[發明專利]一種基于深度神經網絡的礦物含量光譜反演方法

有效

• 申請號: 201711456885.6
• 申請日: 2017-12-28
• 公開（公告）號: CN109978162B
• 公開（公告）日: 2021-10-19
• 發明（設計）人: 秦凱;趙英俊;趙寧博;楊越超
• 申請（專利權）人: 核工業北京地質研究院
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06N3/06;G06N3/04;G01N21/31
• 代理公司: 核工業專利中心 11007
• 代理人: 包海燕

1.一種基于深度神經網絡的礦物含量光譜反演方法，其特征在于：包括以下步驟：

步驟S1：采集多種礦物混合的光譜作為深度神經網絡的樣本，并標識出每條光譜所對應的礦物名稱及其含量；

步驟S2：設置第一層深度神經網絡架構，正向計算輸入層、隱含層和輸出層；

對于輸入層：將每一條樣本光譜轉化為一個列向量作為輸入層，輸入層的神經元個數為光譜的波段數；

對于隱含層：隱含層的神經元個數為樣本礦物種類數，通過公式(1)、公式(2)計算隱含層每個神經元的激活值：

z＝w¹*x+b¹ (2)

其中，w¹和b¹均為第一層神經網絡的系數矩陣；

a²為第二層神經網絡神經元的激活值；

對于輸出層：輸出層神經元個數為輸入層光譜的波段數；

步驟S3：構建第一層神經網絡的誤差函數，采用迭代的方式不斷調整神經網絡各層神經元的參數使誤差函數最小，從而訓練出第一層神經網絡系數矩陣w¹和b¹；

步驟S4：采用后向傳播的算法，計算輸出層估計值與實際值之間的殘差并將該殘差從輸出層向隱藏層反向傳播，直至傳播到輸入層，計算隱含層和輸入層每個神經元的殘差；

在反向傳播的過程中，根據公式(3)、公式(4)，不斷迭代更新神經網絡系數矩陣，直至誤差函數收斂，達到最小，存儲獲取的最終神經網絡系數矩陣；

其中，

wⁿ和bⁿ為第n層神經網絡系數矩陣；

w¹和b¹第一層神經網絡系數矩陣；

δⁿ⁺¹為n+1層估計值與n+1層實際值之間的殘差；

為第n層學習率；

m為n+1層神經元的個數；

aⁿ為第n層神經網絡神經元的激活值；

beta為第n+1層學習率；

步驟S5：設置下一層深度神經網絡架構，采用前一層神經網絡的隱含層作為下一層深度神經網絡的輸入；重復步驟S2、S3、S4，獲得下一層深度神經網絡的隱含層的激活值和神經網絡系數矩陣；

步驟S6：構建最后一層神經網絡，將前一層深度神經網絡的隱含層的激活值作為礦物含量光譜反演器的輸入，輸出層為礦物含量，礦物含量用屬于該礦物的概率P表示，訓練得到一個能將二階光譜特征映射到礦物含量的模型；

首先采用公式(5)計算每個光譜二階特征值對應的輸出激活值，即礦物含量；

其中，

θ為最后一層深度神經網絡的系數矩陣；

h_i²為倒數第二層深度神經網絡的隱含層的激活值，i表示第i個樣品；

之后構建公式(6)所示礦物含量反演的誤差函數；

其中，

m₀為樣品個數，即光譜個數；

k為最后一層深度神經網絡隱含層神經元個數；

y_i為標記的樣品礦物含量值；

θ_j為最后一層深度神經網絡的系數矩陣，即輸出層的系數矩陣，j表示對應最后一層深度神經網絡的神經元；

ρ為最后一層神經網絡的懲罰項；

計算誤差函數的偏導數，采用梯度下降法，迭代直到收斂，獲得最后一層深度神經網絡的系數矩陣θ_ji；

步驟S7：采用后向傳播的算法，計算最后一層神經網絡礦物含量與實際值之間的殘差，按照步驟S4并將該殘差從最后一層神經網絡向倒數第二層神經網絡反向傳播，直至傳播到第一層神經網絡輸入層，計算整個神經網絡每個神經元的殘差，不斷迭代更新每一層神經網絡系數矩陣，直至誤差函數收斂，達到最小，存儲獲取的最終神經網絡系數每一層神經網絡系數矩陣；

步驟S8：將未知樣品光譜輸入已構建好的深度神經網絡中，計算網絡所有的神經元激活值，最后一層輸出層為每種礦物的含量值。

2.根據權利要求1所述的一種基于深度神經網絡的礦物含量光譜反演方法，其特征在于：步驟S2中，第一層神經網絡的系數矩陣w¹和b¹初始值采用隨機數。

3.根據權利要求1所述的一種基于深度神經網絡的礦物含量光譜反演方法，其特征在于：步驟S3中，通過隱含層樣本點的激活值均值相對熵的稀疏限制算法實現特征光譜的提取。