基于DCGAN的拉曼光谱样本扩充及应用研究

拉曼光谱检测方法依赖于化学计量学算法,深度学习是当下最炙手可热的方向,可应用于拉曼光谱进行建模。但是深度学习需要大样本进行训练,而拉曼光谱采集受制于器材和人力成本,获取大批量的样本需要更大成本,且易受荧光等因素干扰,这些问题都制约了将深度学习应用于拉曼光谱。针对以上问题,通过引入深度卷积生成对抗网络（DCGAN）提取拉曼光谱内部特征,对抗生成新的拉曼光谱,从而达到扩充数据集目的。同时和另一个扩充数据集的方法--偏移法进行对比,证明DCGAN的可靠性。设计生成光谱选取标准,选取高相似性的光谱填充数据集,为深度学习在拉曼光谱中的应用奠定基础。为了验证生成的光谱比原始光谱有更好的适用性,设计四组实验：（1）使用原始拉曼光谱输入到SVM进行分类,得到51.92%的分类准确率;（2）使用原始拉曼光谱输入到CNN进行分类,得到75.00%的分类准确率;（3）采用偏移法生成光谱,输入到CNN里进行分类,得到91.85%的分类准确率;（4）使用DCGAN生成光谱,输入到CNN里进行分类,得到98.52%分类准确率。实验结果表明,DCGAN能在只有少量拉曼光谱的情况下,通过对抗学习得到较好的生成光谱,且生成的光谱相比原光谱更加清晰,减少了可能的干扰因素,具有光谱预处理效果。通过DCGAN对抗生成大量高质量的数据填充到原有拉曼光谱数据集,扩充数据集的样本量,使得深度学习模型能够得到更好的训练,从而提高模型的准确率。该研究为深度学习方法应用于拉曼光谱分析技术提出了一个可行的方案。     

基于一维卷积神经网络的雌激素粉末拉曼光谱定性分类

拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域,但传统拉曼光谱分析过程中的预处理主要依赖人为经验,光谱特征提取虽然能够降低信号维度,同时也会造成部分光谱信息损失。特性相近物质本身光谱相似度较高,受到测量过程中环境干扰和分析过程中多种误差影响,导致最终分类效果并不理想。针对此问题,提出基于一维卷积神经网络（one-dimensional convolution neural network,1D-CNN）的拉曼光谱定性分类方法。实验采集雌酮（Estrone）、雌二醇（Estradiol）,雌三醇（Estriol）三种不同雌性激素粉末的拉曼光谱,设计随机平移、添加噪声和随机加权三种光谱数据增强方法,构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试;基于拉曼光谱数据特点提出一维卷积神经网络分类模型,将光谱预处理、特征提取和定性分类的全过程融为一体。通过大量仿真实验,优化所提出的神经网络模型超参数和训练过程并测试分类效果,从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比,评价模型性能。实验结果表明,本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类,分类正确率最高可达98.26%,分析过程中无需光谱预处理和特征提取步骤,简化了光谱分析流程,并能保留更多有效信息。同时,当模拟测量噪声强度达到60 dBW时,传统方法分类正确率均明显出现不同程度明显降低,卷积神经网络模型依然能够取得96.81%的分类正确率,说明相比对传统拉曼光谱分类方法,所提出方法受光谱测量噪声影响更小,鲁棒性更强,适用于分析更复杂现场测量的强噪声拉曼光谱信号。该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。     

拉曼光谱结合WGANGP-ResNet算法鉴别病原菌种类

快速准确识别病原菌在防止传染病的传播、帮助对抗抗菌素耐药性和改善病人预后方面起着关键作用。拉曼光谱结合机器学习算法能够简单快捷地对病原菌进行无标记检测。然而,病原菌种类和表型繁多,并且深度学习需要依赖大量样本训练,而收集大批量病原菌拉曼光谱劳神费力,且易受荧光等因素影响。针对上述问题,提出一种基于WGAN-GP数据增强方法和ResNet结合的病原菌拉曼光谱检测模型。采用五种常见眼科病原菌的拉曼光谱。将采集到的原始数据归一化作为ResNet和传统卷积神经网络(1D-CNN)的输入,将经过SG滤波、 airPLS基线校正、 PCA降维等预处理后的数据作为K近邻(KNN)的输入,对比分析发现ResNet模型效果最优,其分类精度可达96%;搭建Wasserstein生成式对抗网络加梯度惩罚模型(WGAN-GP),生成大量与真实数据相似的高分辨率光谱数据。同时与偏移法、深度卷积生成式对抗神经网络(DCGAN)2种数据增强方法进行比对,证明WGAN-GP的可靠性;为验证生成数据可以丰富数据多样性,进而提高分类精度,将扩充后的数据集重新放入ResNet进行训练,最终WGAN-GP结合ResNet的分...     

