[发明专利]一种基于生成对抗网络的半监督高光谱数据定量分析方法

说明书

本发明公开一种基于生成对抗网络的半监督高光谱数据定量分析方法，其步骤如下：(1)获取高光谱样本数据；(2)构建样本训练集与预测集，其中无标签的预测集样本也用于半监督训练；(3)构建基于生成对抗网络的回归网络，包括一个生成样本的生成器网络，和一个同时具有判别样本真伪与输出定量分析值功能的判别器/回归器网络；(4)构建生成对抗网络的损失函数，包括判别器损失函数，回归器损失函数，及具备样本分布匹配功能的生成器损失函数；(5)训练生成对抗网络；(6)采用训练好的回归器进行定量分析值的预测。本发明采用生成对抗网络来生成样本，并使用样本分布匹配策略来补充现有无标签样本集，提升了高光谱定量分析的精度。

技术领域：

本发明属于高光谱无损检测技术领域，具体涉及一种基于生成对抗网络的半监督高光谱数据定量分析方法。

背景技术：

基于高光谱的定量分析技术应用场景广泛，包括食品掺假检测、水果糖度检测、微生物含量检测、有机质含量检测等。常用的高光谱定量分析算法包括偏最小二乘回归(PLSR)、最小二乘支持向量机(LS-SVM)、多元线性回归(MLR)等方法，但定量分析算法的模型精度与模型健壮性仍然有待于进一步提高。尤其是现实应用场景中，面临着有标签样本不均衡，或有标签样本少等情况，更增大了建模的难度。

当前，虽然卷积神经网络已被证明具备非常强的复杂信息解析能力，并且卷积网络在遥感高光谱数据分类应用中已获得了良好的应用，但其在高光谱数据定量分析中应用仍然具有较大的难度。最主要的原因是实际应用中，高光谱数据样本，尤其是已标定的样本难以获得，小样本量带来十分大的过拟合风险。

西安电子科技大学在发明专利文献“基于多类生成对抗网络的高光谱图像分类方法”(申请号：201810648520.4)及“协作生成对抗网络和空谱联合的高光谱图像分类方法”(申请号：201810977887.8)中，采用生成对抗网络(GAN)生成光谱曲线样本，从而缓解过拟合现象，提升了高光谱数据的分类精度。然而，以上文献方法皆是针对高光谱数据分类问题展开，而采用生成对抗网络进行高光谱数据的定量分析还是存在一定难度。首先，与分类问题的离散标签不同，定量分析中标签值为连续模拟量，因此网络结构设计不能等同于半监督分类问题,无法利用k+1类或k分类对抗网络实现回归；其次，分类问题中主要利用生成数据来辅助确定分类的边界值，而在回归问题中，需要利用生成数据对样本定量值分布进行平滑。因此，需要设计全新的网络结构与损失函数来实现基于生成对抗网络的半监督高光谱数据定量分析，从而提升分析精度。

发明内容：

针对现有技术的上述不足，本发明提出了一种基于生成对抗网络的半监督高光谱数据定量分析方法。该方法通过生成对抗网络生成光谱样本，利用生成样本来达到增强样本分布连续性、抑制过拟合的目的，从而提升高光谱数据定量分析的精度。

本发明通过以下技术手段解决上述问题：

一种基于生成对抗网络的半监督高光谱数据定量分析方法，构建用于定量分析的生成对抗网络，其中生成器用于生成样本，判别器用于判别样本的真伪，同时输出定量分析结果；该方法包括如下步骤：

S1.获取有标签的高光谱样本数据及无标签的高光谱样本数据；

S2.构建样本训练集与预测集：

S2-1.将由标签样本作为训练集样本，无标签样本作为预测集样本，同时也用于半监督的训练；

S2-2.在每个训练集和预测集的高光谱样本数据块中随机取m次n个有效像素光谱曲线的均值，作为样本增强，得到的有标签和无标签平均光谱数据集记为D_label和D_unlabel；

S3.构建基于生成对抗的回归网络：