申请/专利权人：核工业北京地质研究院

申请日：2021-06-07

公开（公告）日：2024-04-26

公开（公告）号：CN113420795B

主分类号：G06F30/27

分类号：G06F30/27

优先权：

专利状态码：有效-授权

法律状态：2024.04.26#授权;2021.10.12#实质审查的生效;2021.09.21#公开

摘要：本发明属于高光谱遥感应用技术领域，具体涉及一种基于空洞卷积神经网络的矿物光谱分类方法，包括：步骤一，矿物光谱数据获取，步骤二，矿物光谱数据增强，步骤三，矿物光谱样本划分，步骤四，构建空洞卷积神经网络分类模型，步骤五，设置参数并训练空洞卷积神经网络；步骤六，验证空洞卷积神经网络，步骤七，使用训练好的网络预测分类；步骤八，分类结果精度评价。本方法有效地解决了现有方法易受噪声影响，所需人工操作步骤多，人为判断误差明显，对于矿物光谱信号识别精度不够高，自动化程度较低，可扩展性差的技术问题，提高了海量光谱数据的处理效率和分类精度。

主权项：1.一种基于空洞卷积神经网络的矿物光谱分类方法，其特征在于，包括如下步骤：步骤一，矿物光谱数据获取，包括：通过ASD光谱仪在野外采集或实验室测量矿物光谱，获取待分类矿物光谱数据；步骤二，矿物光谱数据增强，包括：将步骤一获取到的矿物光谱数据中添加强度不等的高斯白噪声，扩充每类矿物光谱规模，达到矿物数据增强；步骤三，矿物光谱样本划分，包括：采用随机抽样法将步骤二中增强后的每个矿物光谱数据分别按照60％、20％、20％的比例划分为独立的训练集、验证集和测试集；步骤四，构建空洞卷积神经网络分类模型，包括：根据矿物光谱特性，构建含有九层的空洞卷积神经网络模型，所述九层空洞卷积神经网络模型包括输入层、空洞卷积层DC1、池化层S1、空洞卷积层DC2、池化层S2、空洞卷积层DC3、全连接层FC1、全连接层FC2和输出层；步骤五，设置参数并训练空洞卷积神经网络；所述步骤五中空洞卷积神经网络的设置参数包括：设置空洞卷积神经网络的学习率为0.008，批处理大小为10，迭代次数为200，损失函数为交叉熵，卷积层激活函数为ReLu；所述步骤五中空洞卷积神经网络的训练包括：将步骤三中制作的训练集输入到步骤四得到的空洞卷积神经网络分类模型中，通过计算损失函数误差，采用反向传播算法不断迭代优化调整网络权值和偏置；步骤六，验证空洞卷积神经网络，包括：将步骤三制作的验证集输入到经步骤五训练后的空洞卷积神经网络中进行验证；步骤七，使用训练好的网络预测分类；步骤八，分类结果精度评价。

全文数据：

权利要求：

百度查询： 核工业北京地质研究院 一种基于空洞卷积神经网络的矿物光谱分类方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD