基于主成分分析和支持向量机的太赫兹光谱冰片鉴别

利用主成分分析方法结合支持向量机建立了太赫兹时域光谱冰片种类鉴别模型。冰片是一些常用中成药的重要成分,由于其来源多、真假易混淆,在制药和交易环节,迫切需要快速、简便、准确的检测、鉴别方法。太赫兹时域光谱技术是利用太赫兹脉冲表征物质性质的一种新兴光谱技术。实验使用透射式太赫兹时域光谱系统分别获得了艾片、合成冰片和梅片三种冰片在0.2～2 THz之间的吸收谱线。通过主成分分析,做出了第一、第二主成分二维得分图以及第一、二、三主成分三维得分图,两者对三种不同种类冰片都具有很好的聚类效果。用前十个主成分的得分值矩阵代替原光谱数据,通过对三种冰片的60组样本训练,对未知的60组样本鉴别,建立了四种不同核函数的支持向量机模型。对比结果表明,径向基核函数构建的支持向量机对三种冰片的分类鉴别准确率均为100%,由此我们确定选择具有径向基核函数的支持向量机建立冰片种类的鉴别模型。此外,在含噪情况下,四种核函数SVM获得的总分类准确率都在85%以上,说明支持向量机具有很强的泛化能力。主成分分析结合支持向量机方法对冰片太赫兹光谱具有很好的分类和鉴别效果,为冰片等中成药剂的种类鉴别提供了一种新思路。     

基于扩散映射的太赫兹光谱识别

特征提取对于太赫兹光谱识别来说至关重要。传统方法是通过人工选取太赫兹光谱中差异性较大的吸收峰作为特征进行光谱识别,但当部分物质在太赫兹波段没有明显波峰、波谷等光谱图形特征时,这种方式便不再适用。为此,研究人员利用统计学习与机器学习方法对高维太赫兹光谱数据进行降维和特征提取。由于物质的太赫兹光谱数据各维度呈现非线性,尤其是当不同物质的太赫兹光谱曲线整体非常相似时,线性处理方法易产生较大误差。针对这一问题,提出了一种基于扩散映射(DM)的太赫兹光谱识别方法。扩散映射能在保持数据内在几何结构的同时对其进行非线性降维,提取的流形特征区分度较高,对数据还有聚类效果。首先用S-G滤波器对Alloxazine等10种物质的太赫兹光谱样本进行滤波,并用三次样条插值法对截取相同频段后的光谱样本进行统一分辨率处理;然后利用DM将高维太赫兹光谱数据映射到低维特征空间并提取太赫兹光谱的流形特征;最后用多分类支持向量机(M-SVM)对十种物质的太赫兹透射光谱进行分类。实验结果表明,相比于主成分分析(PCA)和等距映射(ISOMAP),使用DM提取的太赫兹光谱流形特征具有更高的区分度,而且DM可以直接得到太赫兹光谱数据本征维数的估计值,这为相似太赫兹光谱的快速精准识别提供了一条新的途径。     

基于双向长短期记忆网络的太赫兹光谱识别

特征提取是太赫兹光谱识别的关键处理步骤,通常利用降维方法作为特征提取手段。然而,当一些化合物的太赫兹光谱曲线整体差异度较小时,降维方法往往会缺失样本差异的重要特征信息,从而导致分类错误。如果不采用降维方法提取特征,传统机器学习分类算法对维数较高的原始太赫兹光谱数据又不能很好的分类。针对此问题,提出了一种基于双向长短期记忆网络（BLSTM-RNN）自动提取太赫兹光谱特征的识别方法。BLSTM-RNN作为一种特殊的循环神经网络,利用其LSTM单元可以有效解决原始太赫兹光谱数据维数较高使得模型难以训练问题。再结合模型的双向频谱信息利用架构模式,可以增强模型对复杂光谱数据自动提取有效特征信息的能力。采用三类、15种化合物太赫兹透射光谱作为测试对象,首先利用S-G滤波和三次样条插值对Anthraquinone,Benomyl和Carbazole等十五种化合物在0.9～6 THz内的太赫兹透射光谱数据进行归一化处理,然后通过构建一个具有双向长短期记忆的循环神经网络对太赫兹光谱的全频谱信息进行自动特征提取并利用Softmax分类器进行分类。通过试验优化网络结构和各项参数,最终获得了针对复杂太赫兹透射光谱数据的预测模型,并与传统机器学习算法SVM,KNN及神经网络算法MLP,CNN进行对比实验。结果表明,dataset-1和dataset-2分别作为差异度较大和无明显峰值特征的五种化合物太赫兹透射光谱数据集,其平均识别率分别为100%和98.51%,与其他方法相比识别率有所提高;最重要的是,dataset-3作为5种化合物谱线极为相似的太赫兹透射光谱数据集,其平均识别率为96.56%,与其他方法相比识别率提高显著;dataset-4作为dataset-1,dataset-2和dataset-3的透射光谱数据集集合,其平均识别率为98.87%。从而验证了BLSTM-RNN模型能自动提取有效的太赫兹光谱特征,同时又能保证复杂太赫兹光谱的预测精度。在选择模型训练优化算法方面,使用Adam优化算法要好于RMSProp,SGD和AdaGrad,其模型的目标函数损失值收敛速度最快。同时随着模型训练迭代次数增加,相似太赫兹透射光谱数据集的预测准确率也不断提升。可为复杂太赫兹光谱数据库的光谱识别检索提供一种新的识别方法。     

