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！

申请/专利权人：西安电子科技大学

摘要：一种基于代理辅助多目标进化神经架构搜索的高光谱图像分类方法，包括以下步骤：初始化架构信息；生成每个树形染色体对应的训练集和验证集；构建卷积神经网络；代理模型辅助多目标进化搜索：对组合后的父代种群和精英种群，使用多目标选择算法筛选新的精英种群；对新的精英种群依概率执行交叉操作生成交叉种群；对交叉种群中的个体执行变异操作，将所有的变异子代组成变异种群；将变异种群作为下一代种群；对种群进行迭代，选出最优卷积神经网络；计算卷积神经网络对高光谱图像中所有待分类的样本的分类准确率，将对应的分类准确率作为结果输出；本发明具有降低网络模型复杂度、减少网络模型计算时间和提高分类精度等优点。

主权项：1.一种基于代理辅助多目标进化神经架构搜索的高光谱图像分类方法，其特征在于，包括以下步骤：S1、初始化神经架构信息：采用树形多分支超网作为搜索空间的基本单元，并使用基于树数据结构的编码策略将代理模型参数和结构混合编码为树形染色体，在搜索的初始空间设置三个树形子网，三个树形子网组成搜索的高级网络架构；S2、生成每个树形染色体对应的训练集和验证集：使用主成分分析法PCA，对待分类的高光谱图像的输入光谱维度进行降维去噪，以降维去噪后高光谱图像中的每个图像块中心像素的地物标签作为输入数据标签，将所有图像块按预设比例划分为训练集和验证集；S3、根据步骤S1生成的树形染色体，构建卷积神经网络：遍历树编码的第一个分支的所有节点，对于每个节点生成一个卷积层，将卷积层连接起来生成分支网，所有分支子网并行连接，构建第一棵树形网络块，所有分支子网的输出聚合之后作为第一棵树形网络块的输出；从根节点特征中解码出网络包含的其他属性，并根据这些属性编码完成树形网络块的整合；搭建所有的树形网络块，将所有树形网络块的输入输出相连后，最终得到树形染色体对应的卷积神经网络；S4、代理模型辅助多目标进化搜索：随机初始化步骤S1编码的染色体组成种群Pn，初始化最大迭代次数，种群大小，代理模型在代理数据库R上的精度tau和精英种群Pn′，如果满足条件精度tau0.9，使用步骤S3卷积神经网络的构建方法，构建种群Pn对应的卷积神经网络，使用步骤S2划分的训练集和验证集对种群Pn对应的卷积神经网络进行真实训练评估，得到分类精度之后组成数据集加入到代理数据库R中，并将代理数据库R按比例划分为代理训练集和代理测试集使用代理训练集训练GIN代理模型，在代理测试集上测试精度tau，如果不满足条件，则使用GIN代理模型预测种群Pn的适应度{y1,y2,..,yN}；计算种群Pn的浮点运算复杂度适应度{q1,q2,..,qN}；组合父代种群和精英种群；S5、对步骤S4组合后的父代种群和精英种群，使用多目标选择算法筛选新的精英种群；S6、对步骤S5新的精英种群依概率执行交叉操作生成交叉种群；S7、对步骤S6得到的交叉种群中的个体执行变异操作，将所有的变异子代组成变异种群；S8、将步骤S7得到的变异种群作为下一代种群；S9、对步骤S8得到的种群进行迭代，如果当前迭代次数等于最大迭代次数，将当前迭代的种群作为最优种群，并对最优种群进行真实的训练评估，从中选择分类准确率最高的个体对应的卷积神经网络作为最优卷积神经网络；S10、将待分类的高光谱图像输入到步骤S9选择的训练好的最优卷积神经网络中，得到最终分类结果，并计算卷积神经网络对高光谱图像中所有待分类的样本的分类准确率，将对应的分类准确率作为结果输出。

全文数据：

权利要求：

百度查询： 西安电子科技大学 一种基于代理辅助多目标进化神经架构搜索的高光谱图像分类方法