56、深度学习与空间光照环境下的目标识别技术

深度学习与空间光照环境下的目标识别技术

一、可配置深度学习范式

在深度学习领域，可配置深度学习范式是一个具有创新性的理念。传统的监督学习范式有其局限性，而可配置监督学习范式则有明显优势，模型学习到的内容能超越样本数据水平，具备更通用的映射能力，为通用人工智能研究提供了新途径。

1. 模型训练方法
   • 多配置条件顺序训练方法（MCCST） ：先根据不同配置条件对训练样本数据进行分类，再依据不同配置条件间的关系对样本数据集排序，最后用于模型训练。每个配置条件的数据集仅参与指定训练阶段的若干次迭代，该阶段配置条件保持不变，操作过程相对简单。
   • 多配置混合训练方法（MCHT） ：每次模型更新由不同配置条件的数据样本参与。通过随机采样，从样本空间中提取小批量数据用于模型权重更新，同一训练阶段的配置参数不同。

以下是对应的算法代码：

# 多配置条件小批量梯度下降顺序训练算法
def MCCST(dataset, e, theta, r):
    m = len(dataset)
    t = 0
    for step in range(1, m + 1):
        current_set = dataset[step - 1]
        for _ in range(e):
            mini_batch = random.sample(current_set,