一种用于多点高光谱二分类的权重训练方法技术

本发明专利技术公开一种用于多点高光谱二分类的权重训练方法。其采用基于复合介质栅结构的器件，该器件可依次完成对光的线性响应及调和非线性运算，具体方法包括以下步骤：(1)根据所述器件完成的线性响应及调和非线性运算建立初步模型；(2)考虑所述器件的实际限制情况，结合分类任务的需求为初步模型添加对偶运算，并施加约束条件，得到分类模型；(3)使用开源高光谱分类数据集，对训练数据添加噪声并插值，对标签进行二值化处理，最后使用梯度下降法对所述分类模型进行权重更新，直至收敛。本发明专利技术有效解决了针对基于复合介质栅结构这类器件完成多点高光谱二分类的权重训练问题，可实现片上高光谱多点分类的任务。高光谱多点分类的任务。高光谱多点分类的任务。

【技术实现步骤摘要】
一种用于多点高光谱二分类的权重训练方法


[0001]本专利技术涉及图像模式识别领域，具体涉及一种用于多点高光谱二分类的权重训练方法。

技术介绍

[0002]高光谱图像处理是图像处理领域的一个基本问题。近年来，使用高光谱遥感对地进行观测受到了越来越多的关注，并被广泛应用于目标检测与识别、分类、监测等领域。由于高光谱遥感能够获取多个光谱波段的信息，因此相比较于传统的RGB图像拥有更强的对物体的区分能力，因此使用高光谱图像来完成分类任务具有一定的优势。
[0003]基于复合介质栅结构的器件是目前出现的新一代成像器件。这种器件利用其本征物理特性能够实现对电信号和光信号的调和平均数的非线性计算，因此非常适合用于存储权重电信号和接收高光谱光信号，从而可以方便地完成多点高光谱分类的任务。但是目前，并没有针对该类器件实现多点高光谱二分类的权重训练方法。
[0004]随着机器学习及深度学习的发展，出现了一系列监督学习、半监督学习和无监督学习等分类算法。然而，由于基于复合介质栅结构的器件的实际诸多限制，这些无约束的训练方式不能直接应用到该类器件上。

