CN119418224A 基于人工智能的卫星遥感目标数据识别方法 （西安彬林电子科技有限公司）

区草滩生态产业园草滩三路588号1幢基于人工智能的卫星遥感目标数据识别方法本发明公开了基于人工智能的卫星遥感目分解的生成对抗网络进行样本生成，扩充数据2S1、通过对采集的光谱向量进行卫星遥感的目标识分布式联邦学习的模型训练架构为：每一轮迭代中各节点S4、采用卫星遥感目标数据识别模型进行数据述的步骤S3中的基于多尺度光谱分解的生成对抗网络算法的训S301、采用基于小波变换的权重初始化策略对生,,,3,采用基于光谱角映射的动态特征校正策略提升数据扩充算法中生成数据的光谱真实,式中，Vc为对输入噪声zc进行变换的分段线性映射函数g:(a,9)；,G.()'为多尺度优化阶段的生成器函数，concat()为不同尺度处理结果的串联，wca为,S305、在细调阶段与多尺度优化阶段，细调阶段与4,述的步骤S4中的光谱向量特征降维模块采用自编码器算法对光谱向量特征,,,,5,,,为L2范数；,骤S4中的遥感目标数据分类模块采用基于共轭梯度补偿的核极限学习机算法作为分类器,6,和x分别为向量x和x的第i个元素，nu是为核极限学习机的输入特征的,,采用自适应特征权重调节策略动态调整输入特征的权重，根据每个特在每次迭代中，根据特征对损失函数的贡献度自动调整其权重,,度；w)为第t+1次迭代的核极限学习机的权重矩阵，为第t次迭代的核极限学习机的7第t次迭代的核极限学习机的学习率调整系数,极限学习机的损失函数关于权重的梯度，w-1)为第t_1次迭代的核极限学习机的权重矩,,nu设置为0.01；,述的步骤S1中的分布式联邦学习的模型训练架构采用联邦平均算法作为模型的聚合算法，,8,,,9[0002]随着遥感技术的发展，高光谱卫星传感器能够捕捉地表反射的不同波长光谱数分组数的乘积相等为原则，直接将高维的高光谱向量信号在光谱波段维度上等分成若干[0004]公开号为CN114493318A的中国发明专利提出一种基于加权NMF的高光谱反射曲线[0005]公开号为CN114416768A的中国发明专利提出一种增强型遗传算法的光谱匹配方述光谱数据库由n个m维的离散化的光谱向量l_n(λ)组成，匹配数学模型表示为k_n为匹配[0006]现有技术存在以下问题:在传遥感目标数据识别模型包括光谱向量特征降维模块和遥感目标数据,,,机噪声分布，为期望，为从真实数据分布中采样的数据，为服从于特定分布，,设置为0.5；采用基于光谱角映射的动态特征校正策略提升数据扩充算法中生成数据的光谱,式中，Vc为对输入噪声zc进行变换的分段线,G.()'为多尺度优化阶段的生成器函数，concat()为不同尺度处理结果的串联，为适应不同尺度的数据处理需求，第j个尺度的非线性激活函数的计算方式表示,,,r为自编码器权重的均值偏移，or为自编码,,,,(),,,,,,和x分别为向量x和x的第i个元素，un是为核极限学习机的输入特,,,,w)为第t+1次迭代的核极限学习机的权重矩阵，为第t次迭代的核极限学第t次迭代的核极限学习机的学习率调整系数,,,,,,以第t次迭代时，设第k个节点的参数梯度为VFios,(ow)，则在第t次迭代时模型,,[0014]本发明的有益效果如下1）本发明针对传统集中式训练模式中数据资源孤岛问[0021]分布式联邦学习的模型训练架构为：每一轮迭代中各节点分别进行本地模型训,所拥有的样本总数为De，且第k个节点的样本数量为Disx，则联邦学习的目标函数定义,,[0024]以第t次迭代时，设第k个节点的参数梯度为VFios,(ow)，则在第t次迭代时模型,,,,,机噪声分布，为期望，为从真实数据分布中采样的数据，为服从于特定分布，,设置为0.5；[0034]采用基于光谱角映射的动态特征校正策略提升数据扩充算法中生成数据的光谱,式中，Vc为对输入噪声zc进行变换的分段线,G.()'为多尺度优化阶段的生成器函数，concat()为不同尺度处理结果的串联，[0036]为适应不同尺度的数据处理需求，第j个尺度的非线性激活函数的计算方式表示,,据数据的特定特性优化损失权重，增强对关键光谱特征的敏感性kd为当前批次输入的光[0040]本实施例的光谱向量特征降维模块采用自编码器算法对光谱向量特征进行降,r为自编码器权重的均值偏移，or为自编码,,,,(),,,,[0049]遥感目标数据分类模块采用基于共轭梯度补偿的核极限学习机算法作为分类器,,和x分别为向量x和x的第i个元素，un是为核极限学习机的输入特,,,,w)为第t+1次迭代的核极限学习机的权重矩阵，为第t次迭代的核极限学,