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多智能体特征选择模型的高光谱图像波段选择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：CN115830454B 。

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：202211626264.9，技术领域涉及：G06V20/10；该发明授权基于多智能体特征选择模型的高光谱图像波段选择方法是由冯婕;高其杨;李杰;焦李成;尚荣华;张向荣;王蓉芳;慕彩虹设计研发完成，并于2022-12-16向国家知识产权局提交的专利申请。

本基于多智能体特征选择模型的高光谱图像波段选择方法在说明书摘要公布了：本发明提出了一种基于多智能体特征选择模型的高光谱图像波段选择方法，主要解决高光谱波段选择动作空间较大、探索方向随机和运行时间较长的问题。实现步骤为：生成训练集；构建并训练评估分类网络；构建并训练多智能体特征选择模型过程中引入教师进行指导；利用训练好的多智能体波段选择模型进行波段选择。本发明采用多智能体进行波段选择，能够使动作空间降低到2维，引入教师对智能体的选择进行指导，引导智能体的探索朝向更优的方向，设计预训练的评估分类网络来评估不同波段集合，减少了算法整体的运行时间。

本发明授权基于多智能体特征选择模型的高光谱图像波段选择方法在权利要求书中公布了：1.一种基于多智能体特征选择模型的高光谱图像波段选择方法，其特征在于，构建多智能体特征选择模型，分别利用教师和训练好的评估分类网络对选择模型进行训练；该方法的具体步骤包括如下： 步骤1，生成训练集： 步骤1.1，输入一幅至少含有3个波段，每个波段含有像素最小为25*25的高光谱图像，并标注有真实标签向量； 步骤1.2，以高光谱图像中的每个像素为中心，划定一个25×25像素大小的空间窗；将每个空间窗内所有的像素组成一个数据立方体；将高光谱图像中所有的数据立方体组成高光谱图像的样本集； 步骤1.3，在高光谱图像的样本集中，随机选取5％的样本，组成高光谱图像的训练集； 步骤2，构建多智能体特征选择模型： 生成由N个结构相同的神经网络组成的多智能体特征选择模型，每个神经网络代表一个智能体，每个智能体代表高光谱图像中的一个波段；每个神经网络的结构为：第一全连接层，第二全连接层和第三全连接层；将第一至第三全连接层的节点个数分别设置为16、100、2；其中，N的取值与输入的高光谱图像的波段数目相等； 步骤3，训练评估分类网络： 将训练集输入到评估分类网络中，训练集中所有样本的预测标签向量；利用交叉熵公式，计算预测标签向量与真实标签向量之间的交叉熵；采用梯度下降法，迭代更新评估分类网络参数，直至网络损失函数收敛为止，得到训练好的评估分类网络； 步骤4，训练每个智能体波段选择模型： 步骤4.1，生成一个长度与输入高光谱图像波段数目相同的向量，向量中每个元素对应一个波段，初始向量中的元素值全为0；当初始向量分别输入到每一个智能体中后智能体选择的波段所对应的元素置为1，以此组成当前时刻的状态向量s； 步骤4.2，将当前时刻的状态向量s分别输入到每一个智能体中，得到当前时刻的智能体动作a，将当前时刻的状态向量s和智能体动作a组成当前智能体波段集合，并计算当前智能体波段集合的分类精度； 步骤4.3，以当前智能体波段集合的分类精度作为标准，利用波段选择模型所选的三个波段分类精度高的模型作为教师，在教师和智能体之间进行交互学习，教师会对智能体选择的波段集合进行优化，得到优化后的当前智能体波段集合，以优化后的当前智能体波段集合更新优化前的状态向量，得到下一时刻的状态向量s'； 步骤4.4，将更新后的智能体波段集合输入到训练好的评估分类网络中，输出该集合的预测标签向量； 步骤4.5，计算预测标签向量的分类精度； 步骤4.6，利用Q学习公式，更新多智能体特征选择模型中的每个智能体参数； 步骤4.7，重复执行步骤4.2至步骤4.6共90次，得到训练好的多智能体特征选择模型； 步骤5，选择高光谱图像的波段： 步骤5.1，采用与步骤1.2相同的方式，对待选择波段的高光谱图像进行处理，得到样本集； 步骤5.2，将样本集输入到训练好的多智能体特征选择模型中，输出选择的波段集合。

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”。