基于高维拉曼光谱数据的变压器油纸绝缘老化评估方法研究

采用激光拉曼光谱技术对变压器油纸绝缘老化状态检测是一种有效的方法。随着样本量的扩充,亟待处理的数据集维度逐渐增大,研究适用于高维拉曼光谱数据的变压器油纸绝缘老化评估方法具有重要的意义。设计与现场变压器内部绝缘结构相似的油纸绝缘环境,进行加速热老化实验并定期采样,获取到10类老化程度依次递增的油样本,采用激光拉曼光谱技术对样本进行检测。选用复合稀疏导数建模法对样本原始拉曼光谱数据预处理,可以一步完成去噪与基线校正;引入差异特征选取方法筛选不同老化程度下光谱中变化显著的特征,计算同一拉曼频移下不同老化程度的特征点数据集方差,选择差异较大的数据序列所对应的拉曼特征变量,设定方差阈值为0.5进行特征选择,每个样本都从1 023个光谱特征点抽取出304个特征点进行后续分析;针对变压器油纸绝缘老化拉曼光谱高维样本数据集,引入多种不同类型的算法对其处理。分别运用K-means聚类算法、Fisher算法与随机森林算法对获取到的样本预处理后的数据建立模型,引入评估准确度、提升度以及Kappa系数对各算法建立的模型判别效果进行评估。结果表明：有监督学习的Fisher算法与随机森林算法效果较好,相对于无监督学习的K-means聚类算法,模型判别能力分别提升了1.166 6和1.95,论证了有监督学习模型在变压器油纸绝缘老化的评估中具有判别优势;从模型判别准确度和Kappa系数来看,强分类器随机森林算法建立的判别模型均高于Fisher判别模型,其准确度提升了10%,且Kappa系数上升了0.111 5,论证了随机森林算法作为由多个单一分类器组成的强分类器,相对单一分类器来说,在变压器油纸绝缘老化的评估中模型的泛化能力较好,且模型较为稳定可靠。通过对三种不同类型的算法对比,确定了在变压器油纸绝缘老化评估中,有监督学习强分类器随机森林算法的判别优势,为变压器油纸绝缘老化的有效评估打下了基础。     

基于拉曼光谱的已知混合物组分定量分析方法

利用拉曼光谱进行混合物组分定量分析一直是分析化学领域的一大难题。针对现有的基于机器学习(如支持向量回归机、偏最小二乘)的混合物定量分析方法存在的训练样本难以获得、模型推广性能差的问题,提出了一种基于拉曼光谱谱峰强度最小二乘拟合的已知混合物组分直接定量分析方法。该方法首先采集已知混合物及其各组分的拉曼光谱,利用连续小波变换和惩罚最小二乘法相结合的方法对采集的拉曼光谱进行去噪、基线校正等预处理。通过斜率比较法将预处理后的拉曼光谱分为多个光谱子区间,将各子区间的拉曼光谱看作是多个Voigt函数的线性叠加,并利用levenberg-marquardt-fletcher(LMF)算法求解获得各谱峰的位置、强度、半高宽等表达系数。根据各组分参考光谱的谱峰位置,确定各组分对混合物光谱中每个谱峰的贡献度。依据朗伯-比尔定律中拉曼光谱的谱峰峰强与其所对应的浓度的正比关系,建立超定方程;最后利用最小二乘法拟合该超定方程得到各组分对应的系数,从而获得各组分的体积浓度。利用乙醇、乙腈、丙酮、环己烷、二丙酮醇、丙二酸二乙酯六种组分配置了10种三元混合物(每种三元混合物9个体积浓度比),采集了90组混合物及6种组分的拉曼光谱数据。在混合物及其组分参考光谱测量条件(功率和积分时间)相同情况下,所有组分的相关系数(r)均在0.96以上,均方根误差(RMSE)小于6%,剩余预测偏差(RPD)均大于2.5;在混合物及其组分参考光谱在不同测量条件下,各组分的r均大于0.93,最大RMSE为7.94%, RPD均大于2.0,证明了算法具有良好的准确性和鲁棒性。所提出的方法能够实现对三组分混合物的快速、准确的直接定量分析,为混合物的定量分析提供了一种有效的途径。     

