CN119438102A 基于深度学习的原位高光谱反演水质参数方法 （河海大学）_第1页
CN119438102A 基于深度学习的原位高光谱反演水质参数方法 （河海大学）_第2页
CN119438102A 基于深度学习的原位高光谱反演水质参数方法 （河海大学）_第3页
CN119438102A 基于深度学习的原位高光谱反演水质参数方法 （河海大学）_第4页
CN119438102A 基于深度学习的原位高光谱反演水质参数方法 （河海大学）_第5页
已阅读5页，还剩18页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

号基于深度学习的原位高光谱反演水质参数本发明公开了一种基于深度学习的原位高利用CNN提取局部特征和Transformer捕捉全局2步骤3：将步骤1中剔除的无标注数据组合，一条分支利用CNN提取局部特征，一条分支利用Transformer3对于给定输入序列X，每个元素首先通过线性变换生成查询向量(Query)Q、键向量QKvQkv是可学习的权重矩阵；i是一次单独的自注意力计算：FNN(X)＝W2)+b2i4模型初始化层设定为卷积分支的第一个卷积模块以及Transformer分支的第一个于每条长为L的光谱带随机生成长度为k的遮挡掩码块，其中每个掩码块以r1和r2的概率为所述步骤5针对所述步骤4中所得的原位高光谱水质参数反演模型采用归一化均方根误差并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1_9中要求1_9中任一项所述的基于深度学习的原位高光谱反演水质参数方5原位高光谱反演水质参数方法，结合卷积神经网络(CNN)与Transformer构建并行网络模6[0013]所述步骤2中所述模型结构由卷积模块和Transformer模块并联再与全连接层串误差(MeanSquaredError,MSE)作7[0031]在Transformer编码器中，多头注意力用于捕捉不同子空间的特征，其计算方式)+b2[0042]所述步骤3中，采用随机遮挡和噪声注入的自监督学习策略对模型初始化层进行[0043]模型初始化层设定为卷积分支的第一个卷积模块以及Transformer分支的第一个于每条长为L的光谱带随机生成长度为k的遮挡掩码块，其中每个掩码块以r1和r2的概率为[0046]所述步骤5针对所述步骤4中所得的原位高光谱水质参数反演模型采用归一化均8处理器执行时实现所述的基于深度学习的原位高光谱反演水质参数方[0052](1)采用深度学习的方法，基于卷积神经网络(CNN)与Transformer对原位高光谱[0055](4)本发明解决了传统线性或非线性模型依靠先验知识、对不同水域反演的泛化[0057]图2为本发明实例实施中卷积神经网络(CNN)与Transformer并行网络以及自监督形式的修改均落于本申请所附权利要求所限9用两种网络分别提取不同维度的特征。模型结构由卷积模块和Transformer模块并联再与2[0075]在Transformer编码器中，多头注意力用于捕捉不同子空间的特征，其计算方式)+b2[0098]步骤6：将训练所得后经过评估的原位高光谱水质参数反演模型运用于实际水质行编码并生成多尺度特征图，随后利用Transfo

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论