CN109239006A - 一种基于湿度补偿模型的物质识别方法、装置及存储介质 - Google Patents
一种基于湿度补偿模型的物质识别方法、装置及存储介质 Download PDFInfo
- Publication number
- CN109239006A CN109239006A CN201811038950.8A CN201811038950A CN109239006A CN 109239006 A CN109239006 A CN 109239006A CN 201811038950 A CN201811038950 A CN 201811038950A CN 109239006 A CN109239006 A CN 109239006A
- Authority
- CN
- China
- Prior art keywords
- data
- spectroscopic data
- humidity
- preset humidity
- air
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000126 substance Substances 0.000 title claims abstract description 113
- 238000004611 spectroscopical analysis Methods 0.000 claims abstract description 189
- 238000001228 spectrum Methods 0.000 claims abstract description 70
- 238000012360 testing method Methods 0.000 claims abstract description 53
- 238000000034 method Methods 0.000 claims abstract description 45
- 230000007787 long-term memory Effects 0.000 claims abstract description 38
- 239000000463 material Substances 0.000 claims abstract description 14
- 238000010521 absorption reaction Methods 0.000 claims description 36
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 16
- 238000005259 measurement Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 4
- ONUFESLQCSAYKA-UHFFFAOYSA-N iprodione Chemical compound O=C1N(C(=O)NC(C)C)CC(=O)N1C1=CC(Cl)=CC(Cl)=C1 ONUFESLQCSAYKA-UHFFFAOYSA-N 0.000 claims description 3
- 230000000717 retained effect Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 14
- 230000008569 process Effects 0.000 description 4
- 230000003595 spectral effect Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 210000002364 input neuron Anatomy 0.000 description 2
- 230000015654 memory Effects 0.000 description 2
- 210000004218 nerve net Anatomy 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000000411 transmission spectrum Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012826 global research Methods 0.000 description 1
- 239000004615 ingredient Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000001328 terahertz time-domain spectroscopy Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3581—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation
- G01N21/3586—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using far infrared light; using Terahertz radiation by Terahertz time domain spectroscopy [THz-TDS]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Toxicology (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明实施例提供了一种基于湿度补偿模型的物质识别方法、装置及存储介质,方法包括:在若干预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;在所述若干预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;对每组差值数据进行重建;根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。本发明实施例提供的方法抗噪性能优越,能够提高太赫兹光谱在物质识别应用上的识别精确度以及识别效率。
Description
技术领域
本发明涉及对太赫兹光谱的处理技术技术领域,尤其涉及一种基于湿度补偿模型的物质识别方法、装置及存储介质。
背景技术