稀疏降噪自编码算法用于近红外光谱鉴别真假药的研究

近红外光谱分析技术作为一种快速、无损检测技术十分适用于真假药品现场鉴别。自编码网络作为当前机器学习领域研究的热点受到广泛关注,自编码网络是一种典型的深度学习网络模型,它比传统的潜层学习方法具有更强的模型表示能力。自编码网络使用贪婪逐层预训练算法,通过最小化各层网络的重构误差,依次训练网络的每一层,进而训练整个网络。通过对数据进行白化预处理并使用无监督算法对输入数据进行逐层重构,使网络更有效的学习到数据的内部结构特征。之后使用带标签数据通过监督学习算法对整个网络进行调优。首先对真假琥乙红霉素片的近红外光谱数据进行预处理以及白化预处理,通过白化处理降低数据特征之间的相关性,使数据各特征具有相同的方差。数据处理之后利用稀疏降噪自编码网络针对真假药品光谱数据建立分类模型,并将稀疏降噪自编码网络模型与BP神经网络以及SVM算法在分类准确率及算法稳定性方面进行对比。结果表明对光谱数据进行白化预处理能有效提升稀疏降噪自编码网络的分类准确率。并且自编码网络分类准确率在不同训练样本数量下均高于BP神经网络,SVM算法在少量训练样本的情况下更有优势,但在训练数据集样本数达到一定数量后,自编码网络的分类准确率将优于SVM算法。在算法稳定性方面,自编码网络较之BP神经网络和SVM算法也更稳定。使用稀疏降噪自编码网络对真假药品近红外光谱数据进行建模,能对真假药品进行有效的鉴别。     

拉曼光谱技术在病理诊断中的研究进展

拉曼光谱技术能够提供与物质特定分子结构相关的光谱信息,可用于识别生物组织微小的生化变异,具有快速、实时、无损、无需样本预处理等优点,在临床病理诊断领域极具应用前景。与常规组织病理学分析相比,拉曼光谱技术能够直接检测活体组织,简化了分析程序,缩短了诊断时间。人体病变组织的细胞分子组成和结构可能发生变化,这为拉曼光谱技术在组织病理诊断中的应用提供了检测依据。基于组织分子组成与结构的差异,结合机器学习和化学计量学方法,拉曼光谱技术可以提供客观的诊断信息,实现快速、低侵入的病理诊断。回顾了近十年来拉曼光谱技术在组织病理诊断中的研究进展,对取得的关键成果进行了总结,阐述了当前离体和活体应用拉曼光谱技术的一些关键问题。针对离体拉曼光谱检测,重点评估福尔马林固定石蜡包埋样本、冷冻样本和新鲜组织样本等离体样本的适用情况;阐述拉曼光谱数据收集的关键技术,包括适用光源、光谱范围,以及病理样本光谱采集的方式等。对于活体拉曼光谱检测,重点介绍了活体检测研究中拉曼光谱技术应用的两种形式：结合医用内窥镜进行体内检测,以及开放手术中的直接检测;综述了临床适用的拉曼系统,重点介绍了当前活体拉曼研究中应用的光纤探头。同时,文章也讨论了拉曼光谱数据的处理与分析方法,通过光谱预处理,特征提取与分类识别,构建拉曼光谱病理诊断模型,在小样本范围能够获得较好的诊断结果。考虑临床实际应用,仍需要不断优化分析方法,实现拉曼光谱与生化信息的关联,将样本个体差异的影响纳入分类模型中,以提升模型性能。文章对拉曼光谱应用于病理诊断中的关键问题进行了讨论,为进一步开展研究提供参考。未来需要更深入和广泛地开展离体和活体研究,以促进拉曼光谱技术在临床中的应用。     

基于块稀疏学习的光谱基线校正方法

光谱数据在采集过程中易发生基线偏移现象,导致后续的鉴别和分析结果偏离真实值。因此,在光谱数据分析前,需利用基线校正技术获取更为准确的光谱数据。基于稀疏贝叶斯学习（SBL）的基线校正方法无需人工选择参数,基线校正结果在贝叶斯框架下具有最优性。然而,现有的稀疏贝叶斯建模较为简单,无法适用于复杂的稀疏结构。在实际应用中,当纯谱的某些谱峰较宽时,对应的稀疏向量将具有一定的块稀疏特性。利用额外的块稀疏结构,有助于进一步提升SBL方法的性能。为了建模稀疏向量的块稀疏结构特性,在原有的贝叶斯模型框架中引入模式耦合分层模型。得益于稀疏贝叶斯框架固有的学习能力,引入的模式耦合分层模型可自适应地学习稀疏向量的块稀疏结构,从而大幅提升了基于SBL的基线校正方法的性能。为验证本文方法的基线校正性能,首先利用模拟数据集进行仿真实验,并将该方法与SSFBCSP方法和SBL-BC方法在不同噪声方差条件下进行对比。仿真实验结果表明,该方法恢复谱峰较宽纯谱的效果提升明显,特别是当噪声方差较大时,其他方法的性能均有不同程度的下降,但该方法依然具有较好的稳定性。蒙特卡罗仿真实验结果也显示该方法纯谱拟合的标准化均方根误差明显优于其他对比方法。最后,利用色谱数据集与三种矿物的拉曼光谱数据集进行实测数据的基线校正性能验证,结果表明该方法能产生比其他方法更为平滑的纯谱拟合结果,且去噪效果更优。     

融合学习模型的岩石光谱特征自动分类

岩石光谱综合反映了岩石的物理化学性质、成分及其结构构造。岩石光谱数据已被应用于岩石分类的研究,但是不同于矿物光谱,岩石光谱并无标准数据库,且受较多干扰因素影响,例如矿物组分、结构构造、化学成分、风化力度,测量仪器的误差等。传统岩石光谱分类模型先是对岩石光谱进行预处理排除干扰,然后采用不同方法对部分光谱特征分析,以达到分类目的。但对光谱数据特征遗失较多,使得分类准确率低下且操作过程繁琐、效率不高。因此,建立一个简单、快速、准确的岩石光谱自动分类模型具有重要意义。机器学习能够对获得的所有数据进行学习,不存在遗漏,大大提高了分类精度,且是对原始数据直接操作,不需预处理,简化流程。为此,选取辽宁兴城地区作为研究区,采集了若干种典型岩石样本,利用美国ASD便携式光谱仪实测光谱,最终获得608条数据,依据岩石光谱特征分为三类进行研究。首先利用决策树(DT)及决策树的升级模型--随机森林（RF）对数据进行分类,但当数据噪音较大时随机森林容易陷入过拟合;因而利用对异常值不敏感的K-最近邻（KNN）建模,但KNN需要对每个样本都考虑,数据量大时计算量会很大,效率不高;所以通过支持向量机（SVM）来提升分类准确率。从实验结果可以看出,4种分类模型的准确率排序为：SVM>KNN>RF>DT。为进一步提高岩石光谱特征的自动分类精度,采取了融合多个不同模型的办法,即对不同模型的分类结果进行投票,选择投票最多的作为最后分类结果。由于硬投票可在一定程度上减少过拟合现象的发生,更加适合分类模型,所以利用硬投票法融合了RF、KNN与SVM三个机器学习模型,最终的分类准确率可达到99.17%。综上所述,基于融合学习模型进行岩石光谱特征自动分类是切实可行且准确高效的。     

基于深度残差网络的脱机手写汉字识别研究

摘 要: 手写汉字识别是模式识别与机器学习的重要研究方向和应用领域。近年来,随着深度学习理论方法的完善、新技术的层出不穷,深度神经网络在图像识别分类、图像生成等典型应用中取得了突破性的进展,其中,深度残差网络作为最新的研究成果,已成功应用于手写数字识别、图片识别分类等多个领域。本文将研究深度残差网络在脱机孤立手写汉字识别中的应用方法,通过改进残差学习模块的单元结构,优化深度残差网络性能,同时通过对训练集的预处理,从数据层面实现训练生成模型性能的提升,最后设计实验,验证深度残差网络、End-to-End模式在脱机手写汉字识别中的可行性,分析、总结存在的问题及今后的研究方向。     

三维卷积神经网络模型联合条件随机场优化的高光谱遥感影像分类

高光谱遥感影像分类通常基于地物光谱特征,但影像中同时还存在丰富的空间信息。空间信息的有效利用能显著提高图像分类效果。因其具有的特殊结构,卷积神经网络(CNN)已成功地应用在图像分类领域,对二维图像分类具有很好的效果。如何通过深度学习并结合空间光谱信息来提高分类性能是一个关键问题。结合高光谱影像中的空间特征与光谱信息,提出一种适合于高光谱像素级分类的深度学习三维卷积神经网络模型(3D-CNN),并在初始分类的基础上利用多标签条件随机场进行优化。选取三个通用公开高光谱数据集(Indian Pines数据集、Pavia University数据集、Pavia Center数据集)进行测试,结果表明分类优化后精度得到很大提升,总体精度可达98%,Kappa系数达到97.2%。     

利用高性能混合深度学习网络提升光谱分类性能研究

随着观测设备的不断完善,人们获得的光谱数量持续上升,如何进一步提高光谱自动分类的性能引起广泛关注.为此,以恒星光谱为研究对象,在近年来新出现的BERT和CNN等深度学习模型的基础上,试图融合了BERT模型和CNN模型在特征提取和智能分类方面的优势,提出高性能混合深度学习网络BERT-CNN,用以探讨该模型在提升光谱分类...     

红外、拉曼光谱的变压器油中糠醛检测方法对比研究

变压器油中的糠醛含量是电力变压器中绝缘老化的重要指标之一,在物质有效识别上红外及拉曼光谱具有检测速度快、分析速率快及无损检测等优势,开展了基于红外、拉曼光谱的变压器油中糠醛检测方法对比,探究适用于变压器油中糠醛红外、拉曼光谱的预处理及定量分析方法。基于傅里叶变换红外光谱仪和激光共聚焦拉曼光谱仪器对实验室配置的糠醛变压器油样检测并采集其光谱数据,采用小波变换、多项式最小二乘法和局部加权回归拟合对采集到的红外及拉曼光谱图进行预处理,综合考虑噪声、分辨率及有效信息丢失等,确定了多项式最小二乘法预处理效果最佳。基于高斯软件建立了糠醛分子模型,通过密度泛函仿真计算,研究了糠醛的红外及拉曼光谱吸收峰归属,结合实验测试光谱图,确定了变压器油中糠醛拉曼、红外检测特征峰分别为1 703和1 704 cm^-1。开展了红外及拉曼检测的重复性实验,两种检测方法的相对标准偏差分别为7.21%、 8.67%。通过绘制糠醛红外及拉曼的3D原位光谱图,分析红外及拉曼特征峰面积与不同糠醛浓度变压器油之间的关系,基于最小二乘法建立了变压器油中糠醛检测的红外及拉曼定量分析模型,拟合优度分别为0.998...     

基于改进的自适应迭代重加权惩罚最小二乘的空间外差拉曼光谱基线校正方法

空间外差拉曼光谱技术因其非接触、无损、快速、高稳定性和高光谱分辨率等特点,已经广泛应用于各个物质探测领域。由于复原光谱中存在荧光背景干扰,对样品进行定性和定量分析时需要对光谱进行基线校正。为了解决由拉曼峰引起的拟合基线抬升的问题,提出了一种改进的自适应迭代重加权惩罚最小二乘（airPLS）的基线拟合方法,即基于拉曼峰截断的airPLS基线拟合方法。该方法能够自动识别拉曼峰,并在对光谱进行拉曼峰截断后进行airPLS迭代拟合,以获得更准确的基线。使用仿真光谱和实测光谱进行验证,并与常见的基线拟合方法进行对比,结果显示,改进的airPLS基线拟合准确度显著提升,仿真光谱的基线拟合均方根误差优于0.0052。实测拉曼光谱的校正谱特征峰清晰可见,荧光基线趋势被有效去除,满足拉曼光谱数据处理的需求。     

