买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网恭喜西安交通大学申请的专利一种基于混合傅立叶算子Transformer网络的高光谱图像分类方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN115272766B 。

龙图腾网通过国家知识产权局官网在2025-04-22发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202210913601.6，技术领域涉及：G06V10/764；该发明授权一种基于混合傅立叶算子Transformer网络的高光谱图像分类方法是由穆廷魁;龚航设计研发完成，并于2022-08-01向国家知识产权局提交的专利申请。

本一种基于混合傅立叶算子Transformer网络的高光谱图像分类方法在说明书摘要公布了：一种基于混合傅立叶算子Transformer网络的高光谱图像分类方法，将高光谱图像数据集划分训练集和测试集；建立混合傅立叶算子Transformer网络；使用训练集训练得到训练好的分类模型，并用测试集测试其分类性能；利用满足分类性能的分类模型即可对高光谱图像进行分类。本发明傅立叶算子Transformer网络包含分组光谱嵌入模块、混合傅立叶算子Transformer编码器网络、跨层特征融合模块；能够从高光谱图像的相邻波段学习空间光谱序列信息，降低网络的计算复杂度，并减少在逐层传播过程中丢失有价值信息的可能性，实验结果显示本发明优于卷积神经网络的检测性能与计算效率，满足高光谱图像精细分类的需求。

本发明授权一种基于混合傅立叶算子Transformer网络的高光谱图像分类方法在权利要求书中公布了：1.一种基于混合傅立叶算子Transformer网络的高光谱图像分类方法，其特征在于，包括以下步骤：步骤1，获取高光谱图像数据集并划分训练集和测试集；步骤2，建立混合傅立叶算子Transformer网络；所述混合傅立叶算子Transformer网络包括分组光谱嵌入模块、混合傅立叶算子Transformer编码器网络和跨层特征融合模块；所述分组光谱嵌入模块将待分类的高光谱图像按照设定数量的相邻光谱波段进行重叠分组，并进行特征嵌入，生成光谱特征序列；所述混合傅立叶算子Transformer编码器网络以所述光谱特征序列为输入，其一共包括四层，依次为编码器一、编码器二、编码器三和编码器四，其中编码器一和编码器二为标准Transformer编码器，编码器三和编码器四为傅立叶算子Transformer编码器；所述跨层特征融合模块，将编码器一的输出与编码器三的输出融合，作为编码器四的输入，将编码器二的输出与编码器四的输出融合，并经过一个全连接层，作为所述混合傅立叶算子Transformer网络的输出；所述分组光谱嵌入模块的特征嵌入矩阵A表示如下：A＝WX＝Wgxx为待分类的高光谱图像的像素，x＝[x1,x2,...,xm]∈R1×m，xm表示第m个波段的像素，m为波段数量；函数g·表示重叠分组操作；X∈Rn×m对应于x的分组表示，n表示最近邻的波段数量，W为变量；所述设定数量为大于1的奇数，将重叠分组之后得到的特征向量加入位置编码，编码与特征向量合成token组合，生成光谱特征序列y，y＝[y1,y2,...,ym]，y的长度为m，y1,y2,...,ym表示高光谱图像每一个波段的序列化特征向量；所述标准Transformer编码器的核心是多头注意力机制，傅立叶算子Transformer编码器的核心是离散傅立叶算子；所述傅立叶算子Transformer编码器包含一个傅立叶算子和一个全连接层，全连接层的输入是傅立叶算子的输出；所述傅立叶算子表示如下： 式中，rn表示傅立叶算子Transformer编码器的输入，{rn}表示光谱特征序列，n∈[0,N-1]，n表示光谱波段数量，k表示傅立叶变换后的频域采样间隔，N为傅立叶变换中周期序列的周期，对于每个k，离散傅立叶变换生成一个新的表示Rk，Rk是所有输入rn的总和；所述跨层特征融合模块中，通过残差连接实现融合；步骤3，使用训练集训练所述混合傅立叶算子Transformer网络，得到训练好的分类模型，并用测试集测试其分类性能；步骤4，利用满足分类性能的分类模型对高光谱图像进行分类。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安交通大学，其通讯地址为：710049 陕西省西安市碑林区咸宁西路28号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。