[发明专利]一种基于深度神经网络的矿物含量光谱反演方法

权利要求书

1.一种基于深度神经网络的矿物含量光谱反演方法，其特征在于：包括以下步骤：

步骤S1：采集多种矿物混合的光谱作为深度神经网络的样本，并标识出每条光谱所对应的矿物名称及其含量；

步骤S2：设置第一层深度神经网络架构，正向计算输入层、隐含层和输出层；

对于输入层：将每一条样本光谱转化为一个列向量作为输入层，输入层的神经元个数为光谱的波段数；

对于隐含层：隐含层的神经元个数为样本矿物种类数，通过公式(1)、公式(2)计算隐含层每个神经元的激活值：

z＝w¹*x+b¹ (2)

其中，w¹和b¹均为第一层神经网络的系数矩阵；

a²为第二层神经网络神经元的激活值；

对于输出层：输出层神经元个数为输入层光谱的波段数；

步骤S3：构建第一层神经网络的误差函数，采用迭代的方式不断调整神经网络各层神经元的参数使误差函数最小，从而训练出第一层神经网络系数矩阵w¹和b¹；

步骤S4：采用后向传播的算法，计算输出层估计值与实际值之间的残差并将该残差从输出层向隐藏层反向传播，直至传播到输入层，计算隐含层和输入层每个神经元的残差；

在反向传播的过程中，根据公式(3)、公式(4)，不断迭代更新神经网络系数矩阵，直至误差函数收敛，达到最小，存储获取的最终神经网络系数矩阵；

其中，

wⁿ和bⁿ为第n层神经网络系数矩阵；

w¹和b¹第一层神经网络系数矩阵；

δⁿ⁺¹为n+1层估计值与n+1层实际值之间的残差；

为第n层学习率；

m为n+1层神经元的个数；

aⁿ为第n层神经网络神经元的激活值；

beta为第n+1层学习率；

步骤S5：设置下一层深度神经网络架构，采用前一层神经网络的隐含层作为下一层深度神经网络的输入；重复步骤S2、S3、S4，获得下一层深度神经网络的隐含层的激活值和神经网络系数矩阵；

步骤S6：构建最后一层神经网络，将前一层深度神经网络的隐含层的激活值作为矿物含量光谱反演器的输入，输出层为矿物含量，矿物含量用属于该矿物的概率P表示，训练得到一个能将二阶光谱特征映射到矿物含量的模型；

首先采用公式(5)计算每个光谱二阶特征值对应的输出激活值，即矿物含量；

其中，

θ为最后一层深度神经网络的系数矩阵；

h_i²为倒数第二层深度神经网络的隐含层的激活值，i表示第i个样品；

之后构建公式(6)所示矿物含量反演的误差函数；

其中，

m₀为样品个数，即光谱个数；

k为最后一层深度神经网络隐含层神经元个数；

y_i为标记的样品矿物含量值；

θ_j为最后一层深度神经网络的系数矩阵，即输出层的系数矩阵，j表示对应最后一层深度神经网络的神经元；

ρ为最后一层神经网络的惩罚项；

计算误差函数的偏导数，采用梯度下降法，迭代直到收敛，获得最后一层深度神经网络的系数矩阵θ_ji；

步骤S7：采用后向传播的算法，计算最后一层神经网络矿物含量与实际值之间的残差，按照步骤S4并将该残差从最后一层神经网络向倒数第二层神经网络反向传播，直至传播到第一层神经网络输入层，计算整个神经网络每个神经元的残差，不断迭代更新每一层神经网络系数矩阵，直至误差函数收敛，达到最小，存储获取的最终神经网络系数每一层神经网络系数矩阵；

步骤S8：将未知样品光谱输入已构建好的深度神经网络中，计算网络所有的神经元激活值，最后一层输出层为每种矿物的含量值。

2.根据权利要求1所述的一种基于深度神经网络的矿物含量光谱反演方法，其特征在于：步骤S2中，第一层神经网络的系数矩阵w¹和b¹初始值采用随机数。

3.根据权利要求1所述的一种基于深度神经网络的矿物含量光谱反演方法，其特征在于：步骤S3中，通过隐含层样本点的激活值均值相对熵的稀疏限制算法实现特征光谱的提取。