El modelo de mezcla lineal ha recibido amplia atención debido a su eficiencia (fácil cálculo, escalabilidad), significado físico claro y facilidad de manejo. Entre varios métodos lineales de mezcla, la técnica de mezcla mediante autoencoders muestra ventajas significativas en la capacidad de ajuste de datos y extracción de características profundas. Sin embargo, este enfoque también presenta algunas limitaciones. Por ejemplo, el ruido en los datos de entrada disminuye la capacidad de generalización del modelo durante el proceso; suelen existir problemas de redundancia frente a características multiescala; para mantener la complejidad computacional lineal mientras se preservan las dependencias de largo alcance, es necesario comprender profundamente las características espaciales y espectrales. Por ello, este artículo propone un módulo de autoatención para la eliminación de ruido en imágenes hiperespectrales y un nuevo modelo de imágenes hiperespectrales basado en el modelo Mamba. Primero se diseñó un bloque espacial Mamba para extraer características espaciales; luego, en el aspecto espectral, se propuso un bloque espectral Mamba; finalmente, el vector espectral se divide en varios grupos, excavando las relaciones entre diferentes grupos espectrales y extrayendo características espectrales. Estos tres módulos se integran en una red autoencoder convolucional de múltiples etapas, formando el marco de mezcla por atención Mamba en fases (PSAMN). Se realizaron experimentos comparativos del modelo PSAMN propuesto en conjuntos de datos hiperespectrales sintéticos y reales. Los resultados experimentales muestran que el modelo de mezcla propuesto es más efectivo y competitivo que los algoritmos existentes.

desmezcla hiperespectral; aprendizaje profundo; modelo Mamba; módulo de autoatención; bloque Mamba