[發明專利]一種一維光譜分類方法及系統

有效

• 申請號: 202110666072.X
• 申請日: 2021-06-16
• 公開（公告）號: CN113313059B
• 公開（公告）日: 2022-10-04
• 發明（設計）人: 王書濤;劉詩瑜;孔德明
• 申請（專利權）人: 燕山大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62;G06N3/04;G01N21/359
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 楊媛媛

本發明涉及一種一維光譜分類方法及系統，方法包括：獲取m個待測樣品的近紅外光譜原始數據；截取所述近紅外光譜原始數據中所有單一光譜序列的峰值數據并進行預處理，然后進行縮放，得到一維度光譜信號數據；將縮放后的一維度光譜信號數據進行極坐標編碼；對極坐標編碼后的一維度光譜信號數據進行重構，得到格拉姆角和場矩陣和格拉姆角差場矩陣；將格拉姆角和場矩陣和所述格拉姆角差場矩陣存儲為圖像；對圖像進行劃分，得到訓練集和測試集；采用訓練集對卷積神經網絡進行訓練；將測試集輸入至訓練好的卷積神經網絡中，得到分類結果。本發明中的上述方法可以通過一維光譜與二維圖像之間的雙映射關系彌補丟失有用特征信息的不足。

技術領域

本發明涉及一維光譜數據處理領域，特別是涉及一種一維光譜分類方法及系統。

背景技術

近紅外光譜技術是一種充分利用被測物質中含氫基團X-H(如O-H、C-H和N-H)在近紅外光譜區間振動的倍頻和合頻的特征吸收，從而實現對被測物質的檢測。該技術所適用的樣品范圍廣，樣品用量少，無損傷且易于操作。由于采集的是單一維度的吸收光譜信號，具有分析速度快，檢測成本低等優點。經過人們多年的深入鉆研以及檢測技術的不斷完善，近紅外光譜已經綜合運用了數學統計學、化學計量學和機器學習等多個學科，在醫學、食品與農業、環境污染、石油與化工等領域得到實際的應用，所構建的分類識別模型的性能也在不斷地提升。

目前常用的一維光譜序列分類方法有最近鄰、邏輯回歸、樸素貝葉斯、決策樹、支持向量機、神經網絡等。這些機器學習方法在理論上能實現一維光譜序列的分類任務，但由于近紅外光譜存在光譜范圍廣，數據維數高，有用信息強度弱，噪聲干擾多等缺陷，這些傳統的方法必須結合大量的光譜預處理，特征波長提取，維數約減等前期處理，既在無形中增加了任務量，又不可避免地錯失有用的特征信息，無法確保分類結果的準確性以及模型的可應用性。

目前，隨著深度學習的快速發展，研究者們開始著重研究深度神經網絡結構的設計。深度卷積神經網絡(Convolution Neural Network,CNN)作為深度學習的代表，在語音識別、計算機視覺以及自然語言處理等領域表現出優異的性能。在一維光譜領域，已有構建適合的一維度CNN的相關研究，但所建立的模型復雜且精度較低，魯棒性較差。而要將CNN識別二維圖像的優勢應用于一維度的近紅外光譜序列的分類，還需要解決以下問題：一是將一維光譜序列數據通過數學變換轉換為能夠突出其光譜特征的二維圖像；二是要設計合適的卷積神經網絡結構，以實現對這種特殊光譜圖像的自動分類。

發明內容

本發明的目的是提供一種一維光譜分類方法及系統，可以通過一維光譜與二維圖像之間的雙映射關系彌補丟失有用特征信息的不足。

為實現上述目的，本發明提供了如下方案：

一種一維光譜分類方法，所述分類方法包括：

獲取m個待測樣品的近紅外光譜原始數據，記為X＝{x₁,x₂,…,x_i,…,x_n}，n為總的波長點數，x_i為標量；

具體的，所采集的近紅外光譜數據包含兩個類別，分別為汽油和柴油數據。汽油對應類別0，柴油對應類別1，各有60組，即樣本總數m＝120。汽油光譜采樣范圍為900nm～1700nm，采樣間隔為2nm。柴油光譜采樣范圍為750nm～1550nm，采樣間隔為2nm，即波長點數n＝401。該數據樣本矩陣記為X(120×401)，輸出類別矩陣為Y(120×1)。為了后續二維CNN建模，將類別標簽轉換成獨熱編碼的形式。

截取所述近紅外光譜原始數據中所有單一光譜序列的峰值數據；

所截取的峰值數據長度為t，所截取的數據記為X_i＝{x₁,…,x_i,…,x_t}，t為當前的波長點數。

對所述峰值數據進行預處理；