基于拉曼光谱和多空间融合预处理方法的葡萄糖成分检测

采用多空间融合的预处理方法结合偏最小二乘回归,对低浓度葡萄糖样品的拉曼光谱进行定量分析。通过傅里叶变换拉曼光谱仪获得低浓度葡萄糖样品的光谱数据,结合多空间融合预处理方法和采用传统的偏最小二乘方法建立建立线性定量回归分析模型。用相关系数r、预测均方根误差RMSEP、交叉验证均方根误差RMSECV等参数作为评价模型的指标,实验表明,不同的光谱预处理方法对建模效果有较强的的影响,通过比较可知将基线校正、正交信号校正及Savitsky-Golay平滑三种预处理结合后的,模型的r=0.979 8,RMSEP=0.031 7,RMSECV=0.031 0,明显优于其他预处理方式。由此说明,通过多空间融合的预处理方法对光谱数据进行优化的操作是可行的,较好的预处理融合方式对实验模型准确性和稳健性影响很大。     

高光谱成像的图谱特征与卷积神经网络的名优大米无损鉴别

名优大米含有更多的营养价值与更高的经济价值,不法商家为赚取更多利益,对优质大米掺假甚至以次充好,损害了消费者利益和大米贸易,打击了生产者的生产积极性。希望发展一种基于高光谱成像的图谱特征与深度学习网络的名优大米无损鉴别方法。首先,采集了全国具有代表性的七种名优大米400～1 000 nm范围高光谱图像,并提取了每种大米的光谱、纹理与形态特征。使用多元散射校正算法做光谱预处理消除光谱散射。连续投影算法(SPA)、竞争自适应重加权算法(CARS)以及两者级联方法(CARS-SPA)被用来选取光谱特征的重要波长;用SPA选择形态、纹理特征的重要变量。最后,使用深度学习网络-卷积神经网络(CNN)融合各类特征构建大米种类识别模型,而K-近邻(KNN)、随机森林(RF)用于与CNN模型相对比。实验结果显示,根据全光谱构建的模型的分类准确度达到80%以上;其中, KNN建模效果最差; RF的效果较好; CNN网络的模型性能最优,训练集的分类准确度(ACC_T)为92.96%,预测集的分类准确度(ACC_P)为89.71%。而重要波长光谱与全光谱相比,分类准确度相差较多。为进一步提升大米种类鉴别的准确度,选用纹理、形态两种图像特征与光谱特征进行融合,最优结果来自光谱与形态特征重要变量所构建的模型。其中, KNN的ACC_T和ACC_P分别为69%和67%; RF模型的ACC_T=99.98%和ACC_P=89.10%; CNN模型的效果最佳, ACC_T和ACC_P为97.19%和94.55%。此外,光谱与纹理融合的分类效果差于光谱,说明纹理特征弱化了分类结果。对于分类模型来说, CNN的性能明显优于两种机器学习方法,可以提供更好的分类效果。总而言之, CNN融合光谱与形态特征重要变量可实现对名优大米种类的准确鉴别,这种方法有望拓展到其他农产品的分级,种类区分和产地鉴别。     

基于孪生网络模型的岩石光谱自动分类方法

岩石光谱是岩石物理化学性质、成分和结构的综合体现,如今已经被广泛应用于岩石分类研究中。岩石光谱数据具有高维的特征数量,在样本数量有限的情况下训练时,往往会产生维数灾难现象。由于岩石光谱的数据收集困难,这在产生极大的人力成本的同时也导致收集到的岩石光谱数据往往十分有限。因此如何能够在样本数量较少时,对岩石光谱数据取得较为准确的分类效果成为了如今热门的研究课题。利用辽宁兴城地区的典型岩石光谱数据,基于Python编程语言在训练样本较少的情况下构建了孪生网络分类模型,并以Triplet Loss作为损失函数,实现了3-way-1-shot分类模型,在测试集上取得了97.8%的分类准确率。同时使用了决策树、随机森林、支持向量机和K-近邻四种传统机器学习方法在相同训练样本下建立分类模型与之对比,通过绘制学习曲线,验证了这四种传统机器学习方法在小样本的情况下不具备良好的分类功能。由于将原始光谱数据转化为图片数据之后并不会影响孪生网络模型的分类效果,因此可以将岩石光谱分类问题转化为图像分类的问题,进而使用图像分类的方法和手段。实验结果表明,孪生网络模型在岩石光谱样本数量较少的情况下仍然能够取得优秀的...     

