支持向量机的动物血液光谱特征提取和识别分类

利用光谱检测和数据挖掘实现不同种类动物血液光谱数据的精确识别与分类具有重要意义,目前尚未见到较为完善及普适的相关研究报道。实验采集了鸽、鸡、鼠、羊四种动物全血和红细胞溶液(浓度为1%)的荧光光谱数据;基于小波变换的软阈值去噪方法,首先对原始光谱数据进行去噪处理,并确定了717个原始特征(包括荧光峰强度值、荧光峰连线斜率等4类特征);提出以"区分度统计量"为核心的特征提取方法,结合主成分分析法和平均影响值算法,实现了对717个原始特征到2个识别特征的高效筛选;进一步建立了径向基核函数的支持向量机分类器,对四类不同动物的全血荧光光谱数据实现了准确率为100%的识别分类,对红细胞荧光光谱数据实现了94.69%~99.12%的识别率;最后蒙特卡洛交叉验证的结果表明所提出的思路和方法对于动物全血溶液的识别分类具有较好的泛化能力,能对荧光光谱数据进行准确的识别分类,因此能够在进出口检查、食品安全、医药等领域发挥重要作用。针对动物血液荧光光谱,提出的基于"区分度统计量"的特征提取方法,相比于传统的人为特征选取方法,能够从大量原始特征中自动提取少量且有效的识别特征,具有较强的普适性和高效性,为其他领域的光谱特征提取和识别分类提供了一种新的思路。     

基于叶绿素荧光光谱和反射光谱的甜瓜种子品种鉴别

甜瓜的品种多样，富含多种营养成分，甜瓜种子品种不纯将对甜瓜生产造成一定危害，研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种，以甜瓜品种“一特白”、“一特金”、“京蜜7号”、“京蜜11号”、“伊丽莎白”为研究对象。构建了甜瓜种子品种鉴别光谱系统，包括激发光源单元、光谱数据采集单元和数据处理单元，使用该系统获取不同品种甜瓜种子的光谱数据。对光谱数据分别进行一阶导数(first derivative, FD)，Savitzky-Golay(SG) 平滑，FD结合SG平滑预处理。采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数，提取主成分。使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集，并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果，结果显示，使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果，Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。研究结果表明，采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。     

基于BP神经网络的人体血液中红细胞浓度无创检测

采用BP神经网络算法模型对人体血液红细胞浓度进行无创检测。对获取的动态光谱数据和红细胞实测值利用BP神经网络进行建模分析,校正集输出对期望值的跟踪较好,相关系数R达到了0.993,用建立起的BP神经网络模型去检验预测集输出值,得到预测集的相对误差最大为4.7%,平均相对误差为2.1%,预测能力较为理想。结果表明:用BP神经网络模型能够较准确的处理动态光谱数据和人体红细胞实际值的非线性关系,提高了血液成分无创测量在临床上应用的可行性,具有较高的应用价值。     

BP神经网络结合ATLD与三维荧光光谱法测量水中多环芳烃

多环芳烃(PAHs)是煤，石油，木材，烟草等燃料和有机高分子化合物等有机物不完全燃烧时产生的一种持久性有机污染物。迄今已发现有200多种PAHs，其中有多种PAHs具有致癌性。PAHs广泛分布于我们生活的环境中，水中的PAHs主要来源于生活污水，工业排水和大气沉降。使用三维荧光光谱法，结合BP神经网络与交替三线性分解(ATLD)算法对水中的PAHs进行定性和定量分析。以苊（ANA）和芴（FLU）2种PAHs为目标分析物，用甲醇（光谱级）制备样本。使用FS920稳态荧光光谱仪对样本进行检测，设置激发波长为200～370 nm，间隔10 nm记录一个数据；发射波长为240～390 nm，间隔2 nm记录一个数据。设置初始发射波长总是滞后激发波长40 nm，以消除一级瑞利散射的干扰。随后使用BP神经网络法对待测样本数据进行预处理。利用BP神经网络基于误差反向传播算法(error back propagation training，BP)原理，对测得的三维荧光数据进行数据压缩处理，该方法具有柔性的网络结构与很强的非线性映射能力，网络的输入层、隐含层和输出层的神经元个数可根据实际情况设定，并且网络的结构不同时，性能也有所差异。随后，用ATLD算法分解预处理后的三维荧光光谱数据。采用核一致诊断法确定待测样本的组分数为2。结果表明，ATLD算法分解得到两种PAHs(ANA和FLU)的激发、发射光谱图与目标光谱非常相似，能实现光谱重叠严重的PAHs(ANA和FLU)的快速定性和定量分析，实现了以“数学分离”代替“化学分离”。将预测样本导入训练好的BP神经网络中，得到处理后待测样本数据的网络均方差（MSE）均小于0.003，网络的峰值信噪比（PSNR）均大于120dB（数据压缩中典型的峰值信噪比值在30～40 dB之间，越高越好），可见BP神经网络对样本数据的压缩效果较好。BP神经网络训练后，得到输出值与目标值之间的拟合度高，拟合系数达0.998，具有较好的数据压缩效果。使用ATLD算法对待测样本进行分解后得到平均回收率为97.1％和98.9％，预测均方根误差为0.081 8和0.098 5 μg·L-1。三维荧光光谱结合BP神经网络和ATLD能够实现痕量PAHs的快速检测。     

