Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Higher-Order Block Term Decomposition for Spatially Folded fMRI Data Kapitel lesen Erstes Kapitel lesen

2017 | OriginalPaper | Buchkapitel

A Blind Identification and Source Separation Method Based on Subspace Intersections for Hyperspectral Astrophysical Data

verfasst von : Axel Boulais, Yannick Deville, Olivier Berné

Erschienen in: Latent Variable Analysis and Signal Separation

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

This paper presents a geometric method for solving the Blind Source Separation problem. The method is based on a weak sparsity assumption: for each source, there should exist at least one pair of zones that share only this source. The process consists first in finding the pairs of zones sharing a unique source with an original geometric approach. Each pair of zones, having a mono-dimensional intersection, yields an estimate of a column of the mixing matrix up to a scale factor. All intersections are identified by Singular Value Decomposition. The intersections corresponding to the same column of the mixing matrix are then grouped by a clustering algorithm so as to derive a single estimate of each column. The sources are finally reconstructed from the observed vectors and mixing parameters with a least square algorithm. Various tests on synthetic and real hyperspectral astrophysical data illustrate the efficiency of this approach.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel Estimation of the Intrinsic Dimensionality in Hyperspectral Imagery via the Hubness Phenomenon
Nächstes Kapitel Estimating the Number of Endmembers to Use in Spectral Unmixing of Hyperspectral Data with Collaborative Sparsity
Literatur
1.
Abrard, F., Deville, Y.: A time-frequency blind signal separation method applicable to underdetermined mixtures of dependent sources. Sig. Process. 85(7), 1389–1403 (2005)CrossRefMATH
2.
Benachir, D., Deville, Y., Hosseini, S.: Blind spatial unmixing of multispectral images: an approach based on two-source sparsity and geometrical properties. In: IEEE International Conference on ICASSP, pp. 3171–3175 (2014)
3.
Berné, O., Joblin, C., Deville, Y., Smith, J.D., Rapacioli, M., Bernard, J.P., Thomas, J., Reach, W., Abergel, A.: Analysis of the emission of very small dust particles from spitzer spectro-imagery data using blind signal separation methods. Astron. Astrophys. 469, 575–586 (2007)CrossRef
4.
Bioucas-dias, J.M., Plaza, A., Dobigeon, N., Parente, M., Du, Q., Gader, P., Chanussot, J.: Hyperspectral unmixing overview: geometrical, statistical, and sparse regression-based approaches. IEEE J. Sel. Topics Appl. Earth Observ. Remote Sens. 5(2), 354–379 (2012)CrossRef
5.
Boulais, A., Deville, Y., Berné, O.: A geometrical blind separation method for unconstrained-sum locally dominant sources. In: IEEE International Workshop ECMSM (2015)
6.
Cichocki, A., Zdunek, R., Phan, A., Amari, S.I.: Nonnegative matrix and tensor factorizations: applications to exploratory multi-way data analysis and blind source separation. Wiley, New Year (2009)CrossRef
7.
Comon, P., Jutten, C. (eds.): Handbook of Blind Source Separation: Independent Component Analysis and Applications. Elsevier, Oxford (2010)
8.
Deville, Y.: Chapter 6, Sparse component analysis: a general framework for linear and nonlinear blind source separation and mixture identification. In: Naik, G.R., Wang, W. (eds.) Blind Source Separation: Advances in Theory, Algorithms and Applications, pp. 151–196. Springer, Heidelberg (2014)CrossRef
9.
Deville, Y.: Blind source separation and blind mixture identification methods. In: Wiley Encyclopedia of Electrical and Electronics Engineering. Wiley, New York (2016).
10.
Golub, G.H., Van Loan, C.H.: Matrix Computations, 3rd edn. Johns Hopkins University Press, Baltmore (1996)MATH
11.
Gonzalez, R.C., Woods, R.E.: Digital Image Processing, Chapter 10: Image Segmentation. Prentice-Hall Inc., New Jersey (2006)
12.
Gribonval, R., Lesage, S.: A survey of sparse component analysis for blind source separation: principles, perspectives, and new challenges. In: ESANN 2006 Proceedings, pp. 323–330 (2006)
13.
He, Z., Cichocki, A., Li, Y., Xie, S., Sanei, S.: K-hyperline clustering learning for sparse component analysis. Sig. Process. 89, 1011–1022 (2009)CrossRefMATH
14.
Hyvärinen, A., Karhunen, J., Oja, E.: Independent Component Analysis. Wiley-Interscience, New Jersey (2001)CrossRef
15.
Lee, D.D., Seung, H.S.: Learning the parts of objects by non-negative matrix factorization. Nature 401, 788–791 (1999)CrossRef
16.
Meganem, I., Deville, Y., Puigt, M.: Blind separation methods based on correlation for sparse possibly-correlated images. In: IEEE International Conference on ICASSP, pp. 1334–1337 (2010)
17.
Naeini, F., Mohimani, H., Babaie-Zadeh, M., Jutten, C.: Estimating the mixing matrix in sparse component analysis (SCA) based on partial k-dimensional subspace clustering. Neurocomputing (Elsevier) 71, 2330–2343 (2008)CrossRef
18.
Theis, F., Georgiev, P., Cichocki, A.: Robust sparse component analysis based on a generalized hough transform. EURASIP J. Appl. Sig. Process. 2007(1), 86 (2007)MATH
19.
Theodoridis, S., Koutroumbas, K.: Pattern Recognition. Academic Press, London (2009)MATH
Metadaten
Titel
A Blind Identification and Source Separation Method Based on Subspace Intersections for Hyperspectral Astrophysical Data
verfasst von
Axel Boulais
Yannick Deville
Olivier Berné
Copyright-Jahr
2017
Buch
Latent Variable Analysis and Signal Separation

Print ISBN: 978-3-319-53546-3

Electronic ISBN: 978-3-319-53547-0

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-53547-0_35

Premium Partner

    Bildnachweise