基于太赫兹成像技术的小麦麦芽糖定量检测研究

粮食芽变初始于内部胚芽部分，萌芽早期活动发现困难，成为制约粮食储备安全的一个瓶颈。粮食芽变过程主要是将淀粉转化为用于生长的麦芽糖。采用太赫兹(Terahertz，THz)成像技术，研究不同浓度的小麦麦芽糖混合物的图像特征，在图像中样品区域各个像素点提取出一条THz光谱，并求平均，得到一条平均光谱。通过主成分分析方法(principal component analysis，PCA)前5个主成分的累计方差贡献率达到98%以上，用前5个主成分的得分值矩阵代替原始光谱数据，建立基于径向基核函数的支持向量机(support vector machine，SVM)定量分析模型。对比结果表明，太赫兹成像技术结合化学计量学方法对小麦麦芽糖含量具有较好的判别效果，其中SVM模型获得最好的预测结果，为通过小麦种麦芽糖含量实现对小麦芽变程度的检测，保障粮食品质，提升国家储藏科技水平奠定了理论和技术基础。     

基于支持向量机的中药太赫兹光谱鉴别

文章将支持向量机用于中药材太赫兹光谱识别.利用太赫兹光谱系统测得三组相似中药炙甘草和生甘草、南柴胡和北柴胡、山豆根和北豆根的太赫兹光谱,傅罩叶变换后得到它们的吸收系数作为分类鉴别的特征数据.用线内积函数、多项式内积函数和径向基内积函数分别构建三种小同的支持向量机,并建立误差反传神经网络(BP神经网络),分别用支持向量机和BP神经网络对中药的特征数据进行鉴别.识别结果比较表明,支持向量机在小样本情况下对中药两分类识别的效果明显超过BP神经网络.     

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OMISII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。     

基于太赫兹时域光谱技术的红木分类识别

提出了一种利用太赫兹时域光谱技术（THz-TDS）进行红木分类识别方法。红木价格昂贵,同时由于种类繁多难以识别,导致红木市场以次充好,以假乱真的现象层出不穷,严重扰乱了市场秩序,给生产者和消费者造成巨大的经济损失,传统的红木分类识别方法难以兼顾准确性和快速性,因此需要研究一种新的方法对现有木材分类识别方法进行补充和发展。相比于传统方法,太赫兹波对红木具有良好的穿透性及指纹特性,在红木的分类识别中有较大的应用潜力。选用5种红木（巴里黄檀、奥氏黄檀、大叶紫檀、小叶紫檀、交趾黄檀）作为试验样品木材。利用THz-TDS系统得到木材的太赫兹时域光谱,通过对五种木材的太赫兹时域光谱进行快速傅里叶变换,得到木材太赫兹频域光谱,并对太赫兹时域光谱提取光学参数,分别得到木材的太赫兹折射率谱和吸收系数谱,结果表明不同种类的木材在时域光谱上具有时间延迟线与振幅的差异,在频域光谱上显示衰减趋势及幅值各不相同,在吸收系数谱中各种类红木吸收峰出现的频段不同,能够直观地展示出各种类木材之间的区别,表明THz-TDS进行红木分类识别具有一定的可行性。利用连续投影算法（SPA）提取吸收系数谱和折射率谱的特征频率,对吸收系数谱260个频率点筛选出28个特征频率点,频段占比10.77%;对折射率谱260个频率点筛选出12个特征频率点,频段占比4.62%。分别建立基于吸收系数谱和折射率谱的随机森林分类模型和支持向量机（SVM）红木分类模型,并对各模型分类结果进行对比。实验结果表明,THz-TDS具有良好的木材识别效果,基于木材太赫兹吸收系数谱和折射率谱建立的随机森林分类模型对红木种类有着较好的分类性能,总体分类准确率分别达到了94%和96%,能够准确对红木种类进行分类识别。利用太赫兹时域光谱技术实现了红木的分类识别,为红木的分类识别提供了一个新的思路和技术方案,能够作为近红外光谱木材检测方法的补充,同时为太赫兹技术在木材分类识别领域的应用提供了理论基础。     

基于深层信念网络的太赫兹光谱识别

特征提取和分类是太赫兹光谱识别的关键。部分物质在太赫兹波段内没有明显的吸收峰,难以人工定义、提取特征及分类识别,为此,结合深度信念网络(deep belief network,DBN)和K-Nearest Neighbors (KNN)分类器的优点,提出了一种基于DBN的太赫兹光谱识别方法。首先利用S-G滤波和三次样条插值对ATP,acetylcholine_bromide,bifenthrin,buprofezin,carbazole,bleomycin,buckminster和cylotriphosphazene在0.9～6 THz内的太赫兹透射光谱进行归一化处理;然后由两层受限波尔兹曼机(restricted Boltzmann machine, RBM)构建DBN模型,并采用逐层无监督的方法训练模型,以自动提取太赫兹光谱特征;最后用KNN分类器对8种物质的太赫兹透射光谱进行分类。结果表明,使用DBN自动提取的光谱特征,KNN分类器、BP神经网络、SOM神经网络和RBF神经网络的分类准确率达到了90%以上,且KNN分类器的识别率优于其他三种分类器;采用DBN自动提取物质的太赫兹光谱特征大大减少了工作量,在海量光谱数据识别中具有广阔的应用前景。     

基于凸组合核函数的化合物太赫兹透射光谱分类

物质的太赫兹光谱包含着非常丰富的物理和化学信息。它对化合物晶体具有高的灵敏度、 单光子能量低等特点。但受到检测人员知识背景、 背景噪声、 识别算法精度等因素的影响,光谱样本识别准确率和效率较低。为了提高对太赫兹光谱的检测能力,提出应用基于凸组合核函数的support vector machines(SVM)对化合物的THz脉冲透射谱进行分类。在使用小波变换对数据进行滤波预处理之后,提取了传统波峰、 波谷位置特征和term frequency-inverse document frequency (TF-IDF) 最大间隔特征。TF-IDF方法使用信息论的原理确定每个采样点的权重,选择权重较大的点作为特征。针对太赫兹透射谱特征相似、 维数较低带来的分类困难问题,构建基于凸组合核函数的SVM分类模型。并利用核评价的方法,通过高维非线性规划方程求解最优凸组合参数。当最优凸组合参数被确定时,构建分类模型进行分类和预测。相比较于单一核函数,凸组合核函数将透射谱特征与分类模型融合起来。对于不同的检测样本,数据经过凸组合核函数映射到高维空间后,特征具有更显著的区分度。使用不同的太赫兹透射谱样本进行分类实验,结果表明,分类准确率得到极大提高。     

基于衰减全反射式太赫兹时域光谱技术的食用油光谱特性研究

食用油是人类营养和能量的重要来源,为人体提供必需的脂肪酸,研究食用油在太赫兹波段光学特性,对食用油成分分析及品质评价具有重要价值。衰减全反射式太赫兹时域光谱技术是一种新型的太赫兹时域光谱技术,通过样品与倏逝波的相互作用,获取样品的太赫兹光谱。与透射式或反射式太赫兹时域光谱技术相比,该技术能有效地避免测量食用油等液体样品时样品池对光学参数的影响,并能获得样品的精确光学参数。分别利用透射式太赫兹时域光谱技术和衰减全反射式太赫兹时域光谱技术测量了大豆油的吸收光谱。结果表明,与透射式太赫兹时域光谱技术相比,衰减全反射式太赫兹时域光谱技术能更有效地提取大豆油的吸收系数、吸收峰分布等光学特性。进一步利用衰减全反射式太赫兹时域光谱技术研究了大豆油、核桃油、葡萄籽油在太赫兹波段的光学特性,获得了三种食用油在1~1.8 THz范围内的折射率谱和吸收光谱。利用密度泛函理论计算了食用油中四种主要成分(软脂酸、硬脂酸、油酸和亚油酸)在太赫兹波段的振动、转动模式,理论计算结果同实验测量结果吻合较好。研究表明,在太赫兹波段食用油的吸收峰与所含脂肪酸分子种类与含量有关,其主要来源为脂肪酸分子的低频振动和转动。研究成果对食用油成分定性定量分析及品质检测等具有指导意义。     

衰减全反射红外光谱法快速分类和识别多种食用油的方法

提出了一种衰减全反射红外光谱法快速分类和识别多种食用油的方法——KL-BP模型。此模型利用KL算法对原始光谱数据分类特征进行提取并对原始数据降维,降维后的数据作为神经网络的输入建立分析模型。实验共收集了九种食用油包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油、大豆油、茶籽油,共84个样品,并测定了其衰减全反射红外光谱。为了对比所提方法性能,分别建立PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP模型的分类结果进行对比。研究结果表明,对所研究的9种食用油,PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP方法的识别率分别为59.1%,68.2%,77.3%,77.3%和90.9%。在数据降维中,KL算法通过分别提取使类间距离和类内距离比值最大方向的特征向量提取和包含在类内离散度矩阵中的分类信息,能够比PCA方法提取了更多的分类信息;引入BP神经网络能有效地提高分类能力和分类准确率;KL-BP综合了KL对分类信息提取优势以及BP神经网络自学习、自适应、非线性的优点,在分类和识别成分相近的9种食用油中表现出了最优秀的能力。     

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。     

利用太赫兹时域光谱定性鉴别不同品种的苜蓿的研究（英文）

这项研究是利用太赫兹时域光谱(THz-TDS)技术结合多元统计方法,对14种外表看起来极其类似的不同苜蓿牧草品种进行鉴定识别的可行性研究。通过实验测试获得苜蓿牧草品种在0.1～1.5THz有效波段的吸收系数和折射率等光谱参数,并且测试光谱揭示不同种类的苜蓿牧草在时间延迟、吸收强度和折射率等物理参量的平均值上都有所不同。尽管以上提到的这些太赫兹特征差异意味着太赫兹时域光谱(THzTDS)鉴定识别牧草品种是可行的,但是,由于没有特征吸收峰作为指纹谱识别依据,因此,本文利用多元统计方法聚类分析(CA)和主成分分析(PCA)在光谱参数和不同品种的苜蓿草种之间建立模型用以进行辅助验证,通过CA方法计算得到牧草间的欧氏距离以及通过PCA方法获得牧草的任何两个样本的PC1分值显示CA和PCA之间存在着很好的一致性,说明CA和PCA两种多样统计方法均能反映牧草间的差异。因此,太赫兹时域光谱技术结合多元统计方法能够成为一种有效的快速检测识别不同苜蓿牧草品种的方法,进而为将来建立牧草品种太赫兹光谱数据库奠定基础。     

利用太赫兹时域光谱定性鉴别不同品种的苜蓿的研究

这项研究是利用太赫兹时域光谱(THz-TDS)技术结合多元统计方法,对14种外表看起来极其类似的不同苜蓿牧草品种进行鉴定识别的可行性研究。通过实验测试获得苜蓿牧草品种在0.1～1.5 THz有效波段的吸收系数和折射率等光谱参数,并且测试光谱揭示不同种类的苜蓿牧草在时间延迟、吸收强度和折射率等物理参量的平均值上都有所不同。尽管以上提到的这些太赫兹特征差异意味着太赫兹时域光谱(THz-TDS)鉴定识别牧草品种是可行的,但是,由于没有特征吸收峰作为指纹谱识别依据,因此,本文利用多元统计方法聚类分析(CA)和主成分分析(PCA)在光谱参数和不同品种的苜蓿草种之间建立模型用以进行辅助验证,通过CA方法计算得到牧草间的欧氏距离以及通过PCA方法获得牧草的任何两个样本的PC1分值显示CA和PCA之间存在着很好的一致性,说明CA和PCA两种多样统计方法均能反映牧草间的差异。因此,太赫兹时域光谱技术结合多元统计方法能够成为一种有效的快速检测识别不同苜蓿牧草品种的方法,进而为将来建立牧草品种太赫兹光谱数据库奠定基础。     

基于太赫兹光谱技术的贝母品种鉴别方法研究

贝母是广泛应用于临床实践的中药材,其中川贝母尤为珍贵,存在掺假及伪冒现象,伪劣贝母会对用药者的健康产生不良影响。太赫兹时域光谱（Terahertz time domain spectroscopy）具有瞬态性、宽带性、安全性和穿透性等许多优越特性,近年来在药食无损检测领域十分活跃。以四种常见贝母（川贝母、平贝母、伊贝母、浙贝母）为研究对象,探究利用太赫兹时域光谱技术鉴别贝母品种的可行性。利用TAS7500TS太赫兹光谱系统采集贝母样品在0.6～3.0 THz范围内的光谱,并结合化学计量学方法进行预处理与建立分类模型。当分类数量为二时,称为二分类问题,当分类数量超过二时称为多分类问题。利用偏最小二乘判别分析（PLS-DA）建立四种贝母的二分类模型;使用Savitzky-Golay（S-G）平滑、多元散射校正（MSC）、标准正态变量变换（SNV）、移动平均、基线偏移校正（Baseline offset）对原始光谱进行预处理,再采用主成分分析（PCA）对预处理后的数据进行降维,以减少数据运算量、简化运算,最后建立随机森林（RF）、支持向量机（SVM）、反向传播神经网络（BPNN）多分类模型。结果显示：川-伊贝母二分类鉴别模型正确率为93.333%,平-浙贝母二分类鉴别模型正确率为98.333%,其他四种二分类鉴别模型正确率均为100%。对建立的多分类模型进行对比分析发现SVM结合SNV建模效果最好,其中川贝母正确率为95.349%,伊贝母正确率为96.552%,平贝母与浙贝母正确率均为100%,整体正确率高达97.490%。研究结果表明利用太赫兹时域光谱技术鉴别不同品种贝母是可行的,并建立了分类效果较好的SNV-SVM多分类模型,为把控中药材质量提供一种新的手段,对维护中药材市场的正常运转具有重要的意义。     

基于拉曼光谱的食用植物油快速鉴别

提出了一种基于拉曼光谱的食用植物油快速鉴别方法。基于已知类别的食用植物油样本进行建模,首先对原始拉曼谱图进行基线校正和标准归一化等预处理,并选取食用油不饱和度特征的两处拉曼峰值作为特征向量,计算训练样本特征空间上各个植物油类别的中心坐标;然后,将食用植物油测试样本的拉曼谱图经过相同预处理和特征提取,获取测试样本的特征向量,计算其与各类别中心坐标的欧式距离,根据类中心最小距离法,取欧式距离最小的那一类作为预测样本的类别。针对7类43个食用植物油样本的实验结果表明,采用食用油不饱和度两点描述法进行特征提取,各类别样本聚集效果比PCA好,类间距更大。上述鉴别方法可以准确地实现食用植物油品种的快速分类。     

可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类

煤是工业的主要能源,煤的品质对工业和环境起决定性作用。在使用煤的过程中,如果不能准确确定煤的品种,有可能对生产效率、环境污染、经济损失等会造成重大的影响。传统的煤分类,主要依靠人工方法和化学分析方法,这些方法的缺点是高成本和耗费时间。如何快速准确确定煤的品质很重要。因此,提出深度学习、极限学习机-ELM算法和可见、红外光谱联合建立煤矿分类模型。首先,从抚顺、伊敏和河南夹津口煤矿区采取不同煤样品,并使用美国Spectra Vista公司的SVC HR-1024地物光谱仪测得光谱数据。然后利用深度学习的卷积神经网络-CNN提取光谱特征,并采用ELM算法对光谱数据建立分类模型。最后,为进一步提高分类精度,引入粒子群算法。通过全新定义惯性权重和加速系数的取值范围来改进粒子群算法,并使用改进粒子群算法优化CNN-ELM网络。实验结果表明,和PCA特征提取方法比较,CNN网络能够更好的提取光谱特征,CNN-ELM分类模型有良好的分类效果;改进ELM分类模型的分类精度高于基础ELM和SVM分类模型。与传统的化学分析方法和人工方法相比,此方法在经济、速度、准确性方面均具有无可比的优势。     

