Resumen

El desmezclado disperso ha atraído la atención de los investigadores y en los últimos años se han propuesto muchos algoritmos de desmezclado eficaces. Sin embargo, la mayoría de los algoritmos mejoran la precisión de la mezcla a costa de grandes cálculos. Una mayor precisión en el desmezclado suele conllevar una mayor complejidad computacional. Para resolver este problema, proponemos un nuevo modelo de desmezclado disperso basado en la regresión doble (DRSUM), que puede obtener mejores resultados de desmezclado con menor complejidad computacional. DRSUM descompone la compleja función objetivo en dos fórmulas sencillas y completa el proceso de desmezcla mediante dos regresiones dispersas. El resultado de la primera regresión dispersa se añade como restricción a la segunda. DRSUM es un modelo abierto, y podemos añadir diferentes restricciones para mejorar la precisión del desmezclado. Además, podemos realizar el preprocesamiento adecuado para mejorar aún más los resultados del desmezclado. Según este modelo, se propone un algoritmo específico denominado desmezcla dispersa basada en doble regresión mediante K-means (DRSUMK-means). El algoritmo mejorado de agrupación K-means se utiliza primero para el preprocesamiento y, a continuación, se imponen restricciones de sparsity simple y sparsity conjunta (utilizando la norma l2,0 para controlar la sparsity) en la primera y segunda descomposición dispersa, respectivamente. Para cumplir el requisito de sparsity, introducimos la función row-hard-threshold para resolver la norma l2,0 directamente. A continuación, DRSUMK-means puede resolverse eficientemente en el marco del método de multiplicadores de dirección alterna (ADMM). Experimentos con datos reales y simulados han demostrado la eficacia de DRSUMK-means.

• Materias:Biotecnología Minería de datos Redes de sensores Sistema de sensores Tecnología de sensores
• Subjects:Biotechnology Data mining Sensor networks Sensor system Sensor technology
• Palabras claves:drsum, drsumk-means, precisión, l2, norma 0, sparse unmixing, muchos algoritmos eficaces de unmixing, función objetivo compleja, primera regresión sparse, mayor complejidad computacional, menor complejidad computacional
• Keywords:drsum, drsumk−means, accuracy, l2, 0 norm, sparse unmixing, many effective unmixing algorithms, complex objective function, first sparse regression, higher computational complexity, lower computational complexity