技术实现思路

[0005]针对以上技术存在的缺陷，本专利技术的目的在于提出一种用于多点高光谱二分类的权重训练方法，尤其适于基于复合介质栅结构的这类器件。
[0006]本专利技术的方法采用的技术方案如下：
[0007]一种用于多点高光谱二分类的权重训练方法，采用基于复合介质栅结构的器件，该器件可依次完成对光的线性响应及调和非线性运算，所述权重训练方法包括以下步骤：
[0008](1)根据所述器件完成的线性响应及调和非线性运算建立初步模型；
[0009](2)考虑所述器件的实际限制情况，结合分类任务的需求为初步模型添加对偶运算，并施加约束条件，得到分类模型；
[0010](3)使用开源高光谱分类数据集，对训练数据添加噪声并插值，对标签进行二值化处理，最后使用梯度下降法对所述分类模型进行权重更新，直至收敛。
[0011]进一步地，所述步骤(1)中，初步模型为：
[0012][0013]其中，M为高光谱数据波段数，w
i
为权重参数w的第i个数值，y＝kx+b为器件对高光谱图像的单个像素点x的线性响应，y
i
为线性响应y的第i个波段值，y
out
为高光谱图像的单个像素点经过所述器件的输出。
[0014]进一步地，所述步骤(2)中，所述器件的实际限制情况具体为：仅能存储正值权重。
[0015]进一步地，添加对偶运算具体为：分别使用两组权重值w1与w2对线性响应y进行计
算，并将得到的值相减：
[0016][0017]进一步地，为所述初步模型施加约束条件具体为：对权重施加正值约束，即：
[0018][0019]进一步地，所述基于复合介质栅结构的器件包括形成在同一P型半导体衬底上方的复合介质栅光敏探测器和复合介质栅晶体管；所述复合介质栅光敏探测器在衬底上方依次设有第一底层绝缘介质层、第一浮栅、第一顶层绝缘介质层、第一控制栅，并在衬底内两侧设有源极和漏极；所述复合介质栅晶体管在衬底上方依次设有第二底层绝缘介质层、第二浮栅、第二顶层绝缘介质层、第二控制栅，并在衬底内两侧设有源极和漏极；所述复合介质栅光敏探测器的源极与复合介质栅晶体管的源极共用。
[0020]进一步地，所述步骤(3)中，对训练数据依次添加噪声具体为：高斯噪声、脉冲噪声和条带噪声。
[0021]进一步地，所述步骤(3)之后，再使用开源数据集的测试集对所述分类模型进行测试，得到其分类的精准率和召回率。
[0022]本专利技术的方法在考虑基于复合介质栅结构这类器件的实际限制的基础上，首先对其进行算法仿真和施加约束，再利用神经网络框架和开源数据集，对模型进行训练和测试得到权重值。本专利技术有效解决了针对基于复合介质栅结构这类器件完成多点高光谱二分类的权重训练问题，可实现片上高光谱多点分类的任务。
附图说明
[0023]图1为本专利技术实施例中基于复合介质栅结构的器件结构图。
[0024]图2为本专利技术实施例中的权重训练方法流程图。
具体实施方式
[0025]下面将结合附图与实施例对本专利技术进行详细说明。
[0026]本专利技术的方法针对的是基于复合介质栅结构的器件，该器件可依次完成对光的线性响应及调和非线性运算。基于复合介质栅结构的器件一种示例性结构如图1所示，包括形成在同一P型半导体衬底上方的复合介质栅光敏探测器和复合介质栅晶体管。其中，复合介质栅光敏探测器在衬底上方依次设有第一底层绝缘介质层、第一浮栅、第一顶层绝缘介质层、第一控制栅，并在衬底内两侧设有源极和漏极；复合介质栅晶体管在衬底上方依次设有第二底层绝缘介质层、第二浮栅、第二顶层绝缘介质层、第二控制栅，并在衬底内两侧设有源极和漏极。其中，复合介质栅光敏探测器的源极与复合介质栅晶体管的源极共用。该器件的具体结构和工作过程可参见CN114841847A。
[0027]本实施例提供一种用于上述基于复合介质栅结构器件完成多点高光谱二分类的权重训练方法，具体步骤如图2所示。
[0028]步骤1，由于上述器件可依次完成对光的线性响应及调和非线性运算，因此根据该运算方式建立初步算法模型。具体地，对于输入x，器件对其的响应近似线性，即输出y＝kx+b，其中k和b为常数，在本例中k＝1,b＝1；对于调和运算，器件可存储权值w，并对权值和输
入进行调和运算及求和，即对于每一个像素点，该器件输出可用下式表示
[0029][0030]其中，M为高光谱数据波段数，w
i
为权重参数w的第i个数值，y
i
＝kx
i
+b为第i个波段值。
[0031]步骤2，根据器件实际限制为算法模型施加正值约束，结合分类任务的需求添加对偶运算。如图1所示，由于基于复合介质栅结构的器件存储的电子数量为正，所以仅能存储正值权重，因此需要对模型的权重施加正值约束。同时，由于在分类任务中分类结果通常以0为阈值，若模型的输出全为正值则会导致分类阈值难以确定，因此为了保证分类任务的准确性和阈值不变性，可以添加与式(1)相同的对偶运算，即分别使用两组权重值w1与w2对输入y进行计算，并将得到的值相减
[0032][0033]添加对偶运算后，模型可以以0为阈值进行分类结果的判别。在优化模型时，可以对式(2)的结果和标签进行比较来优化权重，但对于权重的搜索空间没有任何约束。基于实际情况，需要对权重w
ai
,a∈{1,2}施加正值约束，因此一种较为直接的方法为对权重施加绝对值约束，即
[0034][0035]步骤3，使用开源高光谱分类数据集，对训练数据添加噪声并插值，对标签进行二值化处理，最后使用梯度下降法对模型进行参数更新，直至收敛。数据集采用AVIRIS光谱仪拍摄的Indian_pines，共有145
×
145个像素点，每点有2本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于多点高光谱二分类的权重训练方法，其特征在于，采用基于复合介质栅结构的器件，该器件可依次完成对光的线性响应及调和非线性运算，所述权重训练方法包括以下步骤：(1)根据所述器件完成的线性响应及调和非线性运算建立初步模型；(2)考虑所述器件的实际限制情况，结合分类任务的需求为初步模型添加对偶运算，并施加约束条件，得到分类模型；(3)使用开源高光谱分类数据集，对训练数据添加噪声并插值，对标签进行二值化处理，最后使用梯度下降法对所述分类模型进行权重更新，直至收敛。2.根据权利要求1所述的一种用于多点高光谱二分类的权重训练方法，其特征在于，所述步骤(1)中，初步模型为：其中，M为高光谱数据波段数，w
i
为权重参数w的第i个数值，y＝kx+b为器件对高光谱图像的单个像素点x的线性响应，y
i
为线性响应y的第i个波段值，y
out
为高光谱图像的单个像素点经过所述器件的输出。3.根据权利要求2所述的一种用于多点高光谱二分类的权重训练方法，其特征在于，所述步骤(2)中，所述器件的实际限制情况具体为：仅能存储正值权重。4.根据权利要求3所述的一种用于多点高光谱二分类的权重训练方法，其特征...

【专利技术属性】
技术研发人员：岳涛，王紫璇，胡雪梅，王凯，
申请(专利权)人：南京大学，
类型：发明
国别省市：