太赫兹辐射具有非常重要的科学研究价值,是目前全世界的研究热点之一,也是21世纪科学研究最前沿的领域之一。太赫兹时域光谱技术对化合物晶型有很高的灵敏度,能够反映整个分子的低频振动和分子间的弱相互作用,而且能量低不会引起样品的化学变化。太赫兹时域光谱仪可以产生透射谱,根据不同样品的吸收峰特性来分析待研究物质的成分和结构。因此利用太赫兹光谱在样品的声场、存储和流通环节进行质检,成为太赫兹辐射最具前景的应用之一。但是由于大气中水分子的存在,太赫兹透射谱在测量样品时会测量到几个不同频率的吸收峰,还需要大量测量每个湿度值的谱线,后续基于此计算得到的太赫兹光谱不能有效去除太赫兹波信号在时域上的水汽噪声,导致对样品的检测不准确,极大阻碍对样品的识别。
发明内容
本发明实施例提供了一种基于湿度补偿模型的物质识别的方法和装置,抗噪性能优越,能有效提升利用太赫兹光谱在识别物质时的精确度以及识别效率。
有鉴于此,本发明第一方面提供了一种基于湿度补偿模型的物质识别方法,包括:
在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;其中,所述空气的光谱数据与所述对应的空气的基础光谱数据根据频率点一一对应;
在所述若干第一预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;
对每组差值数据进行重建;
根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;
获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。
优选的,所述在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据具体包括:
根据第一公式获得所述若干第一预置湿度值:
an=a1+(n-1)d (1)
其中n为正整数,an为第n个第一预置湿度值,d为第一预置湿度间隔,为常数;
在所述若干第一预置湿度值下,测量出空气的若干个频率点的光谱数据;
在所述若干第一预置湿度值下,根据第二公式得到对应的空气的光谱基础数据;
其中,k为整数,表示同一湿度值下重复测量得到的光谱数据的组数;an表示第n个预置湿度值;frp表示光谱仪的分辨率;(xcj,ycj)表示空气的基础光谱数据第j个频率点对应的光谱数据;yij表示第i组光谱数据第j个频率点对应的光谱数据;m表示每组光谱数据一共有m个频率点。
优选的,所述在所述若干预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据具体包括:
通过第三公式,在所述若干第一预置湿度值下,根据每个频率点分别获取所述空气的光谱数据与所述对应的空气的基础光谱数据的差值数据:
优选的,所述对每组差值数据进行重建具体包括:
根据预设去噪阈值,保留每组差值数据中大于所述去噪阈值的差值数据点;
对所述每组差值数据保留的差值数据点进行重建,获得重建后的每组差值数据,对于所述重建后的每组差值数据,都只提取频率为的点的光谱数据,建立第一矩阵,所述第一矩阵通过第四公式表示如下:
优选的,所述根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型具体包括:
根据所述第一公式,获取若干第二预置湿度值;其中,每一个第二预置湿度都大于a1;
将所述第一矩阵输入所述长短期记忆网络,所述长短期记忆网络根据所述第一矩阵获得在所述每一个第二预置湿度值下的预测差值数据;
在所述若干第二预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第二预置湿度值下的空气的预测光谱数据;
根据第五公式获取若干第三预置湿度值:
bn=b1+(n-1)d2 (5)
其中n为正整数,bn为第n个第三预置湿度值,d2为第二预置湿度间隔,为常数,其中d2<d;
在所述第三预置湿度值下,通过所述插值法获得在每一个第三预置湿度值下的预测差值数据;
在所述若干第三预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第三预置湿度值下的空气的预测光谱数据;
根据所述每一个第二预置湿度值下的预测差值数据和所述每一个第三预置湿度值下的预测差值数据,建立所述湿度补偿模型。
优选的,所述根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型具体还包括:
将所述第一矩阵变换得到第二矩阵,其中,所述第二矩阵通过第六公式表示为:
根据所述第一公式,获取若干第四预置湿度值,其中,每一个第四预置湿度都小于a1;
将所述第二矩阵输入所述长短期记忆网络,所述长短期记忆网络根据所述第一矩阵获得在所述每一个第四预置湿度值下的预测差值数据;
在所述若干第四预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第四预置湿度值下的空气的预测光谱数据;
根据第五公式获取若干第五预置湿度值:
bn=b1+(n-1)d2 (5)
其中n为正整数,bn为第n个第五预置湿度值,d2为第二预置湿度间隔,为常数,其中d2<d;
在所述第五预置湿度值下,通过所述插值法获得在每一个第五预置湿度值下的预测差值数据;
在所述若干第五预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第五预置湿度值下的空气的预测光谱数据;
根据所述每一个第四预置湿度值下的预测差值数据和所述每一个第五预置湿度值下的预测差值数据,建立所述湿度补偿模型。
优选的,所述根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型具体包括:
通过长短期记忆网络,预测所述重建后的每组差值数据中的差值数据点,并根据每个频率点,将完整的每组差值数据与所述对应的空气的基础光谱曲线相加,获得预测的空气的光谱曲线;
根据所述插值法,预测湿度间隔小于d的空气的光谱数据;
根据所述预测的空气的光谱曲线与所述湿度间隔小于d的空气的光谱数据,建立湿度补偿模型。
优选的,所述获取待测物质的光谱曲线,并通过所述湿度补偿模型修正所述待测物质的光谱曲线具体包括:
获取待测物质的光谱数据;
根据所述湿度补偿模型,获取与所述待测物质的光谱曲线在同一湿度条件的背景光谱数据;
通过所述待测物质的光谱数据与所述背景光谱曲线作减法运算,修正所述待测物质的光谱数据。
优选的,所述通过所述待测物质的光谱数据与所述背景光谱数据作减法运算,修正所述待测物质的光谱数据还包括:
根据修正后的所述待测物质的光谱数据,获取所述待测物质的光谱数据的极大值数据点;
