1.面向软件定义卫星的高光谱图像类脑分类方法,其特征在于,包括以下步骤:步骤1:在地面控制中心内构建并训练基于类脑注意力机制的脉冲神经网络模型ASNN,所述ASNN模型用于对高光谱图像进行分类;所述ASNN模型的网络架构包括11层,按照对高光谱图像的处理顺序分别为:输入层、第一脉冲卷积层、第二脉冲卷积层、第一脉冲池化层、第三脉冲卷积层、第四脉冲卷积层、第五脉冲卷积层、第二脉冲池化层、脉冲注意力机制层、全连接层和输出层;所述ASNN模型的神经元类型包括Izhikevich神经元和池化神经元;其中,所述Izhikevich神经元和所述池化神经元共同实现脉冲信号的累加,当二者内部脉冲信号均超过设定的阈值时,神经元产生激发并通过网络实现脉冲信号的信息传播;
步骤2:将训练好的ASNN模型上传至软件定义卫星,并在所述软件定义卫星内部署好支持所述ASNN模型运行的软硬件环境;
步骤3:所述地面控制中心控制所述软件定义卫星获取高光谱图像;
步骤4:在所述软件定义卫星内对所述高光谱图像进行预处理后输入至所述ASNN模型,得到高光谱图像的实时分类结果;
步骤5:所述地面控制中心从所述软件定义卫星处下载所述高光谱图像和对应的分类结果。
2.根据权利要求1所述的面向软件定义卫星的高光谱图像类脑分类方法,其特征在于,所述脉冲注意力机制层中包括空间注意力模块;所述空间注意力模块的计算方法如公式(3)所示:其中,τ
3.根据权利要求1所述的面向软件定义卫星的高光谱图像类脑分类方法,其特征在于,所述脉冲注意力机制层中包括通道注意力模块;所述通道注意力模块通过压缩操作将特征通道中的高光谱图像特征图压缩成一个实数作为该特征通道的通道值,然后通过激发操作为每个特征通道生成权重系数,最后将特征通道的通道值乘以对应的权重系数作为该特征通道的输出;
其中,所述压缩操作的计算方法如公式(4)所示:
其中,u
4.根据权利要求3所述的面向软件定义卫星的高光谱图像类脑分类方法,其特征在于,所述通过激发操作为每个特征通道生成权重系数,具体包括:通过自动学习的方式获取每个特征通道的重要程度,根据所述重要程度为每个特征通道生成权重系数。
5.根据权利要求1所述的面向软件定义卫星的高光谱图像类脑分类方法,其特征在于,步骤1中,在训练ASNN模型时,采用近似求导误差反向传播算法实现脉冲信号的传递,采用基于集成学习的分类器进行分类。
6.根据权利要求1所述的面向软件定义卫星的高光谱图像类脑分类方法,其特征在于,步骤4中,所述对所述高光谱图像进行预处理后输入至所述ASNN模型具体包括:对所述高光谱图像进行主成分分析处理,得到所述高光谱图像中的有效高光谱数据;
将所述有效高光谱数据进行图像分割得到若干个设定大小的矩阵块,将每个所述矩阵块依次通过脉冲生成器生成脉冲信号并输入至所述ASNN模型。
7.根据权利要求6所述的面向软件定义卫星的高光谱图像类脑分类方法,其特征在于,所述脉冲信号为符合泊松分布的脉冲信号。