[发明专利]基于微型批处理与级联融合的图卷积网络高光谱分类方法

权利要求书

1.一种基于微型批处理与级联融合的图卷积网络高光谱分类方法，其特征在于：该方法包括以下步骤：

步骤1：输入待分类的原始高光谱影像数据集X，其中，n＝a₁×b为一个a₁行b列的高光谱影像的像素点个数，d表示高光谱影像的波段数，x_nd表示第d个波段第n个像素点；d个波段也代表具有d个特征；

步骤2：将输入的数据集进行微型批量处理，得到数据集的所有子集m₁ m₂ ...m_n；

步骤3：对所输入的高光谱影像数据集X，构造其邻接矩阵A定义顶点即邻接矩阵中的每个节点之间的关系或边；邻接矩阵A的形式如下：

A中的每个元素通过以下基函数RBF进行计算：

其中，i、j的取值范围为1～n，n是第n个像素点，σ是控制RBF宽度的参数；向量x_i和x_j表示与顶点v_i和v_j相关的谱特征；

步骤4：构建拉普拉斯矩阵，具体方法如下：

步骤4.1：在给定邻接矩阵A的情况下，创建相应的图拉普拉斯矩阵L，L＝D-A，其中，D是表示A的度数的对角矩阵，即D_i,i＝∑_jA_i,j；

步骤4.2：使用对称归一化拉普拉斯矩：

其中，I是单位矩阵；

步骤4.3：对L进行谱分解，L＝UΛU^-1，其中，U＝(u₁,u₂,...u_n)是L的特征集；Λ为L的特征值的对角阵；

步骤5：进行谱域中的图卷积，具体步骤如下：

步骤5.1：给定两个函数f和g，卷积写为：

其中，τ是移动距离，*表示卷积算子；

步骤5.2：图上的傅里叶变换，将图上的卷积运算转换为定义傅里叶变换或找到一组基函数；

步骤6：将通过傅里叶变换后的图信号进行卷积处理，从而提取特征；

步骤7：将微型批量处理GCN(即miniGCNs)与CNNs使用端到端的融合即FuNet，使用级联融合策略：级联(C)，表示为：

其中，运算符[·,·]表示级联；和分别表示为从CNNs和miniGCNs中提取的l层特征；

步骤8：输出结果：输出样本类别。