【技術實現步驟摘要】
本專利技術涉及遙感，具體涉及一種基于transformer的火星表面礦物識別方法。
技術介紹
1、高光譜遙感技術是火星表面礦物識別的主要手段。高光譜遙感數據包含豐富的光譜和空間信息，具有圖譜合一的特點。而不同類型的礦物具有其獨特的光譜特征，依據礦物診斷性光譜特征可以識別礦物類型和礦物組分。因此，火星高光譜影像已被廣泛應用于火星表面礦物識別研究。
2、目前，通常采用基于機器學習和深度學習的方法，例如：人工神經網絡(ann)、卷積神經網絡(cnn)、支持向量機(svm)等。這些方法盡管在火星表面礦物識別中展現出良好的效果，但仍存在一定的局限性。例如：對全局波段信息的提取不足，無法充分考慮光譜波段間的長距離依賴關系等。這些局限性的存在，導致現有的火星礦物分類模型存在分類準確率不高、自動化程度低等問題，難以做到大范圍應用。
技術實現思路
1、本專利技術所要解決的技術問題是無法準確地分類識別火星表面礦物的問題。
2、為解決上述技術問題，本專利技術提供了一種基于transformer的火星表面礦物識別方法，具體采用如下技術方案：
3、本專利技術提供一種基于transformer的火星表面礦物識別方法，包括：首先，獲取火星礦物標準高光譜數據集。然后，對火星礦物標準高光譜數據集進行數據預處理，得到預處理后的火星礦物標準高光譜數據集。其次，將預處理后的火星礦物標準高光譜數據集根據預設劃分比例劃分為：訓練數據集、驗證數據集和測試數據集。進一步的，構建礦物識別tran
4、該方法基于transformer模型，通過深度學習方法捕捉火星礦物標準高光譜數據內部的關聯性，關注火星礦物標準高光譜數據中的有價值信息，同時忽略不重要信息。這樣，礦物識別transformer模型能夠學習火星礦物標準高光譜數據中更豐富的特征表示，從而能夠有效地提高對火星礦物分類識別的準確性。
5、在一種可選擇的實現方式中，上述礦物識別transformer模型包括：嵌入映射函數、編碼器、全連接層和輸出層。其中，嵌入映射函數由波段嵌入函數和位置嵌入函數組成，編碼器由多個編碼器層串聯組成。
6、在本實現方式中，通過上述結構的礦物識別transformer模型能夠實現對火星礦物高光譜數據集進行礦物分類識別。
7、在一種可選擇的實現方式中，上述根據訓練數據集和驗證數據集對礦物識別transformer模型進行訓練，得到優化的礦物識別transformer模型，包括：首先，將訓練數據集和驗證數據集輸入嵌入映射函數，輸出得到與訓練數據集對應的第一嵌入表示，以及與驗證數據集對應的第二嵌入表示。然后，將第一嵌入表示和第二嵌入表示輸入編碼器，輸出得到與第一嵌入表示對應的第一編碼器輸出結果，以及與第二嵌入表示對應的第二編碼器輸出結果。進一步的，將第一編碼器輸出結果和第二編碼器輸出結果輸入全連接層，輸出得到與第一編碼器輸出結果對應的第一全連接層輸出結果，以及與第二編碼器輸出結果對應的第二全連接層輸出結果。接下來，將第一全連接層輸出結果和第二全連接層輸出結果輸入輸出層，輸出得到與第一全連接層輸出結果對應的第一預測分類識別結果，以及與第二全連接層輸出結果對應的第二預測分類識別結果。根據第一預測分類識別結果構造損失函數，迭代優化礦物識別transformer模型的超參數，以使損失函數收斂，得到超參數訓練結果。最后，根據第二預測分類識別結果對超參數訓練結果進行優化調整，得到優化的礦物識別transformer模型。
8、在一種可選擇的實現方式中，上述嵌入映射函數的表達式為：
9、em(x)＝eb(x)+ep(x)；
10、式中，em(x)表示嵌入映射函數，eb(x)表示波段嵌入函數，ep(x)表示位置嵌入函數，x表示輸入的高光譜數據。其中，eb(x)的表達式為：
11、eb(x)＝w(x；θe)；
12、式中，w表示線性映射，θe表示波段嵌入的參數。上述ep(x)的表達式為：
13、
14、式中，p表示高光譜數據x中波段所在的位置，p＝0,1,…,232；2i表示嵌入的偶數維度，2i+1表示嵌入的奇數維度，d表示嵌入的總維數。
