买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉西安电子科技大学申请的专利一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法、系统、设备及介质获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117131376B 。

龙图腾网通过国家知识产权局官网在2026-01-30发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311115700.0，技术领域涉及：G06F18/214；该发明授权一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法、系统、设备及介质是由王佳宁;华筝;郭思颖;姚雨琼;郝盛佳;胡金雨设计研发完成，并于2023-08-31向国家知识产权局提交的专利申请。

本一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法、系统、设备及介质在说明书摘要公布了：一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法、系统、设备及介质，方法包括：构建持续学习任务，对每个任务中的数据进行空谱背景筛选预处理，得到背景集，将第一个任务的背景集作为训练集，其他任务先进行重放，得到的重放集和背景集作为训练集，用训练集交替训练ViT生成对抗网模型，同时为当前任务和上一个任务的生成器构建F范数正则化损失项，最后将当前任务之前的数据作为测试集输入到训练好的生成器中，测试得到最终结果后，令任务数加1，并返回执行预处理；系统、设备及介质，用于实现一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法；具有持续检测在跨域高光谱图像中异常的特点。

本发明授权一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法、系统、设备及介质在权利要求书中公布了：1.一种基于视变换结合生成对抗网络进行持续学习的高光谱跨域鲁棒异常检测方法，其特征在于，包括以下步骤： 步骤1、构建满足高光谱图像持续学习的t个任务； 步骤2、对步骤1构建的任务中的每个数据进行空谱背景筛选预处理，得到背景集，具体步骤如下： 步骤2.1、设定一个包含M×N个像素，每个像素有O个通道的高光谱图像HSI，利用PCA将通道降维至C维C≤O，表示为其中，表示Y中坐标为i,j的光谱向量，Y分为异常样本集A和背景集B，即Y＝[A,B],A∪B＝Y捕获背景集的代表性特征后，利用得到重建的背景样本，使得的分布与背景集的分布近似，其中，G代表视变换生成对抗网络中的生成器，B代表背景集，m代表当前任务数，m∈1,2,…,t； 步骤2.2、对步骤2.1中的Y,m∈1,2,…,t使用余弦相似度计算局部区域内相邻像素的距离，余弦相似度的计算表示为：相似度大于设定阈值的像素被保留为背景样本，其他样本被标记为异常样本，即得到粗糙背景掩码矩阵其中，τ是背景像素相似度的阈值； 步骤2.3、对步骤2.1中Ym,m∈1,2,…,t进行基于块的空谱特征融合来增强空间信息，计算大小为w×w局部区域的平均向量：其中，r是每个w×w局部区域中光谱向量的索引，将平均向量与光谱向量拼接来增强空间信息：其中，表示包含i,j坐标的原始光谱信息与局部空间信息的向量，表示拼接运算，得到HSI的空谱特征矩阵： 步骤2.4、以步骤2.2的粗糙背景掩码矩阵Km,m∈1,2,…,t为索引，对步骤2.3的空谱特征矩阵Fm,m∈1,2,…,t划分异常样本集Am和背景集Bm，异常样本集Am表示为：背景集表示为：其中，ai表示异常样本集Am中的第i个样本，na表示异常样本集Am中的样本数，bi表示背景集中的第i个样本，nb表示背景集中的样本数，B代表背景集，m代表当前任务数，m∈1,2,…,t； 步骤3、当t＝1时，将步骤2得到的背景集作为训练集，并执行步骤4； 否则，利用聚类算法对t-1个任务数据进行重放操作，得到重放样本集，并将步骤2中得到的背景集和步骤3中得到的重放样本集的并集作为训练集，并执行步骤4； 步骤4、搭建具有级联的生成器和判别器结构的ViT生成对抗网模型，具体步骤如下： 步骤4.1、搭建生成器：生成器包括串联在一起的编码器1、解码器和编码器2，编码器1和编码器2具有相同的结构，利用编码器1和编码器2辅助训练解码器： 步骤4.1.1、采用三个全连接层和一个深度可分离卷积层构成编码器1，利用编码器1将步骤3中的训练集的数据映射至潜在空间中； 步骤4.1.2、采用四个全连接层构成解码器，利用解码器将步骤4.1.1中潜在空间中的数据映射至与步骤3中训练集相同尺寸的光谱向量； 步骤4.1.3、采用三个全连接层和一个深度可分离卷积层构成编码器2，利用编码器2对步骤4.1.2中光谱向量进行映射，得到潜在空间向量； 步骤4.2、搭建具有ViT网络结构的判别器：判别器包括按照数据逻辑处理顺序依次设置的多尺度卷积层、视变换层和输出层，利用判别器辅助训练生成器： 步骤4.2.1、多尺度卷积层包括并联的三层卷积核大小不同的一维卷积层和一个一维卷积层，利用多尺度卷积层得到融合多级特征的中间向量； 步骤4.2.2、视变换层包括L多头自注意力、归一化层和残差连接结构，利用视变换层将步骤4.2.1中的中间向量映射到包含关键特征的注意力向量；视变换层可以表示为： 其中，LN为层归一化函数，表示为：i表示该层的神经元之一，μ和σ分别表示神经元的输出在batch中的均值和标准差，∈是一个常数，L2_MHSA表示L多头自注意力； 步骤4.2.3、采用一个Sigmoid层构成输出层，利用输出层将步骤4.2.2中的注意力向量进行映射，得到真假判断结果； 步骤4.3、将步骤4.1中搭建的生成器与步骤4.2中搭建的判别器级联得到ViT生成对抗网模型； 步骤5、当t＝1时，利用步骤3中的训练集交替训练步骤4中的ViT生成对抗网模型的生成器和判别器，得到训练好的ViT生成对抗网模型，并执行步骤6； 否则，利用步骤3中的训练集交替训练步骤4中的ViT生成对抗网模型的生成器和判别器，同时为当前任务和上一个任务的生成器构建F范数正则化损失项，并执行步骤6； 定义Lf表示F范数正则化损失，强制第t-1个任务的重建图像离第t个任务的距离变近，对于第t个任务，假设重放样本在当前生成器Gt生成的重建样本表示为Zt，每个数据点的输出表示为在第T-1个任务时的生成器生成的重建样本表示为Zt-1，根据输出表示Zt计算当前生成器生成的重建样本的协方差矩阵，表示为： 其中，b表示batch_size； 根据Zt-1中像素为零的位置i,J在Zt中的像素矩阵记为Zt[mask]，对应的像素点个数记为num，计算类别相关的协方差矩阵： 更新累计协方差矩阵为： P_W+＝P_X+P_C-I， I表示与P_C相同维度的单位矩阵； 最终得到每一个任务t的F范数正则化损失为： Lf＝λ*‖P_W-I‖F； 步骤6、将t个任务下的数据作为测试集，将测试集输入步骤5训练好的ViT生成对抗网模型中，进行测试得到最终结果后，令t＝t+1，并返回执行步骤2。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人西安电子科技大学，其通讯地址为：710071 陕西省西安市雁塔区太白南路2号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。

以上内容由龙图腾AI智能生成。