获取所述极大值数据点的吸收峰的波高,并根据预置波高阈值获取波高大于或等于所述预置波高阈值的吸收峰;
获取所述波高大于或等于所述预置波高阈值的吸收峰的曲率,根据第七公式计算每个吸收峰的置信程度:
式中,K为所述每个吸收峰的曲率,Bheight为所述吸收峰的波高,C1、C2、C3为待定系数;根据所述每个吸收峰的置信程度,通过sigmoid函数计算所述每个吸收峰的置信度:
β=f(β0)*100% (8)
根据置信度最大的若干个吸收峰的频率建立特征向量,将所述特征向量归一化,并将归一化后的特征向量与物质分类标签作为所述神经网络的输入向量输入所述神经网络,根据所述神经网络的输出向量对物质进行识别。
本发明第二方面提供了一种基于湿度补偿模型的物质识别装置,其特征在于,包括:
获取光谱曲线模块,用于在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;其中,所述空气的光谱数据与所述对应的空气的基础光谱数据根据频率点一一对应;
获取差值数据模块,用于在所述若干第一预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;
数据重建模块,用于对每组差值数据进行重建;
建立模型模块,用于根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;
修正光谱曲线模块,用于获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。
第三方面本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行如前所述的基于太赫兹光谱的物质识别方法。
从以上技术方案可以看出,本发明实施例具有以下优点:
本发明实施例中,提供了一种基于湿度补偿模型的物质识别方法和装置,其中,基于湿度补偿模型的物质识别方法包括:在若干预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;其中,所述空气的光谱数据与所述对应的空气的基础光谱数据根据频率点一一对应;在所述若干预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;对每组差值数据进行重建;根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。
本发明实施例提供的基于湿度补偿模型的物质识别方法通过建立太赫兹湿度补偿模型,对后期获取的物质的光谱曲线的数据进行修正以减少空气中水汽带来的噪声影响,抗噪性能优越,能够有效提高太赫兹光谱在识别物质时的识别精度以及识别效率。
附图说明
图1为本发明第一实施例提供的基于湿度补偿模型的物质识别方法的流程示意图;
图2为本发明第二实施例提供的基于湿度补偿模型的物质识别方法的长短期记忆神经网络的原理架构示意图;
图3为本发明第二实施例提供的基于湿度补偿模型的物质识别方法的部分光谱曲线的示意图;
图4为本发明第二实施例提供的基于湿度补偿模型的物质识别方法中波高阈值T=0.3时H2O2的吸收峰筛选结果示意图;
图5为本发明第二实施例提供的基于湿度补偿模型的物质识别方法的BP神经网络的结构示意图;
图6为本发明第三实施例提供的基于湿度补偿模型的物质识别装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明实施例的方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,图1是本发明第一实施例提供的基于湿度补偿模型的物质识别方法的流程示意图。
本发明第一方面提供了一种基于湿度补偿模型的物质识别方法,物质识别方法包括:
S1,在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;其中,所述空气的光谱数据与所述对应的空气的基础光谱数据根据频率点一一对应;
需要说明的是,本发明第一实施例提供的基于湿度补偿模型的物质识别方法,首先预设若干个湿度值,并模拟每一个预设的湿度值的环境条件,每一个预设湿度值下都分别获取空气的若干个频率点的光谱数据和每一个频率点对应的空气的基础光谱数据,也即,所获得的每一个预设湿度值下的多组空气的光谱数据和空气的基础光谱数据的频率点一一对应。
S2,在所述第一若干预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;
需要说明的是,本发明第一实施例提供的基于湿度补偿模型的物质识别方法,其中,所获取的每一个预设湿度值下的空气的光谱数据与对应的空气的基础光谱数据都是以固定的频率点为横坐标,将每个频率点对应的数值为纵坐标,并将所有频率点对应的数值连接并模拟曲线获得相应的曲线,因此要想获得某一预设湿度值下这两种曲线的差值数据,只要将这两个曲线每一个频率点对应的数值做减法运算,即可得到该预设湿度值下的差值数据;同理可获得所有预设湿度值下的差值数据。
S3,对每组差值数据进行重建;
根据上述的步骤获得所有预设湿度值下的差值数据后,对获得的差值数据进行预降噪处理,其中,所获得的差值数据必然是若干个数据点的集合,由于空气中的水汽噪声的影响,必然使得某些数据点的误差过大,因此需要先剔除这部分误差过大的数据点,保留相对正常的数据点,由此获得重建后的差值数据。
S4,根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;
根据上述步骤获得的重建后的差值数据,通过长短期记忆网络,将重建后的差值数据,也就是剔除部分异常数据点后的差值数据,将差值数据剔除的数据点进行预测,获得所有预设湿度条件下的重建后的差值数据;并通过插值法通过预测来模拟其他湿度值下的差值数据;最后将这两部分湿度值下的差值数据与对应的空气的基础光谱数据做加法运算,获得预设的空气的光谱数据,将光谱数据进行曲线拟合获得预设的空气的光谱曲线,也即空气的湿度补偿模型。
S5,获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。
当使用本发明提供的基于湿度补偿模型的物质识别方法来识别物质时,先通过光谱仪获取待测物质的光谱数据,并在同样的湿度条件下,通过前述步骤获得的空气的湿度补偿模型对待测物质的光谱数据进行降噪修正,获得修正后的待测物质的光谱数据,即可通过该光谱数据对待测物质进行物质识别。
