【技術實現步驟摘要】
本專利技術涉及遙感，具體涉及一種基于高光譜數據的火星表面礦物分類方法。
技術介紹
1、高光譜遙感技術是火星表面礦物分類的主要手段。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，火星高光譜數據已被廣泛應用于火星表面礦物分類研究。
2、目前，基于高光譜數據的火星表面礦物分類方法通常基于光譜相似性對比、瀏覽產品和機器學習等方法，這些方法盡管在火星表面礦物分類中展現出良好的效果，但仍存在一定的局限性。例如：在特征提取能力不足、自動化程度低、識別準確率低等問題。這些局限性的存在，導致現有的火星表面礦物分類方法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對火星表面礦物進行分類的問題。
2、為解決上述技術問題，本專利技術提供了一種基于高光譜數據的火星表面礦物分類方法，具體采用如下技術方案：
3、本專利技術提供一種基于高光譜數據的火星表面礦物分類方法，包括：首先，獲取火星表面礦物標準高光譜數據集。對火星表面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表面礦物標準高光譜數據集。然后，將預處理后的火星表面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。接下來，構建礦物分類深度學習模型，礦物分類深度學習模型用于對火星表面礦物進行識別分類。根據訓練
4、該方法中，通過礦物分類深度學習模型可以獲取火星表面礦物高光譜數據通道的重要性、捕捉數據內部的關聯性，選擇性地提取火星表面礦物高光譜數據中的有價值信息，同時忽略不重要信息。這樣，通過礦物分類深度學習模型能夠學習到火星表面礦物高光譜數據中更豐富的特征表示，實現更加準確的礦物分類，從而能夠有效地提高對火星表面礦物分類的準確性，對火星資源探測工程的開展、深空資源的開發利用具有重要指導意義。
5、在一種可選擇的實現方式中，上述礦物分類深度學習模型包括：通道選擇器和分類器，通道選擇器和分類器連接。其中，通道選擇器由多個通道注意力模塊串聯組成，通道注意力模塊由串聯的4個第一全連接層、逐通道加權層和殘差連接層連接組成；第一全連接層連接有對應的第一激活函數和歸一化層。分類器的結構類型為：多層感知機結構，或者，卷積神經網絡結構。
6、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分類深度學習模型進行訓練，得到優化的礦物分類深度學習模型，包括：首先，將訓練數據集和驗證數據集分別輸入通道選擇器，輸出得到與訓練數據集對應的第一通道選擇器輸出結果，以及與驗證數據集對應的第二通道選擇器輸出結果。然后，將第一通道選擇器輸出結果和第二通道選擇器輸出結果分別輸入分類器，輸出得到與第一通道選擇器輸出結果對應的第一預測分類結果，以及與第二通道選擇器輸出結果對應的第二預測分類結果。接下來，構建損失函數，并根據第一預測分類結果迭代優化礦物分類深度學習模型的超參數，以使損失函數收斂，得到超參數訓練結果。最后，根據第二預測分類結果對超參數訓練結果進行優化調整，得到優化的礦物分類深度學習模型。
7、在一種可選擇的實現方式中，上述通道選擇器的表達式為：
8、x′＝s(x；θs)；
9、其中，s表示通道選擇器，x′表示通道選擇器的輸出結果，x表示輸入的高光譜數據，θs表示通道選擇器中參數構成的集合。在通道選擇器由n個通道注意力模塊串聯組成的情況下，通道選擇器的展開式為：
10、
11、其中，f(i)表示第i個通道注意力模塊，t(i)表示第i個通道注意力模塊的輸出結果，θs(i)表示第i個通道注意力模塊的參數，i＝1,2…n。
12、在一種可選擇的實現方式中，上述通道注意力模塊的表達式為：
13、
14、其中，i表示通道注意力模塊的輸入，o表示通道注意力模塊的輸出結果，z(1)表示第1個第一全連接層的輸出結果，z(2)表示第2個第一全連接層的輸出結果，z(3)表示第3個第一全連接層的輸出結果，z(4)表示第4個第一全連接層的輸出結果，θsc(1)表示第1個第一全連接層的參數，θsc(2)表示第2個第一全連接層的參數，θsc(3)表示第3個第一全連接層的參數，θsc(4)表示第4個第一全連接層的參數，γ1表示第一激活函數，σ表示sigmoid激活函數，l1表示第一全連接層，ln1表示第一歸一化層，表示逐元素相乘。
15、在一種可選擇的實現方式中，上述分類器的表達式為：