核优化相关向量机太赫兹频谱特征提取方法

太赫兹频谱对分子非局域振动模式的变化较为敏感。因此,其波形容易受到多种理化因素的影响,会产生峰值改变、频移,甚至整体波形的变化,单一地从固定峰值特征与物质的对应关系上进行组分分析和物质鉴别容易产生较大误差甚至错误。针对此问题,提出区别于局部特征提取方法的基于核优化相关向量机(KO-RVM)的整体图形特征提取方法,并与支持向量回归算法(SVR)进行比较。结果表明,经过期望最大化算法进行基函数参数控制的RVM适用于太赫兹透射谱的特征提取,可对每种物质的光谱数据进行稀疏表示,控制提取图形特征的数量。利用已提取特征构造的模型能够还原频谱曲线的整体特征,对谱线各频段的拟合效果更加一致,同时所提取的特征还可作为不同物质间太赫兹光谱相似性度量和共同特征发现的依据。     

太赫兹光谱和成像技术在生物医学领域研究与应用

太赫兹波是指位于微波和红外线之间频段的电磁波。太赫兹波是电磁波段中由电子学向光子学过渡的特殊区域,也是宏观经典理论向微观量子理论的过渡区域,具有重要的科学研究价值和应用价值。人体组织细胞是由蛋白质、核酸、酯类等生物分子组成,每一种物质所特有的分子结构决定了其特征的光谱信息。太赫兹光谱与成像技术能够反映这些分子结构状态和它们之间相互作用。我们研究组近年来在太赫兹光谱技术应用方面做了一些工作,包括对氨基酸和糖类同分异构混合物的定量分析和采用太赫兹光谱技术结合模糊分类器等对宫颈癌组织接片样本进行了分类诊断研究。在该项研究中,我们建立了太赫兹光谱技术测量癌瘤组织的方法;建立多种癌瘤组织太赫兹光谱的特征提取方法;建立了多种适合太赫兹光谱技术进行癌瘤鉴定的分类模型,并对其进行统计学验证。取得了满意的效果。但是从目前的研究工作来看,太赫兹光谱与成像技术进入实际临床应用还有相当长的路要走。     

基于太赫兹时域光谱技术的煤岩识别方法研究

煤岩识别一直是制约煤矿无人化开采的关键问题之一。传统的人工采煤因为工作环境极其复杂,很难精准地找到煤岩的分界面,容易造成欠切割或过切割现象。太赫兹光谱技术作为一种无损探测技术,能够反映出被测物体的物理和化学信息,可以成为研究煤岩识别的有效方法。采用太赫兹时域光谱技术与多元统计法—聚类分析（CA）和主成分分析（PCA）相结合的方法来识别不同种类的煤岩。通过透射式太赫兹光谱仪获得六种煤岩样品的太赫兹光谱,对其进行FFT等一系列数学计算可以得到各种样品的折射率、吸收系数以及介电常数。计算结果表明不同种类的煤岩在折射率、吸收系数上都存在差异。分析各类煤炭样品的折射率和吸收系数与样品的各组成成分含量之间的关系,可以发现碳含量是影响其样品折射率大小的因素之一,灰分含量是影响其样品吸收系数大小的因素之一。聚类分析中两类样品的欧氏距离与主成分分析中的第一主成分（PC1）得分都能反映煤岩样品之间的相似性和相异性,并且CA与PCA的结果保持一致。分别将各类样品在0.5～2.5 THz频率范围内的折射率、吸收系数与CA和PCA结合,组成太赫兹数据与煤岩之间的模型。分析表明：根据不同样品之间的相似性,两种模型中六种煤岩样品均被分为两类;在各种样品的吸收系数与CA-PCA组成的模型中,四种煤炭被聚集在一起,并且石英砂岩（GSR-4）具有很好的独特性：石英砂岩拥有最小的PC1得分值以及石英砂岩与第二类之间的欧氏距离最大,为219.03。由此可见采用太赫兹技术与多元统计方法结合,可以实现煤岩的准确识别,识别准确率可以达到100%。