本发明第一实施例提供的基于湿度补偿模型的物质识别方法,先对空气的光谱数据进行降噪预处理,建立空气的太赫兹湿度补偿模型,通过空气的太赫兹湿度补偿模型处理待测物质的太赫兹光谱曲线的光谱数据,得到较光滑的物质光谱曲线,即可通过该光谱数据对待测物质进行识别。本发明第一实施例提供的基于湿度补偿模型的物质识别方法,通过建立空气的太赫兹湿度补偿模型,能够有效消除对待测物质进行识别的空气中的水汽噪声造成的干扰,提高太赫兹光谱仪在识别物质时的精确度以及提高识别物质的效率。
请参阅图2-5,是本发明第二实施例提供的基于湿度补偿模型的物质识别方法的示意图;图2是本发明第二实施例提供的基于湿度补偿模型的物质识别方法的长短期记忆神经网络的原理架构示意图;图3为本发明第二实施例提供的基于湿度补偿模型的物质识别方法的部分光谱曲线的示意图;图4为本发明第二实施例提供的基于湿度补偿模型的物质识别方法中波高阈值T=0.3时H2O2的吸收峰筛选结果示意图;图5为本发明第二实施例提供的基于湿度补偿模型的物质识别方法的BP神经网络的结构示意图;以下将结合第一实施例以及图2-5来具体描述本发明第二实施例提供的基于湿度补偿模型的物质识别方法的实施步骤:
优选的,所述在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据具体包括:
根据第一公式获得所述若干第一预置湿度值:
an=a1+(n-1)d (1)
其中n为正整数,an为第n个预置湿度值,d为第一预置湿度间隔,为常数;
在本发明的基于湿度补偿模型的物质识别方法的第二实施例中,首先根据第一公式获得若干组预置的湿度值,以a1为起始预置湿度值,d为预置湿度值间隔,这两个数的具体数值在实际应用中可根据实际情况进行赋值,获取一系列连续的预置湿度值;在本实施例中,以d为0.5为预置湿度间隔。
在所述若干第一预置湿度值下,测量出空气的若干个频率点的光谱数据;
在所述若干第一预置湿度值下,根据第二公式得到对应的空气的光谱基础数据;
其中,k为整数,表示同一湿度值下重复测量得到的光谱数据的组数;an表示第n个第一预置湿度值;frp表示光谱仪的分辨率;(xcj,ycj)表示空气的基础光谱数据第j个频率点对应的光谱数据;yij表示第i组光谱数据第j个频率点对应的光谱数据;m表示每组光谱数据一共有m个频率点。
在上述描述的步骤之后,首先通过第二公式获得以a1为起始预置湿度值的k组空气的若干个频率点的光谱数据,再获得所有预置湿度值下的k组空气的若干个频率点的光谱数据。
需要说明的是,测量一次会得到一组光谱数据,横坐标表示频率点,自然包含若干频率点。将每一个预设湿度值下获得的空气的光谱数据除以测量次数k即可获得对应的该预设湿度值下的空气的光谱基础数据,且空气的光谱数据与其光谱基础数据的频率点一一对应;优选的,在本发明实施例中,以5g/m3为起始预置湿度值,k为10,d为预置湿度间隔,所用光谱仪的分辨率为frp=0.001907THz,取0.2~1.8THz频率范围内的数据,每组光谱数据频率点m=839,n取10。
优选的,所述在所述若干预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据具体包括:
通过第三公式,在所述若干第一预置湿度值下,根据每个频率点分别获取所述空气的光谱数据与所述对应的空气的基础光谱数据的差值数据:
需要说明的是,在每一个预设湿度值下获得的k组空气的光谱数据,以及对应的空气的光谱基础数据,将这二者根据频率点一一对应做减法运算获得k组差值数据,也即,该差值数据是包括若干个数据点的集合。
优选的,所述对每组差值数据进行重建具体包括:
根据预设去噪阈值,保留每组差值数据中大于所述去噪阈值的差值数据点;
对所述每组差值数据保留的差值数据点进行重建,获得重建后的每组差值数据,对于所述重建后的每组差值数据,都只提取频率为的点的光谱数据,建立第一矩阵,所述第一矩阵通过第四公式表示如下:
需要说明的是,在上述描述的步骤的基础上,先根据第九公式获得每一个预置湿度值下的空气的光谱数据以及对应的空气的基础光谱数据的标准差数据:
再根据第十公式将每一个预置湿度值对应的标准差数据除以频率点数,获得预设去噪阈值ys:
取湿度值为aq,q=n/2的差值数据,并只保留该差值数据中大于预设去噪阈值的数据点,其余数据点清除,假设所得到的符合要求的差值数据点有r个,所得到的数据点如第十一公式所示:
优选的,q=5。
需要说明的是,对于每一个预置湿度值下的每组差值数据,只取频率为xqp时的数据点,频率取值为0.001907的整数倍,如此对所得到的n=10组频率点对应的差值数据进行重建,得到的矩阵A表达式如第四公式所示:
所得到的重建后的差值数据能够适用于长期记忆网络。
以下将根据图2提供的本发明第二实施例提供的基于湿度补偿模型的物质识别方法的长短期记忆神经网络的原理架构示意图,利用长短期记忆网络正反向预测法与插值法建立太赫兹湿度补偿模型的详细过程如下:
优选的,所述根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型具体包括:
根据所述第一公式,获取若干第二预置湿度值;其中,每一个第二预置湿度都大于a1;
将所述第一矩阵输入所述长短期记忆网络,所述长短期记忆网络根据所述第一矩阵获得在所述每一个第二预置湿度值下的预测差值数据;
在所述若干第二预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第二预置湿度值下的空气的预测光谱数据;
根据第五公式获取若干第三预置湿度值:
bn=b1+(n-1)d2 (5)
其中n为正整数,bn为第n个第三预置湿度值,d2为第二预置湿度间隔,为常数,为第二预置湿度间隔,其中d2<d;
在所述第三预置湿度值下,通过所述插值法获得在每一个第三预置湿度值下的预测差值数据;
在所述若干第三预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第三预置湿度值下的空气的预测光谱数据;
根据所述每一个第二预置湿度值下的预测差值数据和所述每一个第三预置湿度值下的预测差值数据,建立所述湿度补偿模型。
优选的,所述根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型具体还包括:
将所述第一矩阵变换得到第二矩阵,其中,所述第二矩阵通过第六公式表示为:
根据所述第一公式,获取若干第四预置湿度值,其中,每一个第四预置湿度都小于a1;
将所述第二矩阵输入所述长短期记忆网络,所述长短期记忆网络根据所述第一矩阵获得在所述每一个第四预置湿度值下的预测差值数据;
在所述若干第四预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第四预置湿度值下的空气的预测光谱数据;
