欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024111505145
申请人: 南京信息工程大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,包括:获取湖泊的高光谱图像,从高光谱图像中提取每个像素点的光谱序列数据;

将高光谱图像中每个像素点的光谱序列数据输入到预先训练好的基于退火优化算法优化的MHA-LSTM模型中,预测每个像素点的叶绿素浓度;

根据预测的每个像素点的叶绿素浓度,生成表示叶绿素分布的热力图;

所述MHA-LSTM模型包括依次连接的编码层、多头局部自注意力机制层、LSTM层、注意力门控机制层和输出层,所述编码层将输入数据映射到高维特征空间,所述多头局部自注意力机制层对编码层输出的数据进行局部自注意力计算,提取局部光谱特征;所述LSTM层对多头局部自注意力机制层输出的特征进行处理,捕捉时间序列数据中的长期依赖关系;所述注意力门控机制层对LSTM层输出的特征进行加权;所述输出层对经注意力门控机制层加权后的特征进行线性变换,输出每个像素点的叶绿素浓度预测值。

2.根据权利要求1所述的基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,所述多头局部自注意力机制层包括:为查询

通过查询

通过softmax 函数对每个注意力头的注意力得分进行归一化,得到每个位置的注意力权重;

将每个位置的注意力权重对值

通过第一全连接层将多个注意力头的局部自注意力输出进行整合,得到多头局部自注意力机制层的输出。

3.根据权利要求2所述的基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,每个一维卷积层包含64个卷积核,核大小为3×3,步长为1,填充为1。

4.根据权利要求1所述的基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,所述注意力门控机制层包括第二全连接层和Sigmoid激活函数,通过第二全连接层对输入特征进行线性变换,生成更高维度的特征表示;通过Sigmoid激活函数为每个特征表示生成一个权重向量;将输入特征与权重向量逐元素相乘,得到加权后的特征。

5.根据权利要求1所述的基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,所述MHA-LSTM模型根据以下方法得到:使用退火优化算法寻找MHA-LSTM模型的最优超参数;

根据最优超参数,构建优化后的MHA-LSTM模型;

获取湖泊光谱序列数据集,将数据集分为训练集和测试集;

使用训练集训练优化后的MHA-LSTM模型,使用测试集对训练后的MHA-LSTM模型进行测试。

6.根据权利要求5所述的基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,所述使用退火优化算法寻找MHA-LSTM模型的最优超参数,包括:定义退火优化算法的初始参数,设置模型的初始状态,设置最大迭代次数,循环执行步骤S1~S3:S1,在当前状态的基础上进行小范围随机调整生成一个新状态;

S2,根据新状态重新构建MHA-LSTM模型,利用训练集对重新构建的MHA-LSTM模型进行训练,并在测试集上评估其性能;

S3,根据新状态能否带来模型性能改善或根据预设概率条件,决定是否接受新状态;

S4,每轮迭代后判断是否满足终止条件,若不满足,降低温度并重置迭代次数,继续循环执行步骤S1~S3,直至满足终止条件,选择表现最好的状态作为模型的最优超参数。

7.根据权利要求5所述的基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,湖泊光谱序列数据集根据以下方法获取:采集湖泊现场的叶绿素浓度数据作为标签,并记录采集点的经纬度坐标;

根据采集点的经纬度坐标,在遥感影像数据中获取对应采集点的光谱序列数据;

将采集点的叶绿素浓度标签与对应的光谱序列数据进行整合,得到湖泊光谱序列数据集。

8.根据权利要求1所述的基于退火优化LSTM算法反演湖泊叶绿素的方法,其特征在于,所述根据预测的每个像素点的叶绿素浓度,生成表示叶绿素分布的热力图,包括:根据预测的每个像素点的叶绿素浓度为每个像素点着色,生成表示叶绿素分布的热力图。

9.基于退火优化LSTM算法反演湖泊叶绿素的系统,其特征在于,包括:数据获取模块,用于获取湖泊的高光谱图像,从高光谱图像中提取每个像素点的光谱序列数据;

叶绿素浓度反演模块,用于将高光谱图像中每个像素点的光谱序列数据输入到预先训练好的基于退火优化算法优化的MHA-LSTM模型中,预测每个像素点的叶绿素浓度;

热力图生成模块,用于根据预测的每个像素点的叶绿素浓度,生成表示叶绿素分布的热力图;

所述MHA-LSTM模型包括依次连接的编码层、多头局部自注意力机制层、LSTM层、注意力门控机制层和输出层,所述编码层将输入数据映射到高维特征空间,所述多头局部自注意力机制层对编码层输出的数据进行局部自注意力计算,提取局部光谱特征;所述LSTM层对多头局部自注意力机制层输出的特征进行处理,捕捉时间序列数据中的长期依赖关系;所述注意力门控机制层对LSTM层输出的特征进行加权;所述输出层对经注意力门控机制层加权后的特征进行线性变换,输出每个像素点的叶绿素浓度预测值。