[发明专利]基于多层神经网络的超光谱图像分类方法

摘要

本发明公开了一种基于多层神经网络的超光谱图像分类方法，包括训练过程和测试过程,训练过程包括非监督学习过程和监督学习过程;测试过程为将测试数据输入上述训练好的模型中，得到分类结果。本发明利用机器自学习特征的思想，提出了采用基于多层神经网络的超光谱分类方法，这样学习特征比人为设计的特征更加精确，有较好的鲁棒性。该学习只涉及到参数的调节，计算效率高，对于数据的分类准确率高。

主权项

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＝fθ(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＝gθ′(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′。