根据第五公式获取若干第五预置湿度值:
bn=b1+(n-1)d2 (5)
其中n为正整数,bn为第n个第五预置湿度值,d2为常数,为第二预置湿度间隔,其中d2<d;
在所述第五预置湿度值下,通过所述插值法获得在每一个第五预置湿度值下的预测差值数据;
在所述若干第五预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第五预置湿度值下的空气的预测光谱数据;
根据所述每一个第四预置湿度值下的预测差值数据和所述每一个第五预置湿度值下的预测差值数据,建立所述湿度补偿模型。
所述获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据具体包括:
获取待测物质的光谱数据;
根据所述湿度补偿模型,获取与所述待测物质的光谱数据在同一湿度条件的背景光谱数据;
通过所述待测物质的光谱数据与所述背景光谱数据作减法运算,修正所述待测物质的光谱数据。
优选的,所述通过所述待测物质的光谱数据与所述背景光谱数据作减法运算,修正所述待测物质的光谱数据还包括:
根据修正后的所述待测物质的光谱数据,获取所述待测物质的光谱数据的极大值数据点;
获取所述极大值数据点的吸收峰的波高,并根据预置波高阈值获取波高大于或等于所述预置波高阈值的吸收峰;
获取所述波高大于或等于所述预置波高阈值的吸收峰的曲率,根据第七公式计算每个吸收峰的置信程度:
式中,K为所述每个吸收峰的曲率,Bheight为所述吸收峰的波高,C1、C2、C3为待定系数;根据所述每个吸收峰的置信程度,通过sigmoid函数计算所述每个吸收峰的置信度:
β=f(β0)*100% (8)
根据置信度最大的若干个吸收峰的频率建立特征向量,将所述特征向量归一化,并将归一化后的特征向量与物质分类标签作为所述神经网络的输入向量输入所述神经网络,根据所述神经网络的输出向量对物质进行识别。
需要说明的是,由于在不同湿度值的同一个频率点所对应的数据之间存在内在的联系,每连续的两个湿度值对应的同一个频率点,下一个湿度值的光谱数据依赖于上一个湿度值的光谱数据。而通过上述步骤处理后,每一个频率点都对应有一个湿度序列;其中,第j个频率点的湿度序列为,同时该湿度序列有r个并行的湿度序列。将上述步骤所得到的第七公式输入到长短期记忆网络中,能够对湿度值大于an以及小于a1的光谱数据进行预测,结合图3所示的长短期记忆网络原理架构图,能得到对应于频率点j的湿度序列,其输入输出流如下:
遗忘门读取第t湿度的输入ytj和该湿度的前一湿度的输出h(t-1)j,根据第十二公式来依次产生0到1的ft值,并以ft来决定前一湿度学到的Ct-1信息保留或部分保留:
ft=σ(Wf·[h(t-1)j,ytj]+bf) (12)
将旧状态与遗忘门值相乘,再加上可用于更新的候选值,能得以添加新的信息,所用的第十三公式、第十四公式以及第十五公式表达如下:
it=σ(Wi·[h(t-1)j,ytj]+bi) (13)
Ct=tanh(WC·[h(t-1)j,ytj]+bC) (14)
Ct=ft*Ct-1+it*Ct (15)
得到模型的输出值后,根据第十六公式采用的sigmoid函数与Ct的候选值相乘,能得到第十七公式:
ot=σ(Wo·[h(t-1)j,ytj]+bo) (16)
ht=ot*tanh(Ct) (17)
将通过先前的步骤获得的第七公式表示的矩阵A,以及具有r个并行的湿度序列作为长短期记忆网络的输入,并设置其输入数据维度(time_steps,n_samples,dim_output)。其中time_steps表示湿度值步数,即矩阵A的行数,设为n;n_samples表示矩阵个数,设为1;dim_output表示频率点个数,即矩阵列数,设为r。预置湿度值每相隔d,都会得到r个预测的差值数据点。然后使用预测差值数据每个频率点的值对应地加到基础光谱数据中,就会得到相应湿度下预测的太赫兹光谱数据。
同理,如果所要预测的湿度值小于基础光谱数据的湿度值,对矩阵A进行变换得到矩阵B,再将将矩阵B输入到长短期记忆神经网络中。绝对湿度值每相隔d,都会得到r个预测的差值数据点。然后使用预测差值数据每个频率点的值对应地加到基础光谱数据,就会得到相应湿度下预测的太赫兹光谱数据,矩阵B通过第六公式表示如下:
通过上述的步骤能够获得所有预置湿度间隔为d的预置湿度值下的预测光谱数据,再通过三次样条插值法对预置湿度间隔d以内的湿度值的光谱数据进行预测,通过第十八公式表达如下:
f(t)=B1+B2t+B3t2+B4t3(0≤t≤tm) (18)
上式中B1、B2、B3、B4为四个待定系数。
由于三次样条插值法比起更高次的样条插值法需要的计算以及存储资源更少,而与二次样条插值法相比其模拟谱线的形状更接近实际谱线。通过三次样条插值法预测湿度间隔d以内的光谱数据,与先前得到的湿度间隔为d的一系列光谱数据结合,将每一个湿度值对应的光谱数据进行拟合获得光谱曲线,即建立起了完整的空气的湿度补偿模型。
三次插值法预测光谱数据效果如图3所示:参见图3,图3为本发明第二实施例提供的基于湿度补偿模型的物质识别方法的部分光谱曲线的示意图,其中301、302、303光谱曲线对应的湿度值分别为4,6,8。而304光谱曲线代表湿度值为10的光谱数据预测曲线。
需要说明的是,对于待测物质,先获取该物质的光谱曲线,并通过在先步骤获得的湿度补偿模型获取同一湿度条件下的背景光谱曲线,并通过该背景光谱曲线的光谱数据与该物质的光谱曲线中的光谱数据做减法运算,即可得到消除环境噪声影响的光谱曲线,再采用小波去噪技术处理该修正后的光谱曲线,得到更加光滑的光谱曲线,从而消除环境噪声对物质特征提取的干扰。
对经过预处理后获得的待测物质的光谱数据的数据点集合G,通过第十九公式获取峰值集合:
yj>yj+1&&yj>yj-1 (19)
再通过第二十公式获得每一个峰值点的波高:
Bheight=yj-max(yleft,yright) (20)
上式中yleft、yright是该峰值点左右波谷的值。
设置波高阈值T,并根据T去除波高小于T的数据点;如图4所示,为本发明第二实施例提供的基于湿度补偿模型的物质识别方法中波高阈值T=0.3时H2O2的吸收峰筛选结果示意图,其中圆点表示筛选出来的吸收峰;
对余下的数据点的吸收峰进行处理。通过第二十一公式对段波峰波谷间曲线的数据点进行抛物线拟合,抛物线在峰值点的曲率为:
通过第七公式计算余下的数据点对应的吸收峰的置信程度:
上式中C1、C2、C3为待定系数。
对置信程度β0通过sigmoid函数映射得到置信度β(0≤β≤100%),其计算公式如第八公式所示:
