Hyperspektrale Entmischung (HU) ist eine Schlüsseltechnologie zur Lösung von Mischpixelproblemen und zur Charakterisierung von Landbedeckungskomponenten. Obwohl Deep Nonnegative Matrix Factorization (DNMF) im HU hervorragende Leistungen zeigt, konzentrieren sich bestehende Methoden hauptsächlich auf die Abundanzmodellierung, vernachlässigen die mehrstufige Merkmalsextraktion von Endmembern und weisen eine unzureichende nichtlineare Repräsentationsfähigkeit auf, was die Entmischungsgenauigkeit einschränkt. Daher schlägt dieser Artikel einen tiefen NMF-Rahmen vor, der sich auf die Ebenenanalyse von Endmembern fokussiert und eine schichtübergreifende Orthogonalitätsbeschränkung des Endmembersubraums sowie eine dynamische spärliche Regularisierung zur Verfeinerung der Abundanz einführt. Zunächst wird durch mehrschichtige Endmemberzerlegung der nichtlineare Spektralausdruck verbessert; zweitens wurde ein minimalentfernungsgeführter Subraumorthogonalitätsmechanismus entworfen, um die Trennbarkeit der Endmember zu erhöhen, der zusammen mit einer dynamisch gewichteten Spärlichkeitsstrategie die räumliche Konsistenz der Abundanzschätzung verbessert; schließlich wird ein zweistufiger hierarchischer Optimierungsalgorithmus mit vortrainierter grober Initialisierung und schichtübergreifendem Backpropagation-Feinabstimmungskern aufgebaut. Experimente auf zwei synthetischen und vier realen Datensätzen zeigen, dass die Methode unter verschiedenen Signal-Rausch-Verhältnissen SAD-Werte von 0,0042 bis 0,0782 und RMSE-Werte von 0,0140 bis 0,0925 erzielt, die die Vergleichsmethoden um 1,42% bis 5,64% bzw. 1,87% bis 6,48% übertreffen, was deren Genauigkeit und Robustheit bestätigt.

hyperspektrale Entmischung; tiefe nichtnegative Matrixfaktorisierung; Endmember-Unterscheidung; Orthogonalitätsbeschränkung; hierarchische spärliche Regularisierung