[发明专利]基于深度学习方法的高光谱数据处理方法

权利要求书

1.一种基于深度学习方法的高光谱数据处理方法，包括：采用深度学习方法的特征提取手段从原始高光谱数据中提取出特征投影矩阵，然后对特征投影矩阵进行优化，得到优化特征投影矩阵，然后根据优化特征投影矩阵对高光谱数据进行处理，得到高光谱图像；其特征在于：按如下方法得到优化特征投影矩阵：

1)设原始高光谱数据中提取出的特征投影矩阵为其中，表示A⁰中的第1层投影矩阵，表示A⁰中的第L层投影矩阵；根据A⁰，按式一计算出第1次迭代的损失函数值R_k；k为迭代次数，k＝1，2，3，…；

2)根据式二计算出R_k相对于A^k-1的梯度；然后根据式三对各层投影矩阵进行更新，得到新的特征投影矩阵其中，A^k表示第k次迭代后得到的特征投影矩阵，表示A^k中的第1层投影矩阵，表示A^k中的第L层投影矩阵；

3)根据当前的A^k，按式一重新计算出相应的损失函数值R_k，然后判断k的数值是否达到设定的数值：如未达到设定的数值，则进入步骤4)，如已达到设定的数值，则进入步骤6)；

4)根据式四计算出当前的收敛误差ε，然后将当前的收敛误差ε与设定的误差E进行比较：若ε＜E，则进入步骤6)，否则进入步骤5)；

5)根据式二计算出当前的R_k相对于A^k-1的梯度，然后根据式三对各层投影矩阵进行更新，得到新的A^k，然后返回步骤3)；

6)根据式二计算出当前的R_k相对于A^k-1的梯度，然后根据式三对各层投影矩阵进行更新，由更新后的各层投影矩阵所构成的特征投影矩阵即为优化特征投影矩阵；

所述式一为：

其中，λ为设定的权衡参数；

S₁为：

其中，表示A^k-1中的第L层投影矩阵中第n个样本的嵌入特征；N为A^k-1中的第L层投影矩阵中的样本数量；表示：类内图中，每个与其类内近邻点的关系；表示：类间图中，每个与其类间近邻点的关系；

S₂为：

其中，表示矩阵的F范数，即矩阵内所有元素平方和；表示向量的2范数，即向量内元素平方和；b^k-1表示A^k-1中的第L层投影矩阵所学习到的偏置向量；

所述式二为：表示R_k相对于A^k-1的梯度；

其中，表示S₁相对于A^k-1的梯度，表示S₂相对于A^k-1的梯度；

所述式三为：

其中，η为设定的学习率；

所述式四为：ε＝|R_k-R_k-1|。