[发明专利]基于光谱保持稀疏自编码器的高光谱异常检测方法

权利要求书

1.一种基于光谱保持稀疏自编码器的高光谱异常检测方法，其特征在于，包括以下步骤：

步骤1，求取高光谱数据的小波系数；

步骤2，构建线性解混约束的小波自编码网络，采用光谱角距离替代编码层的内积，并在损失函数中添加惩罚项及正则项，构建基于小波多尺度变换的光谱保持稀疏自编码器网络；

步骤3，将待测高光谱数据输入步骤2构建的光谱保持稀疏自编码器网络中，进行解混操作，得到背景端元数据，计算重构误差得到所需的异常目标数据。

2.根据权利要求1所述的基于光谱保持稀疏自编码器的高光谱异常检测方法，其特征在于，步骤1所述求取高光谱数据的小波系数的方法为：

对高光谱数据进行a’trous小波变换，得到小波系数，对小波系数解混；

其中为低频系数，为高频系数，表示低频分段的端元矩阵和丰度矩阵，表示高频分段的端元矩阵和丰度矩阵；

由于低频和高频具有相同的丰度系数，有；为构造的小波系数矩阵，其表达式为：

其中，，得到小波域的解混公式后，将小波系数作为自编码器的输入。

3.根据权利要求1所述的基于光谱保持稀疏自编码器的高光谱异常检测方法，其特征在于，步骤2具体方法为：

基于线性解混模型对自编码器网络结构及损失函数进行优化设计，采用光谱角距离替代编码层的内积，选择Relu函数作为编码层的激活函数，引入归一化层、dropout层，并在损失函数中添加惩罚项及正则项，构建基于小波多尺度变换的光谱保持稀疏自编码器网络。

4.根据权利要求3所述的基于光谱保持稀疏自编码器的高光谱异常检测方法，其特征在于，构建基于小波多尺度变换的光谱保持稀疏自编码器网络，具体包括如下步骤：

采用光谱角距离SAD替代编码层的内积来获得隐藏特征：

是编码层与隐藏层间的权值矩阵，其中K表示端元的数目，D表示高光谱图像的光谱带数目，是混合光谱图像，n表示样本数目；

将SAD值标准化至区间[0,1]，表示光谱的相似性；

采用Relu函数作为激活函数，Relu函数使得小于0的神经元输入值输出为0；

在Relu函数前引入归一化层：

其中，为的均值，为防止分母为0的极小值，表示对进行的归一化，是一个可训练的参数，；

引入dropout层，将经过激活函数处理后的隐藏层输出随机清零：

在稀疏自编码器的隐藏层，将每一列的最小激活值置为0：

即在隐层保留K-1个最大激活值，K为高光谱图像端元的个数；

用范数对丰度矩阵进行归一化，经过处理后的自编码器网络结构为：

其中是隐藏层与解码层间的权值矩阵，为自编码网络的输出，是混合光谱图像，n表示样本数目；

光谱保持稀疏自编码器利用加权对数项对隐层神经元输出的平均激活值进行约束，使其与一个给定的接近于0的稀疏值相近，并将它作为惩罚项添加到损失函数中；引入正则项；对权重矩阵添加正则约束，修改后的损失函数为：

其中，为不同成分的权重系数，稀疏性权重系数，表示隐藏神经元j的活跃度。

5.根据权利要求4所述的基于光谱保持稀疏自编码器的高光谱异常检测方法，其特征在于，步骤3将待测高光谱数据输入步骤2构建的光谱保持稀疏自编码器网络中，设置调整网络参数，对其进行解混操作，得到背景端元数据，计算重构误差得到所需的异常目标数据，具体步骤如下：

分别设置参数以及学习速率，采用基于随机梯度的Adam优化算法，通过最小化损失函数对模型参数进行优化；

将待测高光谱数据输入设置参数后的稀疏自编码器网络中，对待测数据进行解混操作得到背景端元数据，从待测的高光谱图像中减去得到的背景端元数据，得到所需的异常目标数据，即：。

6.根据权利要求5所述的基于光谱保持稀疏自编码器的高光谱异常检测方法，其特征在于，参数分别设置为10^-2，10^-5，0.0035，0.04，稀疏值设置为0.02，学习速率设置为10^-3。