[發(fā)明專利]一種多層寬度神經(jīng)網(wǎng)絡(luò)及其訓(xùn)練方法和應(yīng)用

在審

• 申請?zhí)枺?/td>: 202110279067.3
• 申請日: 2021-03-16
• 公開（公告）號: CN112966623A
• 公開（公告）日: 2021-06-15
• 發(fā)明（設(shè)計）人: 席江波;姜萬冬;謝大帥;叢銘;房建武;吳田軍;趙超英
• 申請（專利權(quán)）人: 長安大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 西安睿通知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 61218
• 代理人: 惠文軒

1.一種多層寬度神經(jīng)網(wǎng)絡(luò)，其特征在于，包括多個依次級聯(lián)的寬度滑動窗口和下采樣層及全連接層，每個寬度滑動窗口和下采樣層包含多個變換核層；每個變換核層通過寬度滑動窗口模塊和下采樣模塊構(gòu)造；對于輸入數(shù)據(jù)p_WSWS＝[p₁，p₂，…，p_N]，寬度滑動窗口模塊G_WWS由N組高斯核表示：G_WWS＝[G₁，…，G_n，…，G_N]；在滑動過程中，每個高斯核在寬度方向上擴展；即第n次滑動中，每個高斯核G_n由M_n個高斯內(nèi)核組成

其中，表示第n次滑動中的第M_n個高斯內(nèi)核；寬度表示的是寬度滑動窗口和下采樣層中隱藏單元的數(shù)量。

2.根據(jù)權(quán)利要求1所述的多層寬度神經(jīng)網(wǎng)絡(luò)，其特征在于，所述多層寬度神經(jīng)網(wǎng)絡(luò)中的寬度滑動窗口和下采樣層的個數(shù)由待學(xué)習數(shù)據(jù)集的數(shù)據(jù)量和分類精度要求來確定。

3.根據(jù)權(quán)利要求1所述的多層寬度神經(jīng)網(wǎng)絡(luò)，其特征在于，每個高斯核內(nèi)的高斯內(nèi)核的數(shù)量不同。

4.一種多層寬度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，包括以下步驟：

步驟1，獲取原始HSI數(shù)據(jù)，對原始HSI數(shù)據(jù)進行預(yù)處理和零填充，得到待訓(xùn)練數(shù)據(jù)X_{norm_pad}；從X_{norm_pad}中為每個類別的像素生成對應(yīng)的訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)，每個訓(xùn)練樣本和測試樣本分別為三維圖像塊；將所有訓(xùn)練樣本和測試樣本的三維圖像塊逐波段展開串成矢量，對應(yīng)得到訓(xùn)練矢量X_tr和測試矢量X_test；

步驟2，將訓(xùn)練矢量X_tr作為輸入對多層寬度神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練，即將訓(xùn)練矢量X_tr輸入第一個寬度滑動窗口和下采樣層，該層輸出第一層的高斯變換結(jié)果；將第一層的高斯變換結(jié)果輸入第二個寬度滑動窗口和下采樣層，依次類推，直到最后一個寬度滑動窗口和下采樣層輸出結(jié)果；

步驟3，使用具有線性權(quán)重的全連接層將最后一個寬度滑動窗口和下采樣層輸出結(jié)果進行組合，使用最小二乘法計算全連接層的線性權(quán)重，得到訓(xùn)練后的多層寬度神經(jīng)網(wǎng)絡(luò)，采用測試矢量X_test對訓(xùn)練后的多層寬度神經(jīng)網(wǎng)絡(luò)進行測試，完成多層寬度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程。

5.根據(jù)權(quán)利要求4所述的多層寬度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法，其特征在于，所述預(yù)處理為：對原始HSI數(shù)據(jù)進行冗余信息去除和歸一化處理；即通過主成分分析減少波段數(shù)量至B_PCA，再對每個減少后的波段進行歸一化處理：

其中，X(k)表示減少后的第k個波段的數(shù)據(jù)，X_norm(k)表示歸一化后的第k個波段的數(shù)據(jù)；

所述零填充為：對歸一化后的整個圖像X_norm分別在寬度和高度方向上進行零填充，兩個方向上的填充大小分別為(S_W-1)/2和(S_H-1)/2，得到零填充后的HSI圖像，即為待訓(xùn)練數(shù)據(jù)X_{norm_pad}；

其中，每個訓(xùn)練樣本的大小為S_W×S_H×B_PCA。