一种基于变分自编码矿物信息定量分析方法技术

本发明专利技术属于地质勘查技术领域，具体涉及一种基于变分自编码矿物信息定量分析方法，包括以下步骤：步骤一：采集研究区高光谱数据，读取多种矿物混合的光谱作为训练样本光谱；步骤二：根据光谱波段数、矿物种类、构建五层全连接神经网络；步骤三：将每一条样本光谱转化为一个列向量，并进行光谱归一化处理；输入到全连接神经网络进行训练，获得矿物端元光谱的初始值；步骤四：构建变分自编码神经网络；步骤五：训练变分自编码神经网络，将变分自编码神经网络第二隐含层映射到变分自编码神经网络重构样本输出层的权重系数矩阵参数设置为步骤三中矿物端元光谱的初始值。

【技术实现步骤摘要】
一种基于变分自编码矿物信息定量分析方法
本专利技术属于地质勘查
，具体涉及一种基于变分自编码矿物信息定量分析方法。
技术介绍
大量观测地球系统的高光谱数据已经变得可用，这些数据来自于多平台传感器，包括从地球上几米-几百米的地面光谱仪、无人机高光谱测量系统到几千米-几百公里的航空及卫星遥感系统，我国高五卫星的成功发射也推动了高光谱可用数据的进一步扩展。矿物填图是高光谱技术最成功的,也是最能发挥其优势的应用领域。在地质调查、矿产勘查和行星探测中，存在许多复杂地质应用场景，一个关键的挑战是从这些复杂地质背景的高光谱数据中定量反演矿物信息。限于目前的卫星高光谱分辨率和地质场景中矿物的紧致、非线性混合，混合光谱分解是高光谱矿物定量分析的重要方法。为此，需要提出一种基于变分深度自编码的矿物混合光谱定量分析方法，实现对地表矿物定量信息的获取，及提升高光谱遥感地质应用定量化研究的意义。
技术实现思路
本专利技术针对上述现有技术的不足，提供一种基于变分自编码矿物信息定量分析方法，用于解决原有技术中高光谱数据处理定量反演矿物信息较弱的技术问题，确定地表岩石土壤矿物含量技术问题。本专利技术的技术方案：一种基于变分自编码矿物信息定量分析方法，包括以下步骤：步骤一：采集研究区高光谱数据，读取多种矿物混合的光谱作为训练样本光谱；步骤二：根据光谱波段数、矿物种类、构建五层全连接神经网络；所述五层全连接神经网络，包括：全连接神经网络输入层、全连接神经网络第一隐含层、全连接神经网络第二隐含层、全连接神经网络第三隐含层和全连接神经网络输出层；步骤2.1：计算每条训练样本光谱对应的全连接神经网络第一隐含层特征；步骤2.2：计算全连接神经网络第二隐含层特征；步骤2.3：计算每个训练样本光谱对应的全连接神经网络重构样本光谱；步骤2.4：构建全连接神经网络的损失函数；步骤三：将每一条样本光谱转化为一个列向量，并进行光谱归一化处理；输入到全连接神经网络进行训练，获得矿物端元光谱的初始值；步骤四：构建变分自编码神经网络；变分自编码神经网络包括：变分自编码神经网络输入层、变分自编码神经网络第一隐含层、变分自编码神经网络特征层、变分自编码神经网络第二隐含层和变分自编码神经网络输出层；步骤4.1：计算步骤一中每条训练样本光谱对应特征的均值；步骤4.2：计算步骤一中每条训练样本光谱对应特征的标准差；步骤4.3：计算步骤一中每条训练样本光谱对应的特征值；步骤4.4：计算步骤一中每条训练样本光谱对应的重构样本光谱；步骤4.5：构建变分自编码神经网络的损失函数；步骤五：训练变分自编码神经网络，将变分自编码神经网络第二隐含层映射到变分自编码神经网络重构样本输出层的权重系数矩阵参数设置为步骤三中矿物端元光谱的初始值；步骤5.1：对变分自编码神经网络的参数初始化赋值，隐含层映射到重构样本输出层的权重系数矩阵参数设置为步骤3获得的矿物端元光谱的初始值；步骤5.2：将步骤一中每一条训练样本光谱转化为一个列向量输入到对变分自编码神经网络进行训练，获得更新后的对变分自编码神经网络参数；步骤5.3：判断循环次数是否为50次，如果循环次数为是，则执行步骤5.4，如果循环次数为否，则训练次数加1次后执行步骤5.2；步骤5.4：获得变分自编码神经网络隐含层映射到重构样本输出层的权重系数矩阵为矿物端元光谱，获得变分自编码神经网络特征层为矿物含量值。