基于拉曼光谱和机器学习的百合分类识别

百合鳞茎,百合科百合属多年生草本球根植物生长的肥厚鳞片构成的地下变态茎,是一种典型的药食同源作物,含有丰富营养成分的同时还具有抗肿瘤、抗抑郁、降血糖、提高免疫力等保健作用。不同产地百合鳞茎的市场价格差异较大,依赖于人工经验感官的传统评测方法主观性强、确定性差,难以广泛推广在现代生产环节。以化学检验法为主的先进检测方法耗时长、费用高,而且难以满足产地鉴别这一要求。针对百合鳞茎现场快速地产地判断和品质评价的需求,提出了一种使用拉曼光谱和机器学习的百合鳞茎检测方法。拉曼光谱是一种基于非弹性散射的振动光谱,能够做到快速准确的无损检测,将拉曼光谱与机器学习算法相结合,建立了我国分布最为广泛的三种百合鳞茎(兰州百合、宜兴百合和龙牙百合)的产地分类模型,着眼于基质光谱上479, 870, 942和1 606cm^-1等特征峰,提出了一种基于拉曼光谱的成分含量判断产地和评价百合鳞茎品质的无损检测方法。首先采集百合鳞茎样本的光谱,经过光谱数据预处理后,使用人工先验法提取百合鳞茎代表物质并确定特征峰,再使用主成分分析和t-分布随机邻域嵌入方法降维提取光谱数据特征。并将获得的数据特征分别...     

基于拉曼光谱快速鉴别新陈大米的方法研究

利用拉曼光谱技术结合化学判别方法建立新陈大米拉曼光谱判别模型。选取合适的样品预处理方式,使用拉曼光谱仪对新陈大米共计60组样品进行检测,在785nm波长的激光下,获取样品200~2 400cm-1的拉曼光谱信息,并对原始拉曼光谱进行基线校正、平滑、滤波等处理。应用主成分分析法(PCA)对光谱数据进行降维处理及粗分类鉴别;基于偏最小二乘分析法(PLS),建立新陈大米快速鉴别模型,该模型对建模训练集鉴别正确率为100%,模型验证集鉴别正确率为95%。结果表明:该模型判断新陈大米是可行的,为稻谷新陈度的快速判别提供了一种新的方法。     

卷积神经网络用于近红外光谱预测土壤含水率

近红外光谱分析技术在土壤含水率预测方面具有独特的优势,是一种便捷且有效的方法。卷积神经网络作为高性能的深度学习模型,能够从复杂光谱数据中自主提取有效特征结构进行学习,与传统的浅层学习模型相比具有更强的模型表达能力。将卷积神经网络用于近红外光谱预测土壤含水率,并提出了有效的卷积神经网络光谱回归建模方法,简化了光谱数据的预处理要求,且具有更高的光谱预测精度。首先对不同含水率下土壤样品的光谱反射率数据进行简单的预处理,通过主成分分析减少光谱数据量,并将处理后的光谱数据变换为二维光谱信息矩阵,以适应卷积神经网络特殊的学习结构。然后基于卷积神经网络算法,设置双层卷积和池化结构逐层提取光谱数据的内部特征信息,并采用局部连接和权值共享减少网络参数、提高泛化性能。通过试验优化网络结构和各项参数,最终获得针对土壤光谱数据的卷积神经网络土壤含水率预测模型,并与传统的BP,PLSR和LSSVM模型进行对比实验。结果表明在训练样本达到一定数量时,卷积神经网络的预测精度和回归拟合度均高于三种传统模型。在少量训练样本参与建模的情况下,模型预测表现高于BP神经网络,但略低于PLSR和LSSVM模型。随着参与训练样本量的增加,卷积神经网络的预测精度和回归拟合度也随之稳定提升,达到并显著优于传统模型水平。因此,卷积神经网络能够利用近红外光谱数据对土壤含水率做出有效预测,且在较多样本参与建模时取得更好效果。