模型的训练方法、分类方法、装置、电子设备和介质制造方法及图纸

本公开提供了一种深度学习模型的训练方法，涉及地基光电观测技术领域，尤其涉及深度学习、人工智能等技术领域。该深度学习模型的训练方法包括：获取样本输入数据，样本输入数据包括针对被观测空间物体的样本光度序列数据和与样本光度序列数据对应的至少一维度的附加信息序列数据；利用编码模块处理样本光度序列数据和至少一维度的附加信息序列数据，得到编码后的组合序列数据；利用特征聚类模块处理组合序列数据，得到聚类向量；根据聚类向量，确定与样本输入数据对应的聚类结果；以及根据聚类结果和样本输入数据的真实聚类结果之间的差异，训练深度学习模型。本公开还提供了一种分类方法、装置、电子设备、存储介质和程序产品。品。品。

【技术实现步骤摘要】
模型的训练方法、分类方法、装置、电子设备和介质


[0001]本公开涉及地基光电观测
，尤其涉及深度学习、人工智能等
，尤其涉及一种深度学习模型的训练方法、分类方法、装置、电子设备、存储介质和程序产品。

技术介绍

[0002]现有的光度处理方法可以对空间物体的特性进行分析。然而，现有的光度处理方法，仅局限于处理光度数据。因此，深度学习模型只能处理单维度的光度数据，从而忽略了观测数据中的附加信息。导致对空间物体的特性的分析结果不理想。

技术实现思路

[0003]本公开提供了一种深度学习模型的训练方法、分类方法、装置、电子设备、存储介质和程序产品。
[0004]根据本公开的第一方面，本公开一实施例提供一种深度学习模型的训练方法，该深度学习模型包括编码模块和特征聚类模块，方法包括：获取样本输入数据，样本输入数据包括针对被观测空间物体的样本光度序列数据和与样本光度序列数据对应的至少一维度的附加信息序列数据；利用编码模块处理样本光度序列数据和至少一维度的附加信息序列数据，得到编码后的组合序列数据；利用特征聚类模块处理组合本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种深度学习模型的训练方法，所述深度学习模型包括编码模块和特征聚类模块，所述方法包括：获取样本输入数据，所述样本输入数据包括针对被观测空间物体的样本光度序列数据和与所述样本光度序列数据对应的至少一维度的附加信息序列数据；利用所述编码模块处理所述样本光度序列数据和所述至少一维度的附加信息序列数据，得到编码后的组合序列数据；利用所述特征聚类模块处理所述组合序列数据，得到聚类向量；根据所述聚类向量，确定与所述样本输入数据对应的聚类结果；以及根据所述聚类结果和所述样本输入数据的真实聚类结果之间的差异，训练所述深度学习模型。2.根据权利要求1所述的方法，其中，附加信息包括时刻信息、距离信息、方位高度角信息、赤经赤纬信息、太阳相位角信息中的至少一个；以及所述样本光度序列数据包括多个时刻的光度数据；其中，任意两个相邻时刻的光度数据之间的时间间隔相同。3.根据权利要求1所述的方法，其中，所述编码模块包括非线性变换网络，所述至少一维度的附加信息序列数据包括多个维度的附加信息序列数据，所述利用所述编码模块处理所述样本光度序列数据和所述至少一维度的附加信息序列数据，得到编码后的组合序列数据包括：利用所述非线性变换网络处理所述多个维度的附加信息序列数据，得到系数编码数据；以及根据所述样本光度序列数据和所述系数编码数据，得到所述编码后的组合序列数据。4.根据权利要求1所述的方法，其中，所述特征聚类模块包括第一特征提取网络和第二特征提取网络；所述利用所述特征聚类模块处理所述组合序列数据，得到聚类向量包括：分别利用所述第一特征提取网络和所述第二特征提取网络，处理所述组合序列数据，得到第一特征向量和第二特征向量；以及根据所述第一特征向量和所述第二特征向量，得到所述聚类向量。5.根据权利要求4所述的方法，其中，所述特征聚类模块包括与...

【专利技术属性】
技术研发人员：郭效忠，张延鑫，陈浩，赵有，
申请(专利权)人：中国人民解放军六三九二一部队，
类型：发明
国别省市：