联合光谱-空间信息的短波红外高光谱图像茶叶识别模型

茶叶种类识别和等级划分的实践意义重大。成像光谱技术较传统检测、识别手段具有图谱合一及快速无损等优势。获取了君山银针、无锡白茶、信阳毛尖、和六安瓜片4种外观相近的线条形茶叶的短波红外（1 000~2 500 nm）高光谱图像。首先利用最小噪声分数(MNF)和非参数权重特征提取(NWFE)将高维高光谱数据投影到低维子空间，然后用单因素方差分析(ANOVA)重新评估投影特征的可分性并选择对茶叶识别较为有效子空间，同时考虑到“光谱和特征”能较好地表征物质反射属性，将选择的投影子空间MNF₁，MNF₂，MNF₄，MNF₆，MNF₈，NWFE₁，NWFE₂，及“光谱和特征”一起作为光谱特征集并用SVM分类器获得光谱特征下像元的分类结果。另一方面，利用图像本质分解（IID）算法将高光谱图像的光谱分解为自身反射光谱R与阴影成分S；在均质性较优的光谱范围（1 006~1 900 nm）按照光谱距离对R求取梯度图像并用分水岭算法实现了图像空间分割，得到空间相关度较高的分割子块。最后，将像元分类和图像分割结果进行融合，具体：在每个图像分割子块中，重新统计像元分类结果并按照最大投票法对整个子块的类别进行赋值，也即联合光谱-空间信息的茶叶识别模型。结果表明，构建的模型对4种茶叶的识别结果较为满意，在仅为约1%水平的训练样本下，茶叶的总体分类精度达94.3%，Kappa系数为0.92。该模型还较好地克服了茶叶光谱的“同物异谱”现象，并期待方法对实践生产具有指导意义。     

基于三维荧光光谱结合二维线性判别分析的油类识别方法的研究

油类污染严重威胁到自然环境及人类健康。因此,识别和处理油类污染非常重要。由于三维荧光光谱能够表征石油的荧光特征,故一般利用三维荧光光谱法检测溶液中存在的油类污染物。但油类的三维荧光光谱数据维度较高且直接分析的难度较大,因此可以利用数据降维方法提取原始油类样本的光谱特征,并利用所得到的光谱特征对样本进行识别。基于此,利用二维线性判别分析（2D-LDA）对油类样本进行特征提取,研究提取的不同样本光谱特征的差别,将得到的光谱特征作为K最近邻（KNN）分类的输入,得到相应的分类结果。首先,分别配制四种不同的油类（柴油、汽油、航空煤油、润滑油）样本各20个,共计得到80个油类样本;然后,利用FS920光谱仪采集所有油类样本的三维荧光光谱数据;其次,对采集到的光谱数据进行预处理,去除光谱中散射的干扰并标准化;最后,利用2D-LDA算法对样本进行特征提取,利用KNN算法进行分类,并将其分类结果与经主成分分析(PCA)进行特征提取后的分类结果比较。研究结果表明,2D-LDA提取特征的分类效果优于PCA。利用2D-LDA分别提取发射和激发特征得到测试集识别的准确率相同且都为95%,而将发射和激发光谱特征的分类距离相结合并重新进行分类的准确率为100%。表明两类光谱相对于三维荧光光谱具有互补性,将发射和激发光谱特征相结合能够更好地对样本进行分类。而利用PCA对测试集识别的准确率仅为85%,表明2D-LDA对三维荧光光谱数据的特征提取效果更好。与PCA相比,2D-LDA通过类内散度和类间散度最大化投影向量来提取样本的特征,使得同类样本尽可能接近,不同样本尽可能分离。因此,2D-LDA具有使降维后的数据更容易被区分的特点,故其鲁棒性好。该研究为油类的降维识别提供了一种参考。     

基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISOO传感器获得的64波段数据进行试验.首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据(20维)、提取后数据的纹理变换(20维)和主成分分析的前(20维),组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类(MDC)算法(40.88%).通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性.     

