥感图像分类的并行化加速算法，其特征在于：步骤4所述的隐式重启Lanczos方法通过移植到GPU上执行，调用不同的核处理特定费时的矩阵运算模块，大大加速算法的运行。