[发明专利]一种基于深度神经网络学习算法的人造卫星光谱特征分类方法

摘要

一种基于深度神经网络学习算法的人造卫星光谱特征分类方法，包括如下步骤：步骤1，人造卫星光谱数据采集；步骤2，光谱数据归一化预处理；步骤3，采用随机梯度下降算法，对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，人造卫星平台类型分类；对所观测的卫星光谱，按步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该卫星的类型。本发明有效适用于深空环境、准确性更高。

主权项

一种基于深度神经网络学习算法的人造卫星光谱特征分类方法，其特征在于：该分类方法包括如下步骤：步骤1，人造卫星光谱数据采集；利用光谱仪，采集人造卫星光谱数据以及该卫星平台类别；步骤2，光谱数据归一化预处理；步骤3，深度网络模型训练，过程如下3.1)权值初始化：取区间为均匀随机值：$4*\[-\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}},\sqrt{\frac{6}{{\mathrm{fan}}_{in}+{\mathrm{fan}}_{out}}}\]$其中，fan_in表示网络每层输入节点数，fan_out表示网络每层输出节点数；3.2)神经元的激励函数选择为sigmoid函数，对变量a，函数形式为：sigmoid(a)＝1/(1+e^‑a)3.3)设定学习率；3.4)选定批训练大小；3.5)调试每层节点数；3.6)采用堆栈去噪自编码做逐层预训练，设定训练回合数；3.7)学习算法采用随机梯度下降算法；3.8)对各层预训练后的深度网络展开为深度前馈网络，并以所训练的网络参数作为该深度网络参数的初始值，用经典的反向传播算法对网络作精细化调整，采用变学习率方法，设定训练回合数，完成深度网络训练，得到最终深度学习网络模型；步骤4，人造卫星平台类型分类；对所观测的卫星光谱，按前述步骤2作数据预处理，由步骤3所训练的深度网络模型输出每条光谱的类别，以同一个圈次中各条光谱输出类别数最多者作为该卫星的类型。