[发明专利]基于多层神经网络的超光谱图像分类方法

权利要求书

1.一种基于多层神经网络的超光谱图像分类方法，其特征在于包括训练过程和测试过程，

训练过程的步骤如下：

1)非监督学习过程；

2)监督学习过程；

测试过程的步骤如下：

3)将测试数据输入上述训练好的模型中，得到分类结果；

步骤1)包括以下具体步骤：

11)自动编码器构造过程；

12)降噪自动编码器的构造过程；

13)多层降噪自动编码器构造过程；

步骤11)包括以下具体步骤：

111)对于输入x，根据式子(1)得到输出y，将这个过程称为编码过程，

y＝f_θ(x)＝s(Wx+b)(1)

其中

112)根据(1)式中的输出y，用式子(2)得到重构后的结果z，将这个过程称为解码即重构过程；

z＝g_θ′(y′)＝s(W′x+b′)(2)

从输入到输出的权值记为θ＝(W，b)，输出到输入的权值记为θ′＝(W′，b′)；

113)逐层进行参数θ和θ′的优化，其目标函数如式子(3)所示：

θ*,θ′*=argminθ,θ′L(x,z)L(x,z)=12||x-z||2---(3)]]>

上面部分是参数的最优化式子，下面部分是损失函数；整个式子就是要使输入前的x和最后重构后的z两者间的误差最小；

114)优化过程：在迭代终止前，根据式子(4)进行计算：

W=W+δΔW,b=b+δΔbW′=W′+δΔW′,b′=b′+δΔb′---(4)]]>

其中，ΔW＝-(z-x)*s′(W′y+b′)*W′*s′(Wx+b)*x；

ΔW′＝-(z-x)*s′(W′y+b′)*y；

Δb＝-(z-x)*s′(W′y+b′)*W′*s′(Wx+b)；

Δb′＝-(z-x)*s′(W′y+b′)；

δ为学习效率，初始化定义其值，s′(x)表示函数s的导数，即s′(x)＝s(x)*(1-s(x))；

最后得到自动编码器优化后的参数θ和θ′。