提高结肠早癌诊断率的荧光光谱小波特征提取与神经网络分类方法研究

提出了一种新的荧光光谱特征提取与模式分类方法以提高激光诱导5-ALA-PpⅨ荧光光谱对早期结肠癌的诊断准确率.利用小波多尺度分析法提取荧光光谱特征量,对提取的特征量采用基于Rprop算法的BP神经网络进行模式分类.对20只DMH诱导的SD大鼠,12只诱导鼠的第二代鼠,8只正常SD大鼠,按25 mg·kg-1体重剂量尾静脉注射5-ALA溶液,150 min后利用波长为370 nm的钛宝石激光进行活体检测.对预处理后的504条荧光光谱,利用小波多尺度分析法提取12个特征量,BP神经网络将其分为正常组与非正常组(非典型增生、早癌和进展期癌),分类敏感性与特异性分别为98.91%和97.2%,非典型增生、早癌及进展期癌对正常组织的识别准确率分别为91.3%,98.85%及98.79%.结果表明此方法不仅对早期结肠癌具有较高的诊断率,且更利于临床实时诊断.     

基于BP神经网络提高伪装目标识别概率的研究

采用静态迈克尔逊干涉仪对待测目标进行光谱识别,在空间干涉长度不变的条件下,应用BP神经网络算法对混合光谱分离过程进行优化,从而达到提高伪装目标识别概率的目的。由干涉仪及线阵CCD记录视场内所有位置上的光谱信息,构成混合光谱数据集合,以已知材料的标准吸收光谱作为隐含层的规则依据,将BP神经网络应用于混合光谱的分离。实验采用不同距离、不同背景组合的混合光谱作为初始数据,以1.5 m×1.5 m钢板做成四种待测目标,由静态迈克尔逊干涉仪得到混合光谱,BP神经网络算法与传统光谱吸收算法对无伪装目标的识别率都在90%以上,对具有伪装效果的待测目标识别概率分别为75.5%和31.7%,所以采用BP神经网络可有效地提高伪装目标的识别概率。     

PCA-BP模型在判别基于LIF技术煤矿突水水源的应用

防治煤矿突水时需迅速精准地判别突水水源,激光诱导荧光(LIF)光谱技术具有灵敏度高、快速准确监测特点,为检测突水水源提供了一种新的方法.该研究引入该技术以获取突水荧光光谱数据.采用卷积(SG)平滑和多元散射校正(MSC)方法对光谱图进行预处理,以消除光谱采集过程中噪声干扰.采用主成分分析(PCA)方法提取特征信息,针对SG预处理后的数据,当主成分个数为3时,累积贡献率可达到99.76％,已基本保留原数据的全信息.选择3层结构BP神经网络建立分类判别模型,通过不同方式构造训练集和测试集,SG预处理数据构建的分类模型可以达到精准判别,而对于MSC预处理和原始数据出现很少的误判.实验结果表明SG预处理结果要优于MSC预处理.研究结果表明,将PCA和BP神经网络结合建立分类模型,能有效判别煤矿突水水源,且具有较强的自组织、自学习能力.     

基于子频带能量特征提取的汽车鸣笛声识别*

针对城市中汽车违法鸣笛声之间识别分类较难的问题，为了快速准确的识别鸣笛声并将不同种鸣笛声之间进行分类，在鸣笛声识别分类中提出了应用子频带能量提取鸣笛声的特征，并利用BP神经网络对提取的子频带能量特征值矩阵进行学习训练，且在神经网络学习过程中利用可变学习速度的方法，减小了神经网络的迭代次数。实验表明利用此种子频带能量特征提取法使鸣笛声与非鸣笛声的平均识别率达到了94.889%；使不同鸣笛声之间的分类正确率最大达到了93.75%，实现了不同鸣笛声之间的分类。     

基于三维荧光谱特征分析的油种鉴别技术的研究

介绍了运用神经网络进行模式识别的基本原理,将主成分分析法和BP神经网络相结合,提出矿物油三维荧光谱鉴别方案,并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量,组成原始特征向量,采用主成分分析法进行预处理,而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数,消除了各输入变量的相关性,同时简化了网络结构,提高了程序运行的速度.通过实例进行了分析,结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别,同时该系统也可用于其它物质的光谱识别技术领域.     

