[发明专利]基于自动编码器和多层感知器网络的黄河主溜光谱建模方法

摘要

本发明公开了一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法，用于解决现有建模方法自适应性差的技术问题。技术方案是综合考虑水分子的吸收系数和散射系数，泥沙颗粒的吸收系数和散射系数，光的入射角，水层向上散射角等诸多因素；采用自动编码器后接多层感知器形成的神经网络结构，利用训练数据进行学习，最终获得黄河主溜光谱模型。自动编码器具有去除冗余信息，对噪声鲁棒的特点，因此有利于获得鲁棒的参数估计结果。本发明建立的黄河主溜光谱模型结合主溜成因，综合考虑了水体、泥沙、光照等方面的因素，采用自动编码器和多层感知器网络作为模型参数估计方法，能够更具数据自动获得具体模型参数，具有良好的可扩展性和自适应性。

主权项

1.一种基于自动编码器和多层感知器网络的黄河主溜光谱建模方法，其特征在于包括以下步骤：步骤一、根据黄河主溜的水流速度、泥沙含量、河床深度和水体宽度建立黄河主溜光谱模型，具体如下：y＝f(x),x＝[βw,βs,αw,αs,θ,Θ,pw(Θ),ps(Θ),v]    (1)其中，y是需要的遥感特征机理表示，x为所有相关因素组成的输入向量；βw、βs分别为水分子、水中泥沙颗粒的散射系数，αw、αs分别为水和泥沙的吸收系数，θ为水体中光的入射角，Θ为水层垂直向上的散射角，pw(Θ)、ps(Θ)分别为水和泥沙散射的相函数，v为水体流速；步骤二、建立自动编码器和多层感知器网络结构；网络的输入层L1由九个节点构成，每个节点代表一个式(1)中x的各个分量；L2层由五个节点组成，L2层的激励函数是Sigmoid函数；L3层节点数为九，激励函数是Sigmoid函数，L3层输出表示输入层数据去噪后的结果；L4层由256个节点构成，各节点激励函数均为Sigmoid函数；输出层L5共有七个节点，共同构成一个光谱特性向量，L5层激励函数为S函数；步骤三、将模型参数的估计所用的神经网络看作是自动编码器网络和多层感知器网络的首尾连接构成的，其训练步骤分为自动编码器网络的训练过程和多层感知器网络的训练过程两部分；对于自动编码器网络，首先进行前向传播，具体过程如下：其中，z(2)为L2各节点的输入，b(1)表示偏置，W(1)代表权重，a(2)表示L2层的输出；继续完成L2层到L3层的前向传播过程；自动编码器网络的反向传播过程将误差由后层传向前层，实现对网络参数的调整，具体过程为：定义网络的代价函数为其中，a⁽³⁾为L₃层的输出；在该代价函数定义下，a⁽³⁾无限接近于x；反向传播过程中网络参数更新如下：其中，W(l)为第l层的权重，b(l)为第l层的偏置，a为网络学习率；对于多层感知器网络，以L₃层的输出作为其输入开始；在进行反向传播时，第L₅层处的代价函数定义为