1.一种基于注意力自编码网络的高光谱异常检测方法，其特征在于，按照以下步骤具体实施：步骤1、制作训练数据集，

假设输入原始高光谱影像为 上角标w、h和d分别表示高光谱影像的宽、高和波段数；以每个像素为中心，选取其邻域大小5×5范围内的像素来表示中心像素，遍历所有像素，对于边缘像素采用镜像操作进行填充，得到n个训练样本，即 其中n＝w×h；

步骤2、采用通道注意力机制来区分不同波段对异常检测的贡献；

步骤3、采用空间注意力机制来增大异常像素与背景像素的可分性；

步骤4、采用编码网络提取空谱特征，

将经过空谱注意力模块纠正后的数据送入编码网络，得到编码后的特征向量；

步骤5、采用记忆模块弱化网络表达能力，

假设记忆矩阵 N表示记忆矩阵中包含的向量个数，C表示每个记忆向量的维度，本步骤中设定记忆矩阵的维度等于编码特征的维度，即C＝21；假设mi,|i＝1,2,...N|表示记忆矩阵的第i行，对于每一个特征向量XL，通过一个寻址向量 来在记忆矩阵中寻找与之对应的记忆向量 则寻址向量 表达式是：其中，d(·)表示余弦相似性度量，具体表达式是：在训练过程中，向量采用硬压缩策略，只保留与查询向量相似度大于特定阈值的记忆向量，具体表达式是：其中，λ为提前设置的阈值，ε为一个极小值；

步骤6、通过解码器重构输入数据，

通过解码器解码之后，得到重构数据，表达式如下：其中， 表示重构的数据，Θde表示解码器的权重，bde表示解码器的偏置项；

步骤7、在重构图像上用RX算法确定每个像素的异常程度，在得到重构的数据 后，把 拉伸成二维矩阵 其中n＝w×h表示像素个数，通过在 上用RX检测算法进行异常检测，具体表达式是：其中， 表示 的第i个样本， 表示 的均值向量， 表示 协方差矩阵的逆，Map表示最终的2D检测结果图。

2.根据权利要求1所述的基于注意力自编码网络的高光谱异常检测方法，其特征在于：所述的步骤2中，采用的通道注意力机制模块是，首先对输入的数据xi在空间维度上分别进行最大池化 和平均池化 操作，将得到的特征向量送入到具有一个隐藏层的多层感知器中，然后将两个特征向量相加，得到最终的通道注意力权重 表达式如下：其中，Maxpool(xi)表示对xi进行最大池化操作，Avgpool(xi)表示对xi进行平均池化操作，δ表示Sigmoid激活函数，W0表示MLP的编码的权重，W1表示MLP的解码的权重；将得到的通道注意力权重和训练样本xi相乘，得到经过通道注意力机制纠正的数据，即：其中， 表示逐像素相乘，Mc表示获取到的通道注意力权重。

3.根据权利要求1所述的基于注意力自编码网络的高光谱异常检测方法，其特征在于：所述的步骤3中，采用的空间注意力机制模块是，首先对纠正的数据xi′沿着光谱维度分别进行最大池化 和平均池化 操作，将得到的特征串联到一块，经过一次卷积得到空间注意力权重 卷积大小设置为3×3，表达式如下：其中，δ表示Sigmoid激活函数，f3×3表示卷积核大小为3×3的卷积操作；将得到的空间注意力机制权重与纠正的数据xi′相乘，得到经过空间注意力模块纠正的数据，即：其中 表示逐像素相乘。

4.根据权利要求1所述的基于注意力自编码网络的高光谱异常检测方法，其特征在于：所述的步骤4中，编码网络结构见表1，编码过程表达式是：XL＝f(Θen*X″+ben)，其中，XL表示编码后的特征向量，Θen表示编码器的权重参数，ben表示编码器的偏置项；

在编码过程中，每次卷积之后采用批归一化层和LReLu激活；

表1，本步骤4采用的编码网络结构

5.根据权利要求1所述的基于注意力自编码网络的高光谱异常检测方法，其特征在于：所述的步骤6中，解码器的网络结构如表2所示，与编码器对称，前三层采用LReLu激活，输出层采用Sigmoid激活，表2，本步骤6采用的解码器的网络结构