15、在一種可選擇的實現方式中，上述編碼器的函數表達式為：
16、xn＝encoder(xe)；
17、式中，xn表示編碼器的輸出結果，xe表示嵌入映射函數的輸出結果。
18、其中，encoder(xe)的展開式為：
19、
20、式中，t(i),i＝1,2…n表示第i個編碼器層的輸出結果，θn(i)為第i個編碼器層的參數，en(i)表示第i個編碼器層。
21、在一種可選擇的實現方式中，上述全連接層的表達式為：
22、xl＝d{ln[γ(l(xn,θf))]}；
23、式中，xl表示全連接層的輸出結果，θf為全連接層的參數，γ表示relu激活函數，l表示全連接層，ln表示層歸一化，d表示dropout函數。
24、在一種可選擇的實現方式中，上述輸出層的表達式為：
25、
26、式中，表示輸出層的輸出結果，s表示softmax激活函數。
27、在一種可選擇的實現方式中，上述損失函數為交叉熵損失函數，礦物識別transformer模型的超參數包括：編碼器層的數量、模型維數和多頭注意力分支數。
28、在一種可選擇的實現方式中，上述測試分類準確率的表達式為：
29、
30、其中，
31、
32、其中，acc表示測試分類準確率，n′表示測試數據集的大小，表示礦物分類測試結果，yi′表示礦物分類標準結果。
33、在一種可選擇的實現方式中，上述火星礦物標準高光譜數據集包括：鐵/鎂蒙脫石光譜數據、碳酸鎂光譜數據和鐵橄欖石光譜數據；預設劃分比例為：訓練數據集：驗證數據集：測試數據集為8:1:1。
本文檔來自技高網...【技術保護點】
1.一種基于Transformer的火星表面礦物識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述礦物識別Transformer模型包括：嵌入映射函數、編碼器、全連接層和輸出層；
3.根據權利要求2所述的方法，其特征在于，所述根據所述訓練數據集和所述驗證數據集對所述礦物識別Transformer模型進行訓練，得到優化的礦物識別Transformer模型，包括：
4.根據權利要求2或3所述的方法，其特征在于，所述嵌入映射函數的表達式為：
5.根據權利要求2或3所述的方法，其特征在于，所述編碼器的函數表達式為：
6.根據權利要求2或3所述的方法，其特征在于，所述全連接層的表達式為：
7.根據權利要求2或3所述的方法，其特征在于，所述輸出層的表達式為：
8.根據權利要求3所述的方法，其特征在于，所述損失函數為交叉熵損失函數，所述礦物識別Transformer模型的超參數包括：編碼器層的數量、模型維數和多頭注意力分支數。
9.根據權利要求1所述的方法，其特征在于，所述
10.根據權利要求1所述的方法，其特征在于，所述火星礦物標準高光譜數據集包括：鐵/鎂蒙脫石光譜數據、碳酸鎂光譜數據和鐵橄欖石光譜數據；所述預設劃分比例為：訓練數據集：驗證數據集：測試數據集為8:1:1。
...【技術特征摘要】
1.一種基于transformer的火星表面礦物識別方法，其特征在于，包括：
2.根據權利要求1所述的方法，其特征在于，所述礦物識別transformer模型包括：嵌入映射函數、編碼器、全連接層和輸出層；
3.根據權利要求2所述的方法，其特征在于，所述根據所述訓練數據集和所述驗證數據集對所述礦物識別transformer模型進行訓練，得到優化的礦物識別transformer模型，包括：
4.根據權利要求2或3所述的方法，其特征在于，所述嵌入映射函數的表達式為：
5.根據權利要求2或3所述的方法，其特征在于，所述編碼器的函數表達式為：
6.根據權利要求2...
【專利技術屬性】
技術研發人員：裘賀順，周可法，王金林，畢建濤，張清，汪瑋，馬秀梅，白泳，王彬彬，李超，王瑞，周懿文，廖濤，李冬，孫慧中，趙崇，周曉楨，邱子蕓，寇雁飛，屈廣俊，原衛亭，呂志鴻，高岳，單禹，盧應鵬，
申請(專利權)人：中國科學院空間應用工程與技術中心，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。