[發明專利]基于自動神經網絡的具有終身學習能力的高光譜分類方法

有效

• 申請號: 202110187864.9
• 申請日: 2021-02-09
• 公開（公告）號: CN112801204B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 彭元喜;胡祥;楊文婧;周侗;劉煜;楊紹武;黃達;藍龍;徐利洋;李雪瓊;任靜;徐煒遐
• 申請（專利權）人: 中國人民解放軍國防科技大學
• 主分類號: G06V10/764
• 分類號: G06V10/764;G06V10/77;G06V10/774;G06V10/776;G06V10/82;G06V20/10;G06K9/62;G06N3/08;G06N3/04
• 代理公司: 國防科技大學專利服務中心 43202
• 代理人: 王文惠

1.基于自動神經網絡的具有終身學習能力的高光譜分類方法，其特征在于，包含以下步驟：

S1：對原始數據進行主成分分析，以減少譜帶的數目，并保持相同的空間維度，即寬度和高度；

S2：將經過主成分分析處理后的數據隨機劃分為訓練集、驗證集和測試集；

S3：將訓練集樣本輸入到卷積神經網絡中，處理過程如下：

S3-1：利用兩個3D-CNN層同時從數據中提取光譜和空間特征表示；

S3-2：將經過3D-CNN層處理過的數據由三維數據形式轉化為二維矩陣形式；

S3-3：利用一個2D-CNN層處理數據；

S3-4：將數據輸入到全連接層中，對提取的特征進行處理，最后通過輸出層計算得出分類結果；

其中，每個3D-CNN或2D-CNN層后均使用激勵函數Mish做激勵操作，Mish函數計算方式如下：

x·tanh(ln(1+e^x)) (1)

其中x為函數的輸入，通過卷積神經網絡模型連續處理多個高光譜數據分類任務：當運行于第一個任務時，基于數據樣本和給定的自動神經網絡設定模型參數空間，分析不同網絡結構性能，完成搜索后，記錄模型驗證集準確率，根據驗證集準確率采用最高性能模型；

S4：根據結果計算損失，損失函數如下：

其中J₁(X,W,B)是標準分類誤差，是終身學習正則化誤差，λ₁是權重系數，是權重衰減誤差，λ₂是權重系數，X是輸入數據，W是模型中各節點權重，B是模型中各節點偏置，標準分類誤差計算函數如下：

其中，y_i是對應正確分類結果，O_L(x_i)是輸出的最終結果，i表示第i個樣本，N是訓練樣本數，L表示本模型第L層即最后一層；

終身學習正則化誤差計算函數如下：

其中，Ω_i代表了參數θ_i在舊任務上的重要性，θ_i和是神經網絡所有參數組成的一維向量，即將神經網絡的所有參數矩陣都拿出來，然后平鋪在一起，Ω_i的計算函數如下：

其中，D是數據集，J₁(d,θ)為參數為θ的模型和一個數據樣本d上的損失，J₁是任務的標準分類誤差；

權重衰減誤差計算函數如下：

其中，W_l和B_l是各層神經網絡的權重和偏置；

S5：將測試集樣本放入分類模型中，對提取的特征進行處理，進行分類預測，通過Softmax函數作為輸出層，對提取的特征進行處理，實現分類計算；

其中，Softmax函數如下：

其中，y_i代表輸入網絡第i個的樣本的結果，M是神經網絡最后一層節點數，代表樣本一共有多少類別，O(x_i)是網絡最后一層第i個神經元的值。

2.如權利要求1所述的基于自動神經網絡的具有終身學習能力的高光譜分類方法，其特征在于，所述步驟S2中訓練集占5％的樣本，驗證集占5％的樣本，測試集占90％的樣本。