基于BP神经网络的车牌字符识别算法研究

车牌字符识别是车牌识别系统中的关键环节。采用图像处理和神经网络相结合的方法设计新的车牌字符识别算法,先对分割出的车牌字符进行归一化处理,然后进行SOBEI．边缘检测和角点特征提取,最后输入BP神经网络进行训练、识别,其中BP神经网络模型属于改进型神经网络。通过一系列神经网络训练和仿真实验,车牌识别速度和正确率得到了明显的提高。     

非线性荧光光谱的神经网络分析及其应用

大功率超快脉冲激光和气体相互作用可产生非线性荧光光谱,不同的气体分子具有不同的非线性荧光光谱。因而这种光谱可以作为物质的指纹模式加以识别分类,进而获知气体的成分。由于不同气体分子的光谱在同一波段上有很大的交叉重叠,用传统的光谱分析方法分析存在困难,采用神经网络方法分析上述非线性荧光光谱,利用经过预处理的荧光光谱数据作为模式样本,其中一部分样本作为学习样本对级联神经网络进行训练,用训练好的网络对所有样本进行实时识别,学习样本和测试样本的的正确识别率均可达100％,结果表明此方法可实时判断混合气体的组分。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

基于PCA和PNN的高甘油三脂血清荧光光谱识别

基于主成分分析和概率神经网络,提出了一种有效识别高甘油三脂血清荧光光谱的新方法.研究测量了正常和高甘油三脂血清在290 nm和350 nm激发光下产生的荧光光谱,并分别以3种采样间隔(1 nm、2 nm和5 nm)提取荧光强度作为样品的初始特征;利用主成分分析法对初始特征进行分析,以累积可信度大于95%的主成分作为样品特征;构建了4层概率神经网络,并分析了平滑系数和采样间隔对识别效果的影响.实验结果表明,当采样间隔采用5 nm,平滑系数位于0.26~0.92区间时,正常和高甘油三脂血清样品的识别率可达到95%和100%.     

数据驱动模型的血液物种光谱检测技术

介绍一种基于光谱检测和数据驱动模型的非接触式血液物种识别技术。选取了4个物种(猴144，大鼠203，狗133，人169)共计649个血样作为原始样本。超连续谱激光光源的波长范围是450～2 400 nm。分别采集抗凝管盛装血液样本的后向散射可见光谱(294～1 160 nm)和十个不同空间位点的前向散射近红外光谱(1 021～1 757 nm)，将十一条光谱数据顺序连接为一维数据作为每个样本的原始数据。利用主成分分析法对数据集进行特征信息提取，保留原始差异信息量的99.99%，同时将数据量压缩为原始数据量的1.5%，提高分类识别的运算效率。对不同数量的训练集和验证集进行训练预测实验表明，十折交叉验证的识别误差率随着样本数量的增加而降低，样本库规模的增大可以提高识别的精确度。由于数据驱动模型是基于机器学习算法的数据流处理模型，因而可以采用多种不同的分类算法实现。通过比较人工神经网络、支持向量机、偏最小二乘回归、多元线性回归、随机森林和朴素贝叶斯的识别效果可以发现，不同算法的识别效果具有类别差异性，即各个算法的正确识别率排序在不同的物种中是有差异的。因而实际应用中，在选择数据驱动模型时，除了需要考虑算法的整体识别率之外，当对部分类别的识别效果有额外要求时，还应该考虑算法本身的类别差异性。     

一维空洞卷积神经网络的矿物光谱分类

矿物光谱综合反映了岩矿的物理化学特性、组分和内部结构特征,已被应用于岩矿识别研究。传统的矿物光谱分类方法需要先对矿物光谱进行预处理,再采用不同方法分析光谱特征,从而实现分类目的。但同时也会造成部分光谱信息丢失,导致最终分类精度不高且操作过程繁琐、效率低下,难以应对日益增长的大数据处理需求。因此,建立一个准确、高效的矿物光谱自动分类模型意义重大。卷积神经网络是应用最广泛的深度学习模型之一,它通过逐层抽取数据特征并组合形成高层语义信息,具有极强的模型表达能力,在光谱数据分析方面应用潜力巨大。针对矿物光谱数据的特点,提出了基于一维空洞卷积神经网络（1D-DCNN）的矿物光谱分类方法,利用空洞卷积神经网络提取光谱特征,采用反向传播算法结合随机梯度下降优化器调整模型参数,输出光谱分类结果,实现了矿物类别的端到端检测。该网络包含1个输入层、3个空洞卷积层、2个池化层、2个全连接层和1个输出层,采用交叉熵为损失函数,引入空洞卷积扩大滤波器感受野,有效避免光谱细节特征丢失。实验采集了白云母、白云石、方解石、高岭石四种矿物光谱,并通过添加噪声的方式进行数据增强,构建数量充足的矿物光谱样本用于神经网络模型训练与测试;探讨了卷积类型、迭代次数对模型分类结果的影响,并与多种传统矿物光谱分类方法进行对比,评价模型性能。实验结果表明,提出的1D-DCNN模型可实现矿物光谱快速准确分类,分类准确率达到99.32%,优于反向传播算法（BP）和支持向量机（SVM）,说明所提方法能够充分学习矿物光谱特征并有效分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到煤炭、油气、月壤等其他领域光谱分类应用中。