16、
17、其中，c表示分類器，x′表示通道選擇器的輸出結果，表示分類器輸出的火星表面礦物分類結果，θc表示分類器中參數構成的集合。
18、在一種可選擇的實現方式中，在分類器的結構類型為多層感知機結構的情況下，分類器包括：4個第二全連接層，第二全連接層連接有對應的第二激活函數。則分類器的展開式為：
19、
20、其中，x′表示通道選擇器的輸出結果，表示分類器輸出的火星表面礦物分類結果，表示第1個第二全連接層的輸出結果，表示第2個第二全連接層的輸出結果，表示第3個第二全連接層的輸出結果，θc1(1)表示第1個第二全連接層的參數，θc1(2)表示第2個第二全連接層的參數，θc1(3)表示第3個第二全連接層的參數，θc1(4)表示第4個第二全連接層的參數，γ2表示第二激活函數，σ表示sigmoid激活函數，l2表示第二全連接層，ln2表示第二歸一化層。
21、在一種可選擇的實現方式中，在分類器的結構類型為卷積神經網絡結構的情況下，分類器包括：3個卷積層、2個第三全連接層和1個flatten層，第三全連接層連接有對應的第三激活函數。則分類器的展開式為：
22、
23、其中，x′表示通道選擇器的輸出結果，表示分類器輸出的火星表面礦物分類結果，表示第1個卷積層的輸出結果，表示第2個卷積層的輸出結果，表示第3個卷積層的輸出結果，表示flatten層的輸出結果，表示第三全連接層的輸出結果，θc2(1)表示第1個卷積層的參數，θc2(2)表示第2個卷積層的參數，θc2(3)表示第3個卷積層的參數，θc2(4)表示第1個第三全連接層的參數，θc2(5)表示第2個第三全連接層的參數，γ3表示第三激活函數，σ表示sigmoid激活函數，l3表示第三全連接層，ln3表示第三歸一化層，cv表示卷積層，mp表示最大值池化層，fl表示flatten層。
24、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本文檔來自技高網...
【技術保護點】
1.一種基于高光譜數據的火星表面礦物分類方法，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，所述礦物分類深度學習模型包括：通道選擇器和分類器，所述通道選擇器和所述分類器連接；
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分類深度學習模型進行訓練，得到優化的礦物分類深度學習模型，包括：
4.根據權利要求2所述的方法，其特征在于，所述通道選擇器的表達式為：
5.根據權利要求2所述的方法，其特征在于，所述通道注意力模塊的表達式為：
6.根據權利要求2所述的方法，其特征在于，所述分類器的表達式為：
7.根據權利要求2所述的方法，其特征在于，在所述分類器的結構類型為多層感知機結構的情況下，所述分類器包括：4個第二全連接層，所述第二全連接層連接有對應的第二激活函數；
8.根據權利要求2所述的方法，其特征在于，在所述分類器的結構類型為卷積神經網絡結構的情況下，所述分類器包括：3個卷積層、2個第三全連接層和1個Flatten層，所述第三全連接層連接有對
9.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，所述礦物分類深度學習模型的超參數包括：所述通道注意力模塊的數量和所述分類器的結構類型。
10.根據權利要求1所述的方法，其特征在于，所述測試分類準確率的表達式為：
...【技術特征摘要】
1.一種基于高光譜數據的火星表面礦物分類方法，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，所述礦物分類深度學習模型包括：通道選擇器和分類器，所述通道選擇器和所述分類器連接；
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分類深度學習模型進行訓練，得到優化的礦物分類深度學習模型，包括：
4.根據權利要求2所述的方法，其特征在于，所述通道選擇器的表達式為：
5.根據權利要求2所述的方法，其特征在于，所述通道注意力模塊的表達式為：
6.根據權利要求2所述的方法，其特征在于，所述分類器的表達式為：
7.根...
【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，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。