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基于量化学习的高光谱图像异常检测方法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：CN116468669B 。

龙图腾网通过国家知识产权局官网在2025-07-29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：202310267283.5，技术领域涉及：G06T7/00；该发明授权基于量化学习的高光谱图像异常检测方法是由谢卫莹;马松林;陈晓钰;马纪涛;李云松;方乐缘设计研发完成，并于2023-03-17向国家知识产权局提交的专利申请。

本基于量化学习的高光谱图像异常检测方法在说明书摘要公布了：本发明提出了一种基于量化学习的高光谱图像异常检测方法，其实现步骤为：生成降维的光谱矩阵；构建一个自编码器网络；训练自编码器网络；对高光谱图像进行异常检测。本发明构建有符号8位整数量化全连接层为网络框架的自编码器进行高光谱图像异常检测，与网络参数为有符号32位浮点数的网络相比，本发明构建的自编码器网络的网络参数只需要更少的位数来表示、更少的参数计算时间和更少的硬件资源来执行运算，使得本发明提升了自编码器网络运算速率、在硬件资源受限边缘设备端上进行量化学习的有效性，同时提升了高光谱图像异常检测的精度。

本发明授权基于量化学习的高光谱图像异常检测方法在权利要求书中公布了：1.一种基于量化学习的高光谱图像异常检测方法，其特征在于，设计基于有符号8位整数量化全连接层，构建基于量化学习的自编码器网络；该异常检测方法的步骤包括如下： 步骤1，生成降维的光谱矩阵： 将一张待检测的高光谱图像中每个通道的二维图像中第一行到最后一行的像素，按行依次排列，降维得到光谱矩阵中每一列，将光谱矩阵归一化； 步骤2，构建一个自编码器网络： 步骤2.1，利用torch.nn.Linear函数，构建一个全连接层，基于全连接层结构，分别构建有符号8位整数量化全连接层的前向传播模块和反向传播模块； 步骤2.2，利用有符号8位整数量化全连接层构建由编码器与解码器串联组成的自编码器网络； 步骤2.2.1，搭建编码器，其结构依次为：第一编码量化全连接层，第一编码激活层，第二编码量化全连接层，第二编码激活层，第三编码量化全连接层，第三编码激活层；其中，第一至第三编码量化全连接层的结构相同，均采用有符号8位整数量化全连接层，第一至第三编码激活层的结构相同，均采用ReLU函数； 设置编码器的参数如下：将第一至第三编码量化全连接层的输入通道参数分别设置为待检测高光谱图像的通道数、128、64，将第一至第三编码量化全连接层的输出通道参数分别设置为128、64、20； 步骤2.2.2，搭建解码器，其结构依次为：第一解码量化全连接层，第一解码激活层，第二解码量化全连接层，第二解码激活层，第三解码量化全连接层，sigmoid层；其中，第一至第三解码量化全连接层的结构相同，均采用有符号8位整数量化全连接层，第一至第二解码激活层的结构相同，均采用ReLU函数，sigmoid层采用sigmoid函数实现； 设置解码器的参数如下：将第一至第三解码量化全连接层的输入通道参数分别设置为20、64、128，将第一至第三编码量化全连接层的输出通道参数分别设置为64、128、待检测高光谱图像的通道数； 步骤3，训练自编码器网络： 步骤3.1，设置自编码器网络训练的优化算法及基本参数； 步骤3.2，将步骤1中的光谱矩阵输入到自编码器网络中，输出重构光谱矩阵，迭代更新自编码器的网络参数，直至光谱矩阵和重构光谱矩阵的重构误差函数的损失值小于或等于0.0011时，得到训练好的自编码器网络； 步骤4，对高光谱图像进行异常检测： 步骤4.1，将步骤1中的光谱矩阵输入到训练好的自编码器网络中，得到重构光谱结果矩阵； 步骤4.2，对光谱矩阵和重构光谱结果矩阵逐元素作差，得到重构误差矩阵，求重构误差矩阵每一行的二范数值，将所有二范数值按行排列成的二范数值矩阵，将此二范数值矩阵绘图并保存异常图像。

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”。