所述步骤一中还包括：从高光谱数据中，读取10000条以上多种矿物混合的光谱作为训练样本光谱。所述步骤二中全连接神经网络输入层的神经元个数为光谱波段数，每个波段的反射率为全连接神经网络输入层的神经元；设置全连接神经网络第三隐含层神经元数为矿物种类数，全连接神经网络输出层为重构光谱；所述步骤2.1中，计算每条训练样本光谱对应的全连接神经网络第一隐含层特征公式如下：其中，为第i个训练样本光谱对应的第一隐含层特征，Relu表示修正线性单元RectifiedlinearUnits，W1为输入层映射到第一隐含层的权重系数矩阵，b1为输入层映射到第一隐含层的偏置向量；xi为第i个训练样本光谱；所述的步骤2.2中，计算全连接神经网络第二隐含层特征的公式如下式(2)：其中，为第i个训练样本光谱对应的第二层隐含层特征，W2为第一隐含层映射到第二隐含层的权重系数矩阵，b2为第一隐含层映射到第二隐含层的偏置向量；为第i个训练样本光谱对应的第一隐含层特征；所述的步骤2.3中，计算每个训练样本光谱对应的全连接神经网络重构样本光谱，计算公式如下式(3)：其中，为第i个训练样本光谱对应的重构样本，sigmoid为输出层激活函数，W3为第二隐含层映射到第三隐含层的权重系数矩阵，b3为第二隐含层映射到第三隐含层的偏置向量；为第i个训练样本光谱对应的第二隐含层特征，W4为第三隐含层映射到重构样本输出层的权重系数矩阵，b4为第三隐含层映射到重构样本输出层的偏置向量；所述的步骤2.4中，构建全连接神经网络的损失函数如下式(4)：其中，L为全连接神经网络的损失函数，||||表示取模值操作，arccos表示的是反三角函数中的反余弦，为第i个训练样本光谱对应的重构样本；xi为第i个训练样本光谱。所述步骤三还包括：步骤3.1:对全连接神经网络的参数初始化赋值；步骤3.2：将每一条步骤一中的训练样本光谱转化为一个列向量输入到全连接神经网络进行训练，获得更新后的全连接神经网络参数；步骤3.3：判断循环次数是否为50次，如果循环次数为是，则执行步骤3.4；如果循环次数为否，则训练次数加1次后执行步骤3.2；步骤3.4：获得全连接神经网络隐含层映射到全连接神经网络重构样本输出层的权重系数矩阵为矿物端元光谱的初始值。所述步骤四还包括：变分自编码神经网络输入层神经元个数为光谱的波段数，每个波段的反射率为变分自编码神经网络输入层的神经元；变分自编码神经网络特征层计算出每个样本的特征的均值和标准差，并进行重参数处理，变分自编码神经网络输出层为重构光谱。所述步骤4.1中，计算步骤一中每条训练样本光谱变分自编码神经网络特征层对应特征的均值的公式，如下式(5)：μi＝Relu(w1v*xi+b1v)*w2v+b2v………………(5)其中，μi为第i个训练样本光谱对应的特征的均值，Relu表示修正线性单元RectifiedlinearUnits，w1v为输入层映射到第一隐含层的权重系数矩阵，b1v为输入层映射到第一隐含层的偏置向量；w2v为第一隐含层到特征层均值的权重系数矩阵，b2v为第一隐含层映射到特征层均值的偏置向量；xi为第i个训练样本光谱。所述步骤4.2中，计算步骤一中每条训练样本光谱变分自编码神经网络特征层对应特征的标准差的公式，如下式(6)：σi＝Relu(w1v*xi+b1本文档来自技高网...

