[发明专利]面向工程的单滑窗全月着陆区选取方法及其系统

权利要求书

1.一种面向工程的单滑窗全月着陆区选取方法，其特征在于，包括：

获取全月表面坡度图；

使用滑动窗口对所述全月表面坡度图进行遍历以得到多个单窗口评价数据，其中，各个单窗口评价数据包括阈值占比、均值、变异系数、莫兰指数和综合指标；

将所述各个单窗口评价数据通过包含多个全连接层的深度神经网络模型以得到多个单窗口评价特征向量；

将所述多个单窗口评价特征向量通过基于转换器的上下文编码器以得到全局上下文关联评价特征向量；

以各个单窗口评价特征向量作为查询特征向量，计算其与所述全局上下文关联评价特征向量的转移矩阵作为分类特征矩阵以得到多个分类特征矩阵；

基于所述多个单窗口评价特征向量和所述全局上下文关联评价特征向量，对所述多个分类特征矩阵进行特征分布校正以得到多个校正后分类特征矩阵；

将各个校正后分类特征矩阵通过分类器以得到多个分类结果，各个分类结果用于表示单窗口对应的月球表面区域是否适宜着陆。

2.根据权利要求1所述的面向工程的单滑窗全月着陆区选取方法，其特征在于，将所述各个单窗口评价数据通过包含多个全连接层的深度神经网络模型以得到多个单窗口评价特征向量，包括：

将所述各个单窗口评价数据排列为评价数据输入向量；

使用所述深度神经网络模型的多个全连接层以如下公式对所述评价数据输入向量进行全连接编码以提取出所述评价数据输入向量中各个位置的特征值的高维隐含特征，其中，所述公式为： ，其中是所述评价数据输入向量，是输出向量，是权重矩阵，是偏置向量，表示矩阵乘。

3.根据权利要求2所述的面向工程的单滑窗全月着陆区选取方法，其特征在于，将所述多个单窗口评价特征向量通过基于转换器的上下文编码器以得到全局上下文关联评价特征向量，包括：

将所述多个单窗口评价特征向量输入所述基于转换器的上下文编码器以得到多个单窗口评价语义特征向量；

将所述多个单窗口评价语义特征向量进行级联以得到所述全局上下文关联评价特征向量。

4.根据权利要求3所述的面向工程的单滑窗全月着陆区选取方法，其特征在于，以各个单窗口评价特征向量作为查询特征向量，计算其与所述全局上下文关联评价特征向量的转移矩阵作为分类特征矩阵以得到多个分类特征矩阵，包括：

以如下公式计算所述各个单窗口评价特征向量与所述全局上下文关联评价特征向量的转移矩阵作为分类特征矩阵以得到所述多个分类特征矩阵；

其中，所述公式为：

其中，表示所述各个单窗口评价特征向量，表示所述全局上下文关联评价特征向量，表示所述多个分类特征矩阵，表示向量相乘。

5.根据权利要求4所述的面向工程的单滑窗全月着陆区选取方法，其特征在于，基于所述多个单窗口评价特征向量和所述全局上下文关联评价特征向量，对所述多个分类特征矩阵进行特征分布校正以得到多个校正后分类特征矩阵，包括：

将所述分类特征矩阵通过作为特征提取器的辅助卷积神经网络以得到权重特征图；

对所述权重特征图中进行特征相关性累积区分机制建模以得到权重特征向量；

将所述权重特征向量分别与所述各个单窗口评价特征向量和所述全局上下文关联评价特征向量进行按位置点乘以得到多个优化单窗口评价特征向量与优化全局上下文关联评价特征向量；

以所述多个优化单窗口评价特征向量作为查询特征向量，计算其与所述优化全局上下文关联评价特征向量的转移矩阵以得到所述校正后分类特征矩阵。

6.根据权利要求5所述的面向工程的单滑窗全月着陆区选取方法，其特征在于，将所述分类特征矩阵通过作为特征提取器的辅助卷积神经网络以得到权重特征图，包括：

所述作为特征提取器的辅助卷积神经网络的各层在层的正向传递中分别进行：

对输入数据进行卷积处理以得到卷积特征图；

对所述卷积特征图进行基于局部特征矩阵的均值池化以得到池化特征图；

对所述池化特征图进行非线性激活以得到激活特征图；

其中，所述作为特征提取器的辅助卷积神经网络的最后一层的输出为所述权重特征图，所述作为特征提取器的辅助卷积神经网络的第一层的输入为所述分类特征矩阵。