买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：西安电子科技大学

摘要：本发明公开了一种多目标进化卷积神经网络的高光谱图像分类方法，主要解决现有技术中网络较复杂，分类精度较低的问题。本发明具体步骤如下：1初始化个体架构信息组成种群；2解码个体生成训练集，验证集和卷积神经网络；3计算卷积神经网络的分类精度与浮点运算次数作为两个适应度；4采用交叉，变异，多目标选择对种群迭代更新得到最优种群；5使用最优种群中分类精度最高的个体对应的卷积神经网络对待高光谱图像进行分类。本发明采用进化算法实现对卷积神经网络自动设计，并使用多目标优化，具有针对高光谱图像分类问题精度高，结构简单的优点。

主权项：1.一种多目标进化卷积神经网络的高光谱图像分类方法，其特征在于，利用树形结构和标量的混合编码方式，对卷积神经网络的输入图像块尺寸、输入图像块光谱维度和网络块进行混合编码，利用树形多分支超网络结构作为网络块的基础结构，利用分类精度与浮点运算次数作为卷积神经网络的两个适应度,通过选择、交叉和变异操作对种群进行迭代更新后，使用适应度最高的基因个体对应的卷积神经网络计算对待分类的高光谱图像的分类精度；该分类方法的步骤包括如下：步骤1，初始化架构信息：将待构建的卷积神经网络的输入图像块的尺寸，输入图像块的光谱维度和网络块，通过树形结构和标量的混合编码方式编码为基因个体；将每30个基因个体组合为一个种群；步骤2，生成每个基因个体对应的训练集和验证集：步骤2.1，使用主成分分析法PCA，对待分类的高光谱图像的输入光谱维度进行降维，使其光谱维度等于基因个体对应的输入光谱维度；步骤2.2，以降维后高光谱图像中带标签的每个像素为中心，截取该像素的矩形块，矩形块的宽度和高度均等于基因个体对应的图像块尺寸，且将中心像素的标签作为矩形块的标签；步骤2.3，从每种类别中各采样50个的矩形块组成训练集，将剩余矩形块组成验证集；步骤3，构建种群中每个基因个体对应的卷积神经网络：步骤3.1，遍历树形编码T1中第一分支的所有节点，对每一个节点，生成该节点对应卷积神经网络中的一个卷积层，该卷积层的卷积核尺寸等于对应节点的树形编码中卷积核尺寸的编码，输出通道数等于对应节点的树形编码中输出通道数的编码，然后将所有卷积层进行级联，得到卷积神经网络中的分支子网络；步骤3.2，对树形编码T1中的剩余分支，采用与第一步相同的方法生成分支子网络，将所有分支子网络进行并联得到第一网络块，所有分支子网络输出的加权求和值作为第一网络块的输出，若跳跃链接标志位等于1，则将第一网络块的输出与输入求和后作为该网络块的最终输出；步骤3.3，采用与第一步到第二步相同的方法对树形编码T1和T2进行处理，得到第二和第三网络块，并将上述所有网络块进行级联得到卷积神经网络；步骤4，训练卷积神经网络：将训练集输入到卷积神经网络中，利用Adam算法，迭代更新网络权重，当学习率衰减到0.000001时，得到训练好的卷积神经网络；步骤5，计算卷积神经网络的两个适应度：将验证集输入到训练好的卷积神经网络中，输出分类准确率与浮点运算次数，将分类准确率与浮点运算次数作为对应基因个体的两个适应度；步骤6，对种群中的基因个体依概率执行交叉操作生成交叉种群：步骤6.1，从当前迭代的父代种群中，随机选取两个未选过的待优化的卷积神经网络对应的基因个体；步骤6.2，对所选两个基因个体执行交叉操作；步骤6.3，判断当前迭代后的父代种群中是否选完所有的基因个体，若是，则将当前迭代后的父代种群中所有经过上述交叉操作得到的基因个体组成交叉种群后执行步骤7，否则，执行步骤6.1；步骤7，对交叉种群中所有的基因个体依概率执行变异操作生成变异种群：步骤7.1，对交叉种群中的基因个体依概率执行变异操作；步骤7.2，将交叉种群中所有经过上述变异操作得到的基因个体组成变异种群；步骤8，将交叉种群中的基因个体与变异种群中的基因个体组合在一起组成子代种群：步骤9，计算子代种群中每个基因个体对应的两个适应度：采用与步骤2至步骤5的相同方法，得到子代种群中每一个基因个体对应的卷积神经网络的分类准确率和浮点运算次数，并将分类准确率和浮点运算次数作为基因个体对应的两个适应度；步骤10，依据父代种群与子代种群中所有基因个体对应的两个适应度，利用环境选择操作选择得到新的父代种群：步骤10.1，将当前迭代后的父代种群中的所有基因个体与当前步骤8得到的子代种群中的所有基因个体一起组成新种群，对新种群中的个体根据对应的两个适应度执行环境选择操作，得到下一代种群；步骤10.2，如果当前迭代次数等于根据经验设定的最大迭代次数，将当前迭代的种群作为最优种群，在最优种群中将分类准确率最高的基因个体对应的卷积神经网络作为最优卷积神经网络；步骤11，对高光谱图像进行分类：步骤11.1，将待分类的高光谱图像，依据最优卷积神经网络对应的基因个体中的输入图像块的尺寸与输入图像块的光谱维度，采用与步骤2.1至步骤2.2的相同方法，生成输入图像块；步骤11.2，将所有输入图像块输入到训练好的最优卷积神经网络中，计算最优卷积神经网络对高光谱图像中所有待分类的样本的分类准确率，将对应的分类准确率作为结果输出。

全文数据：

权利要求：

百度查询： 西安电子科技大学 多目标进化卷积神经网络的高光谱图像分类方法