1.一种基于深度神经网络的极光图像聚类方法，其特征在于，包括以下步骤：

步骤1：使用全部待聚类的极光图像预训练基于VGGNet16的深度卷积自编码器DCAE_VGG；具体包括：步骤1.1：将VGGNet16与自编码器相结合搭建深度卷积自编码器DCAE_VGG模型结构；

DCAE_VGG模型结构由编码部分、隐藏层和解码部分构成，编码部分中保留VGGNet16的前五组神经网络及对应的池化层，用一个长度为512的全连接层替换原有的三个全连接层和softmax层；隐藏层为一个长度为10的全连接层，用于表征极光图像的低维特征向量；解码部分由一个长度为512的全连接层和四个反卷积层组成；

步骤1.2：将待聚类的极光图像的尺寸调整为64*64并输入DCAE_VGG中，训练DCAE_VGG直至损失函数收敛，其中DCAE_VGG使用随机梯度下降法优化参数值，选用均方误差作为损失函数；

步骤1.3：保存DCAE_VGG的模型结构与模型参数；

步骤2：使用训练好的DCAE_VGG提取每幅极光图像的特征向量；

步骤3：使用由Siamese、SpectralNet和k均值聚类组成的聚类网络对特征向量进行聚类。

2.根据权利要求1所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤2具体为：调用保存好的DCAE_VGG的模型结构与模型参数，仅使用DCAE_VGG的编码部分与隐藏层部分的模型结构与参数，将待聚类的n幅极光图像输入DCAE_VGG的编码部分，通过DCAE_VGG的隐藏层获得这些图像的特征向量{x1，x2，...，xn}。

3.根据权利要求2所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤3具体包括：步骤3.1：通过构建正/负相似对训练集来训练Siamese网络，训练好的Siamese网络在步骤3.2中用于计算SpectralNet中的相似度矩阵W；

步骤3.2：训练SpectralNet，获得输入{x1，x2，...，xn}对应的映射输出{y1，y2，...，yn}，即y＝Fθ(x)，θ为SpectralNet的参数；

步骤3.3：对{y1，y2，...，yn}使用k均值聚类法进行聚类，得到聚类结果。

4.根据权利要求3所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤3.1具体包括：步骤3.1.1：通过计算两个特征向量的欧氏距离，为Siamese网络构建正/负相似对训练集，Siamese网络将每个点的k个最近邻点标记为正相似对，随机选择等量的非近邻点标记为负相似对，k的数值通过设置Siamese网络相似对的个数确定；

步骤3.1.2：训练Siamese网络，获得映射关系 其中θSiamese表示Siamese网络的参数，Siamese网络将每一个特征向量xi映射为另一个空间中的zi，在训练过程中通过最小化损失函数确定映射关系，Siamese网络的损失函数Lsiamese定义为：其中c为常数，Siamese网络训练完成后，在步骤3.2中使用||zi‑zj||代替欧氏距离||xi‑xj||来计算SpextralNet中的相似度矩阵W。

5.根据权利要求4所述的一种基于深度神经网络的极光图像聚类方法，其特征在于，步骤3.2具体包括：步骤3.2.1：从全部极光图像的特征向量{x1，x2，...，xn}中随机抽取一组数量为m的小批量特征样本{x1，x2，...，xm}，这m个极光图像的特征样本通过SpectralNet的正交层后获得其对应的映射输出步骤3.2.2：计算Cholesky分解因式

步骤3.2.3：设置SpectralNet正交层的权重为

步骤3.2.4：从全部极光图像的特征向量{x1，x2，...，xn}中随机抽取一组数量为m的小批量特征样本{x1，x2，...，xm}，将这m个极光图像的特征样本输入训练好的Siamese网络，得到输出为m×m的相似度矩阵W；

步骤3.2.5：将极光图像特征样本{x1，x2，...，xm}输入SpectralNet，计算SpectralNet的损失函数LSpectralNet(θ)，用其梯度来调整SpectralNet除正交层以外的其它层的权重，LSpectralNet(θ)定义为：步骤3.2.6：重复步骤3.2.1‑步骤3.2.5，当损失函数LSpectralNet(θ)收敛时，SpectralNet的参数及权重确定，SpectralNet训练完成；

步骤3.2.7：将待聚类的极光图像的特征向量{x1，x2，...，xn}输入训练好的SpectralNet，即获得对应的映射输出{y1，y2，...，yn}。