【技术保护点】
1.一种基于变分自编码矿物信息定量分析方法，其特征在于：包括以下步骤：/n步骤一：采集研究区高光谱数据，读取多种矿物混合的光谱作为训练样本光谱；/n步骤二：根据光谱波段数、矿物种类、构建五层全连接神经网络；所述五层全连接神经网络，包括：全连接神经网络输入层、全连接神经网络第一隐含层、全连接神经网络第二隐含层、全连接神经网络第三隐含层和全连接神经网络输出层；/n步骤2.1：计算每条训练样本光谱对应的全连接神经网络第一隐含层特征；/n步骤2.2：计算全连接神经网络第二隐含层特征；/n步骤2.3：计算每个训练样本光谱对应的全连接神经网络重构样本光谱；/n步骤2.4：构建全连接神经网络的损失函数；/n步骤三：将每一条样本光谱转化为一个列向量，并进行光谱归一化处理；输入到全连接神经网络进行训练，获得矿物端元光谱的初始值；/n步骤四：构建变分自编码神经网络；变分自编码神经网络包括：变分自编码神经网络输入层、变分自编码神经网络第一隐含层、变分自编码神经网络特征层、变分自编码神经网络第二隐含层和变分自编码神经网络输出层；/n步骤4.1：计算步骤一中每条训练样本光谱对应特征的均值；/n步骤4.2：计算步骤一中每条训练样本光谱对应特征的标准差；/n步骤4.3：计算步骤一中每条训练样本光谱对应的特征值；/n步骤4.4：计算步骤一中每条训练样本光谱对应的重构样本光谱；/n步骤4.5：构建变分自编码神经网络的损失函数；/n步骤五：训练变分自编码神经网络，将变分自编码神经网络第二隐含层映射到变分自编码神经网络重构样本输出层的权重系数矩阵参数设置为步骤三中矿物端元光谱的初始值；/n步骤5.1：对变分自编码神经网络的参数初始化赋值，隐含层映射到重构样本输出层的权重系数矩阵参数设置为步骤3获得的矿物端元光谱的初始值；/n步骤5.2：将步骤一中每一条训练样本光谱转化为一个列向量输入到对变分自编码神经网络进行训练，获得更新后的对变分自编码神经网络参数；/n步骤5.3：判断循环次数是否为50次，如果循环次数为是，则执行步骤5.4，如果循环次数为否，则训练次数加1次后执行步骤5.2；/n步骤5.4：获得变分自编码神经网络隐含层映射到重构样本输出层的权重系数矩阵为矿物端元光谱，获得变分自编码神经网络特征层为矿物含量值。/n...

【技术特征摘要】
1.一种基于变分自编码矿物信息定量分析方法，其特征在于：包括以下步骤：
步骤一：采集研究区高光谱数据，读取多种矿物混合的光谱作为训练样本光谱；
步骤二：根据光谱波段数、矿物种类、构建五层全连接神经网络；所述五层全连接神经网络，包括：全连接神经网络输入层、全连接神经网络第一隐含层、全连接神经网络第二隐含层、全连接神经网络第三隐含层和全连接神经网络输出层；
步骤2.1：计算每条训练样本光谱对应的全连接神经网络第一隐含层特征；
步骤2.2：计算全连接神经网络第二隐含层特征；
步骤2.3：计算每个训练样本光谱对应的全连接神经网络重构样本光谱；
步骤2.4：构建全连接神经网络的损失函数；
步骤三：将每一条样本光谱转化为一个列向量，并进行光谱归一化处理；输入到全连接神经网络进行训练，获得矿物端元光谱的初始值；
步骤四：构建变分自编码神经网络；变分自编码神经网络包括：变分自编码神经网络输入层、变分自编码神经网络第一隐含层、变分自编码神经网络特征层、变分自编码神经网络第二隐含层和变分自编码神经网络输出层；
步骤4.1：计算步骤一中每条训练样本光谱对应特征的均值；
步骤4.2：计算步骤一中每条训练样本光谱对应特征的标准差；
步骤4.3：计算步骤一中每条训练样本光谱对应的特征值；
步骤4.4：计算步骤一中每条训练样本光谱对应的重构样本光谱；
步骤4.5：构建变分自编码神经网络的损失函数；
步骤五：训练变分自编码神经网络，将变分自编码神经网络第二隐含层映射到变分自编码神经网络重构样本输出层的权重系数矩阵参数设置为步骤三中矿物端元光谱的初始值；
步骤5.1：对变分自编码神经网络的参数初始化赋值，隐含层映射到重构样本输出层的权重系数矩阵参数设置为步骤3获得的矿物端元光谱的初始值；
步骤5.2：将步骤一中每一条训练样本光谱转化为一个列向量输入到对变分自编码神经网络进行训练，获得更新后的对变分自编码神经网络参数；
步骤5.3：判断循环次数是否为50次，如果循环次数为是，则执行步骤5.4，如果循环次数为否，则训练次数加1次后执行步骤5.2；
步骤5.4：获得变分自编码神经网络隐含层映射到重构样本输出层的权重系数矩阵为矿物端元光谱，获得变分自编码神经网络特征层为矿物含量值。


2.根据权利要求1所述的一种基于变分自编码矿物信息定量分析方法，其特征在于：所述步骤一中还包括：从高光谱数据中，读取10000条以上多种矿物混合的光谱作为训练样本光谱。


3.根据权利要求2所述的一种基于变分自编码矿物信息定量分析方法，其特征在于：所述步骤二中全连接神经网络输入层的神经元个数为光谱波段数，每个波段的反射率为全连接神经网络输入层的神经元；设置全连接神经网络第三隐含层神经元数为矿物种类数，全连接神经网络输出层为重构光谱；
所述步骤2.1中，计算每条训练样本光谱对应的全连接神经网络第一隐含层特征公式如下：



其中，为第i个训练样本光谱对应的第一隐含层特征，Relu表示修正线性单元RectifiedlinearUnits，W1为输入层映射到第一隐含层的权重系数矩阵，b1为输入层映射到第一隐含层的偏置向量；xi为第i个训练样本光谱；
所述的步骤2.2中，计算全连接神经网络第二隐含层特征的公式如下式(2)：



其中，为第i个训练样本光谱对应的第二层隐含层特征，W2为第一隐含层映射到第二隐含层的权重系数矩阵，b2为第一隐含层映射到第二隐含层的偏置向量；为第i个训练样本光谱对应的第一隐含层特征；
所述的步骤2.3中，计算每个训练样本光谱对应的全连接神经网络重构样本光谱，计算公式如下式(3)：



其中，为第i个训练样本光谱对应的重构样本，sigmoid为输出层激活函数，W3为第二隐含层映射到第三隐含层的权重系数矩阵，b3为第二隐含层映射到第三隐含层的偏置向量；为第i个训练样本光谱对应的第二隐含层特征，W4为第三隐含层映射到重构样本输出层的权重系数矩阵，b4为第三隐含层映射到重构样本输出层的偏置向量；
所述的步骤2.4中，构建全连接神经网络的损失函...

【专利技术属性】
技术研发人员：秦凯，朱玲，赵宁博，杨越超，崔鑫，李明，
申请(专利权)人：核工业北京地质研究院，
类型：发明
国别省市：北京;11