β=f(β0)*100% (8)
取置信度最大的w个频率点作为待测物质光谱数据的特征,如果物质的吸收峰没有w个,用数字0进行补全,得到特征向量α=(x1,x2,x3,K,xw)。
将待测物质的特征向量α进行归一化,设minx和maxx为属性x的最小值和最大值。那么映射到区间[0,1]的值x',通过第二十二公式表示如下:
得到归一化后的特征向量α'=(x1',x2',x3',K,xw')。
假设通过BP神经网络对g种物质进行识别,先对g种物质打上分类标签,对物质编号为1,2,3,K,g。将g种物质的归一化后特征向量与分类标签进行结合作为BP神经网络的输入向量,维数[(w+1)×g];得到输出目标向量,维数为[g×g]即可对物质进行识别;参见图5,为本发明第二实施例提供的基于湿度补偿模型的物质识别方法的BP神经网络的结构示意图,其中输入神经元节点数目为w+1,输入神经元节点数目为g。
参见图6,是本发明第三实施例提供的基于湿度补偿模型的物质识别装置的结构示意图;
本发明第二方面提供了一种基于湿度补偿模型的物质识别装置,包括:
获取光谱曲线模块10,用于在若干预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;其中,所述空气的光谱数据与所述对应的空气的基础光谱数据根据频率点一一对应;
获取差值数据模块20,用于在所述若干预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;
数据重建模块30,用于对每组差值数据进行重建;
建立模型模块40,用于根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;
修正光谱曲线模块50,用于获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。
本发明实施例的说明书及上述附图中的术语“第一”、“第二”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(英文全称:Read-OnlyMemory,英文缩写:ROM)、随机存取存储器(英文全称:Random Access Memory,英文缩写:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种基于湿度补偿模型的物质识别方法,其特征在于,包括:
在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;其中,所述空气的光谱数据与所述对应的空气的基础光谱数据根据频率点一一对应;
在所述若干第一预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;
对每组差值数据进行重建;
根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;
获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。
2.根据权利要求1所述的基于湿度补偿模型的物质识别方法,其特征在于,所述在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据具体包括:
根据第一公式获得所述若干第一预置湿度值:
an=a1+(n-1)d (1)
其中n为正整数,an为第n个第一预置湿度值,d为第一预置湿度间隔,为常数;
在所述若干第一预置湿度值下,测量出空气的若干个频率点的光谱数据;
在所述若干第一预置湿度值下,根据第二公式得到对应的空气的光谱基础数据;
其中,k为整数,表示同一湿度值下重复测量得到的光谱数据的组数;an表示第n个第一预置湿度值;frp表示光谱仪的分辨率;(xcj,ycj)表示空气的基础光谱数据第j个频率点对应的光谱数据;yij表示第i组光谱数据第j个频率点对应的光谱数据;m表示每组光谱数据一共有m个频率点。
3.根据权利要求2所述的基于湿度补偿模型的物质识别方法,其特征在于,所述在所述若干预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据具体包括:
通过第三公式,在所述若干第一预置湿度值下,根据每个频率点分别获取所述空气的光谱数据与所述对应的空气的基础光谱数据的差值数据:
4.根据权利要求1所述的基于湿度补偿模型的物质识别方法,其特征在于,所述对每组差值数据进行重建具体包括:
根据预设去噪阈值,保留每组差值数据中大于所述去噪阈值的差值数据点;
对所述每组差值数据保留的差值数据点进行重建,获得重建后的每组差值数据,对于所述重建后的每组差值数据,都只提取频率为xqp的点的光谱数据,建立第一矩阵,所述第一矩阵通过第四公式表示如下:
5.根据权利要求4所述的基于湿度补偿模型的物质识别方法,其特征在于,所述根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型具体包括:
根据所述第一公式,获取若干第二预置湿度值;其中,每一个第二预置湿度都大于a1;
将所述第一矩阵输入所述长短期记忆网络,所述长短期记忆网络根据所述第一矩阵获得在所述每一个第二预置湿度值下的预测差值数据;
在所述若干第二预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第二预置湿度值下的空气的预测光谱数据;
根据第五公式获取若干第三预置湿度值:
bn=b1+(n-1)d2 (5)
其中n为正整数,bn为第n个第三预置湿度值,d2为常数,为第二预置湿度间隔,其中d2<d;
在所述第三预置湿度值下,通过所述插值法获得在每一个第三预置湿度值下的预测差值数据;
在所述若干第三预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第三预置湿度值下的空气的预测光谱数据;
根据所述每一个第二预置湿度值下的预测差值数据和所述每一个第三预置湿度值下的预测差值数据,建立所述湿度补偿模型。
6.根据权利要求5所述的基于湿度补偿模型的物质识别方法,其特征在于,所述根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型具体还包括:
将所述第一矩阵变换得到第二矩阵,其中,所述第二矩阵通过第六公式表示为:
根据所述第一公式,获取若干第四预置湿度值,其中,每一个第四预置湿度都小于a1;
将所述第二矩阵输入所述长短期记忆网络,所述长短期记忆网络根据所述第一矩阵获得在所述每一个第四预置湿度值下的预测差值数据;
