用于高光谱波段选择的块对角表示学习

基于摘要分析。本文研究高光谱图像（HSI）的波段选择，提出块对角表示学习算法 BDRLA，旨在缓解图聚类依赖初始数据矩阵质量、以及最终谱聚类步骤增加计算时间的问题。其贡献是学习具有块对角结构的相似度矩阵，并结合字典学习（DL）从各簇中选择代表波段。 机制上，BDRLA 通过逼近初始亲和矩阵生成相似度矩阵；利用光谱波段距离相似度呈现的对角结构，基于 ℓ₂ 范数构造具有有序分割点的块对角相似度矩阵。摘要称，该矩阵可直接用于后续处理，无需再提取聚类指示信息。随后，算法利用 DL 估计波段重要性，在每个簇中选择代表波段。具体目标函数、优化步骤及各模块的约束尚未验证。 作者报告，在三个公开数据集上的实验中，所选波段取得了令人满意的性能，但摘要未提供数据集名称、评价指标、划分协议、对照基线或具体数值，因此尚不能判断收益幅度及时间开销优势。实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 通道间相似性能够形成稳定簇，可尝试复用“相似度学习—结构化分组—代表变量选择”的流程以减少冗余通道；这不是已证实的 EEG 或 BCI 效果。原方法依赖波段距离的有序结构，EEG 电极并不天然具有同样的一维顺序，需改造相似度定义、通道排序及分割约束，监督需求与数据规模要求也需核对全文。低信噪比、跨被试变化、通道布局差异及小数据可能使簇结构不稳定。一个可检验的小实验是在固定 EEG 任务与 Cross-subject 划分下，仅用训练被试学习通道子集，在相同通道预算和分类器下与简单通道选择基线比较，并检验不同通道排序下的选择稳定性。已有 EEG 相关工作尚未检索确认。