1.一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法，其特征在于，具体步骤如下：步骤1，选择需进行分析的源领域和目标领域高光谱数据，根据需求将这些高光谱数据分成源训练样本，目标训练样本和目标测试样本；通过降维算法使所述高光谱数据从高维空间投影至一个低维子空间；

步骤2，通过成对约束将所述源训练样本和目标训练样本划分成正关联约束样本和负关联约束样本，利用所述正负关联约束样本和补丁校准框架，进行成对约束判别分析；

步骤3，利用非负稀疏表示方法计算源领域内、目标领域内和交叉域间的样本非负稀疏表示，并通过非负稀疏散度准则构建不同分布的源领域和目标领域高光谱数据之间的桥梁；

步骤4，结合所述成对约束判别分析和非负稀疏散度准则，实现不同分布高光谱数据间的特征迁移学习；

其中，所述步骤1中，输入的高光谱数据共有3个部分：

1)源领域高光谱数据的源训练样本 xi∈Rm，其对应的类别标记为 其中，yi＝{1,…,c}，m为光谱的波段数，n1为源训练样本个数，c为样本的类别数；xi为第i个训练样本，yi为xi对应的类别标签，其中i＝1,2...,n1；

2)目标领域高光谱数据的目标训练样本 其中，n2为目标训练样本个数；

3)目标领域高光谱数据的目标测试样本 其

中，n3为目标测试样本个数；

令X＝[x1,x2,…,xn]∈Rm×n，其中n＝n1+n2+n3；

寻找一个m×d的投影矩阵W，将高光谱数据从高维空间投影至维数是d的低维子空间，d＜＜m，将高维样本x转换成低维样本z，即：z＝WTx∈Rd

其中，投影矩阵W＝(w1,w2,…,wd)∈Rm×d，且满足正交约束WTW＝I，wi是所述投影矩阵的第i个特征向量，其中i＝1,2...,d；

所述步骤2中，所述成对约束判别分析方法，其目标函数定义为：其中，NM和NC分别是xi的正关联约束样本M和负关联约束样本C的个数，κ是控制和 两部分的平衡参数，zi表示第i个低维样本，zj表示第j个低维样本，zk表示第k个低维样本，i＝1,2,...,NM，j＝1,2,...,NM，k＝1,

2,...,NC；所述目标函数可以转化成：其中，κ′＝κ(NM/NC)， 最小化ti就实现每个样本xi∈M投影到低维子空间时和其它相似样本相互靠近，而不相似的样本相互远离；

利用补丁校准框架求解ti，该补丁校准框架包括两个阶段：局部最优和整体校准；基于所述补丁校准框架，通过样本xi∈M的正关联和负关联约束来构建局部补丁，表示为：其中， 是正关联约束样本M中与xi的欧氏距离第i小的样本， 是负关联约束样本C中与xi的欧氏距离第i小的样本；Xi的相应低维子空间Zi表示为：定义系数向量ζ：

ti的样本局部最优转化为：

其中，(Zi)j+1表示Zi的第j+1列，NQ＝NM+NC，是单位矩阵；

成对约束判别分析的所述整体校准通过定义一个选择矩阵将每个局部补丁Xi排列在一个坐标系中；设所述局部补丁Xi选择于整体坐标X＝[x1,x2,…,xn]∈Rm×n，则Xi表示为Xi＝XSi；设选择矩阵其中， 表示局部补丁样本Xi的索引向量，a＝1,2,...,n，b＝1,2,...,NQ+i

1，{b}表示Δ中的第b个元素；将所有补丁的局部最优结合起来，得到成对约束判别分析的整体校准：其中，整体相关矩阵 将整体校准代入目标函数，则所述目标函数转化成：

所述步骤3中，所述非负稀疏散度准则：

令 表示在低维子空间中源领域和目标领域间不同分布的距离估计，通过最小化如下式的目标函数，实现估计不同分布样本间的距离：其中， 为低维子空间中源领域训练样本， 为低维子空间中目标领域训练样本，此处，采用具有自然判别能力的非负稀疏表示方法构建散度准则，非负稀疏表示表示为如下l0范数优化问题：s.t.xi＝Dhi；hi≥0

其中， 或 为超完备字典，||hi||0表示hi的l0范数，||hi||0的值为hi中非零元素的个数，hi＝[hi,1,…,hi，i-1,0,hi,i+1,…,hi,n]T∈Rn，hij表示第j(j＝1,...,i-1,0,i+

1,...,n)个样本xj对重构样本xi所做出的贡献；由于将xi从D中去除，所以hi中第i个元素为

0，即xi＝hi,1x1+…+hi,i-1xi-1+hi,i+1xi+1+…+hi,nxn；在解稀疏的条件下，为避免NP难的非凸组合优化问题，采用求解l1范数的方法来近似取代求解l0范数的方法，以降低计算复杂度：s.t.xi＝Dhi；1＝1T·hi；hi≥0其中，1∈Rn是全1向量；利用非负最小二乘法求解上式，得重构误差s.t.hij≥0；hii＝0；1＝1Thi其中，γ是大于0的实数；

根据所述重构误差，计算每一个样本xi最优的非负稀疏重构权重向量 则非负稀疏重构权重矩阵 从而，所述目标函数 转化成：即，所述目标函数 变成最小化样本非负稀疏表示向量之间的特征图，转化成：

其中，非负稀疏矩阵H是由嵌入空间中的源领域内HS,S、目标领域内HT,T和交叉域间HS,T3个非负稀疏矩阵构成，Z为 和 的集合，则非负稀疏矩阵H表示为：系数矩阵 表示为：

因为z＝WTx∈Rd，则所述目标函数 可转化成：

2.根据权利要求1所述一种基于成对约束判别分析-非负稀疏散度的高光谱数据降维方法，其特征在于：所述步骤4中特征迁移学习步骤如下：为能从源领域到目标领域迁移样本的判别信息，将成对约束判别分析和非负稀疏分布散度准则的潜在的特征空间结构，通过权衡参数β∈[0,1]连接起来；同时增加正则约束WTW＝I来避免广义特征分解的秩亏现象，则有：