在所述若干第四预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;
将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第四预置湿度值下的空气的预测光谱数据;
根据第五公式获取若干第五预置湿度值:
bn=b1+(n-1)d2 (5)
其中n为正整数,bn为第n个第五预置湿度值,d2为第二预置湿度间隔,为常数,其中d2<d;
在所述第五预置湿度值下,通过所述插值法获得在每一个第五预置湿度值下的预测差值数据;
在所述若干第五预置湿度值下,根据所述第二公式得到对应的空气的光谱基础数据;将所述预测差值数据与所述对应的空气的基础光谱数据相加,获得在所述每一个第五预置湿度值下的空气的预测光谱数据;
根据所述每一个第四预置湿度值下的预测差值数据和所述每一个第五预置湿度值下的预测差值数据,建立所述湿度补偿模型。
7.根据权利要求1所述的一种基于湿度补偿模型的物质识别方法,其特征在于,所述获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据具体包括:
获取待测物质的光谱数据;
根据所述湿度补偿模型,获取与所述待测物质的光谱数据在同一湿度条件的背景光谱数据;
通过所述待测物质的光谱数据与所述背景光谱数据作减法运算,修正所述待测物质的光谱数据。
8.根据权利要求7所述的一种基于湿度补偿模型的物质识别方法,其特征在于,所述通过所述待测物质的光谱数据与所述背景光谱数据作减法运算,修正所述待测物质的光谱数据还包括:
根据修正后的所述待测物质的光谱数据,获取所述待测物质的光谱数据的极大值数据点;
获取所述极大值数据点的吸收峰的波高,并根据预置波高阈值获取波高大于或等于所述预置波高阈值的吸收峰;
获取所述波高大于或等于所述预置波高阈值的吸收峰的曲率,根据第七公式计算每个吸收峰的置信程度:
式中,K为所述每个吸收峰的曲率,Bheight为所述吸收峰的波高,C1、C2、C3为待定系数;根据所述每个吸收峰的置信程度,通过sigmoid函数计算所述每个吸收峰的置信度:
β=f(β0)*100% (8)
根据置信度最大的若干个吸收峰的频率建立特征向量,将所述特征向量归一化,并将归一化后的特征向量与物质分类标签作为所述神经网络的输入向量输入所述神经网络,根据所述神经网络的输出向量对物质进行识别。
9.一种基于湿度补偿模型的物质识别装置,其特征在于,包括:
获取光谱曲线模块,用于在若干第一预置湿度值下,分别获取空气的若干个频率点的光谱数据以及对应的空气的基础光谱数据;其中,所述空气的光谱数据与所述对应的空气的基础光谱数据根据频率点一一对应;
获取差值数据模块,用于在所述若干第一预置湿度值下,根据每个频率点获取空气的光谱数据与所述对应的空气的基础光谱数据的差值数据;
数据重建模块,用于对每组差值数据进行重建;
建立模型模块,用于根据重建后的每组差值数据,通过长短期记忆网络与插值法建立湿度补偿模型;
修正光谱曲线模块,用于获取待测物质的光谱数据,并通过所述湿度补偿模型修正所述待测物质的光谱数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质用于存储程序代码,所述程序代码用于执行权利要求1-8任一项所述的基于太赫兹光谱的物质识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038950.8A CN109239006B (zh) | 2018-09-06 | 2018-09-06 | 一种基于湿度补偿模型的物质识别方法、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811038950.8A CN109239006B (zh) | 2018-09-06 | 2018-09-06 | 一种基于湿度补偿模型的物质识别方法、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109239006A true CN109239006A (zh) | 2019-01-18 |
CN109239006B CN109239006B (zh) | 2021-10-01 |
Family
ID=65067525
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811038950.8A Active CN109239006B (zh) | 2018-09-06 | 2018-09-06 | 一种基于湿度补偿模型的物质识别方法、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109239006B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111351764A (zh) * | 2020-02-27 | 2020-06-30 | 云南电网有限责任公司电力科学研究院 | 一种基于太赫兹技术的材料检测装置及检测方法 |
CN116087131A (zh) * | 2023-04-11 | 2023-05-09 | 南京科力赛克安防科技有限公司 | 一种紫外差分气体分析仪的数据处理方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6723991B1 (en) * | 2000-10-20 | 2004-04-20 | Imra America, Inc. | Single-shot differential spectroscopy and spectral-imaging at submillimeter wavelengths |
EP1285830A3 (de) * | 2001-08-16 | 2004-05-06 | Hella KG Hueck & Co. | Verfahren zur Kompensation des Temperatureinflusses auf die Sendeleitung einer Sende-LED und / oder die Empfindlichkeit einer Empfangsdiode |
CN103620377A (zh) * | 2011-07-02 | 2014-03-05 | 德雷格安全股份两合公司 | 带有用于随着对环境影响进行补偿来光学测量气体和气体混合物的测量装置的设备 |
CN104034690A (zh) * | 2014-06-12 | 2014-09-10 | 清华大学 | 一种宽带太赫兹时域光谱的分析方法及便携式分析装置 |
CN105829866A (zh) * | 2013-11-15 | 2016-08-03 | 派克米瑞斯有限责任公司 | 用于使用太赫兹辐射确定片状电介质样本的至少一种性质的系统 |
-
2018
- 2018-09-06 CN CN201811038950.8A patent/CN109239006B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6723991B1 (en) * | 2000-10-20 | 2004-04-20 | Imra America, Inc. | Single-shot differential spectroscopy and spectral-imaging at submillimeter wavelengths |
EP1285830A3 (de) * | 2001-08-16 | 2004-05-06 | Hella KG Hueck & Co. | Verfahren zur Kompensation des Temperatureinflusses auf die Sendeleitung einer Sende-LED und / oder die Empfindlichkeit einer Empfangsdiode |
CN103620377A (zh) * | 2011-07-02 | 2014-03-05 | 德雷格安全股份两合公司 | 带有用于随着对环境影响进行补偿来光学测量气体和气体混合物的测量装置的设备 |
CN105829866A (zh) * | 2013-11-15 | 2016-08-03 | 派克米瑞斯有限责任公司 | 用于使用太赫兹辐射确定片状电介质样本的至少一种性质的系统 |
CN104034690A (zh) * | 2014-06-12 | 2014-09-10 | 清华大学 | 一种宽带太赫兹时域光谱的分析方法及便携式分析装置 |
Non-Patent Citations (2)
Title |
---|
YU HUANG等: "A numerical method based on transfer function for removing the noise of water vapor from terahertz spectra", 《PROCEEDINGS OF SPIE》 * |
刘嘉政: "FPcA-Ⅱ型太赫兹时域光谱仪设计及应用", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111351764A (zh) * | 2020-02-27 | 2020-06-30 | 云南电网有限责任公司电力科学研究院 | 一种基于太赫兹技术的材料检测装置及检测方法 |
CN111351764B (zh) * | 2020-02-27 | 2024-01-23 | 云南电网有限责任公司电力科学研究院 | 一种基于太赫兹技术的材料检测装置及检测方法 |
CN116087131A (zh) * | 2023-04-11 | 2023-05-09 | 南京科力赛克安防科技有限公司 | 一种紫外差分气体分析仪的数据处理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109239006B (zh) | 2021-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105427300B (zh) | 一种基于低秩表示和学习字典的高光谱图像异常探测方法 | |
CN112052755B (zh) | 基于多路注意力机制的语义卷积高光谱图像分类方法 | |
CN104020135B (zh) | 基于近红外光谱的校正模型建模方法 | |
CN110111015A (zh) | 一种基于变分模态分解多尺度排列熵的电能质量分析方法 | |
CN107909109A (zh) | 基于显著性和多尺度深度网络模型的sar图像分类方法 | |
CN107239795A (zh) | 基于稀疏自编码器和卷积神经网络的sar图像变化检测系统及方法 | |
CN107133648B (zh) | 基于自适应多尺度融合稀疏保持投影的一维距离像识别方法 | |
CN112765890A (zh) | 基于动态域适应网络的多工况旋转机械剩余寿命预测方法 | |
CN109239006A (zh) | 一种基于湿度补偿模型的物质识别方法、装置及存储介质 | |
CN107688863A (zh) | 自适应迭代加强的短期风速高精度组合预测方法 | |
CN110070004B (zh) | 一种应用于深度学习的近地高光谱数据扩展方法 | |
CN112766161A (zh) | 基于集成约束多示例学习的高光谱目标检测方法 | |
CN106097290A (zh) | 基于nmf图像融合的sar图像变化检测方法 | |
CN113159167A (zh) | 基于内陆不同类型水体的叶绿素a反演方法 | |
CN115034261A (zh) | 雷达辐射源信号脉间特征提取方法、设备及存储介质 | |
CN115758876A (zh) | 一种风速和风向预报准确率方法、系统及计算机设备 | |
CN107742029A (zh) | 基于支持向量机的增识度超回归负荷建模多曲线拟合模型 | |
CN110458071A (zh) | 一种基于dwt-dfpa-gbdt的光纤振动信号特征提取与分类方法 | |
CN117115669B (zh) | 双条件质量约束的对象级地物样本自适应生成方法及系统 | |
CN114264478A (zh) | 一种柴油机曲轴轴承磨损程度预测方法及系统 | |
CN113627597A (zh) | 一种基于通用扰动的对抗样本生成方法及系统 | |
CN106529680B (zh) | 一种基于经验模态分解的多尺度极限学习机集成建模方法 | |
CN115101149B (zh) | 材料微观结构总能量预测方法 | |
CN110826691A (zh) | 基于yolo和lstm的地震速度谱智能拾取方法 | |
CN116610990A (zh) | 一种基于特征空间差异化的断路器隐患识别方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |