CN109374572B - 基于神经网络的太赫兹时域光谱物品分类方法 - Google Patents

基于神经网络的太赫兹时域光谱物品分类方法 Download PDF

Info

Publication number
CN109374572B
CN109374572B CN201811503231.9A CN201811503231A CN109374572B CN 109374572 B CN109374572 B CN 109374572B CN 201811503231 A CN201811503231 A CN 201811503231A CN 109374572 B CN109374572 B CN 109374572B
Authority
CN
China
Prior art keywords
layer
matrix
classified
neural network
article
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.)
Active
Application number
CN201811503231.9A
Other languages
English (en)
Other versions
CN109374572A (zh
Inventor
丁金闪
吴紫阳
王天鹤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN201811503231.9A priority Critical patent/CN109374572B/zh
Publication of CN109374572A publication Critical patent/CN109374572A/zh
Application granted granted Critical
Publication of CN109374572B publication Critical patent/CN109374572B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • 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
    • G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
    • 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
    • G01N21/41—Refractivity; Phase-affecting properties, e.g. optical path length
    • 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
    • G06N3/045—Combinations of networks
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Biochemistry (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Analytical Chemistry (AREA)
  • Chemical & Material Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Toxicology (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于神经网络的太赫兹时域光谱物品分类方法，本方法实现步骤为：(1)测量待分类物品的太赫兹光谱数据；(2)计算待分类物品的光学常数；(3)提取泡利分解特征值；(4)构建卷积神经网络；(5)构建训练样本的特征矩阵和测试样本的特征矩阵；(6)训练卷积神经网络；(7)获取测试样本中每个数据点的类标；(8)根据类标的不同输出分类结果。本发明测量物品的太赫兹时域光谱，应用卷积神经网络，对物品进行分类，使得本发明具有使用场景广泛、不接触、无损伤以及分类精度高的优点。

Description

基于神经网络的太赫兹时域光谱物品分类方法
技术领域
本发明属于物理技术领域，更进一步涉及于物品分类技术领域中的一种基于神经网络的太赫兹时域光谱物品分类方法。本发明可用于对含有不同太赫兹光谱的物品进行分类。
背景技术
太赫兹时域光谱(THz-TDS)技术是近年来发展起来的光谱测量新技术，具有很多传统光谱技术所没有的优点。太赫兹波对物质结构和环境的微小变化非常敏感，太赫兹时域光谱技术在研究物质的内部结构和分子间相互作用中具有很大潜力，它可以给出物品独一无二的指纹光谱，结构非常相似的物品的太赫兹谱也具有很大差异，因此可以用于进行物品分类。一方面,不同物品的太赫兹成像可以实现光谱分辨,成像对比度非常高；另一方面,由于太赫兹波具有低能性,太赫兹波不致因为电离作用破坏所研究物品成分,能够实现物品无损不接触分类。
同方威视技术股份有限公司在申请的专利文献“用于物品查验的拉曼光谱检测方法”(专利申请号：201611257547.5，公布号：CN 108254351 A)中提出了一种用于物品查验的拉曼光谱检测方法。该方法包括以下步骤：拉曼光谱采集步骤：采集待检物品的拉曼光谱；和比对和判定步骤：将采集的待检物品的拉曼光谱与标准数据库中存储的标准物品的拉曼光谱作比对，以判定待检物品是否与标准物品匹配。所述比对和判定步骤包括：采用支持向量机对待检物品的拉曼光谱进行分类，以实现待检物品的拉曼光谱与标准数据库中存储的标准物品的拉曼光谱的比对。该方法通过物品的拉曼光谱作为特征结合支持向量机的方法，对不同物品进行分类，可以通过一次检测实现多重信息的同时匹配查验，加快物品的现场查验效率，但是，该方法仍然存在的不足之处是，激光照射在物品上获取拉曼光谱时，激发的能量较高，很有可能破坏原物品的组织结构，不能实现无损检测分类；并且直接利用拉曼光谱信息进行分类，分类的精度比较低。
人福普克药业(武汉)有限公司在其申请的专利文献“检测药物样品中六个活性成分的方法”(专利申请号：201610743206.2，公布号：CN 107782809 A)中提出了检测药物样品中六个活性成分的方法。该方法涉及的六个活性成分包括对乙酰氨基酚、盐酸去氧肾上腺素、琥珀酸多西拉敏、氢溴酸右美沙芬、愈创木酚甘油醚和马来酸氯苯那敏。该方法的步骤是，利用高效液相色谱法对每种药物样品进行检测，其中，高效液相色谱法的流动相含有：流动相A，为含有0.1v/v％三氟乙酸的水溶液，以及流动相B，为体积比为60:40的乙腈和甲醇的混合溶液。该方法能够简单、快速地同时检测出药物样品中这六种活性成分，且这六种活性成分能够被有效地分离，该检测方法虽然操作简单，适合用于检测大部分的感冒药，并且检测应用范围广泛，但是该方法仍然存在的不足之处是，该方法需要制备混合溶液，制备检测样本的过程比较复杂，没有办法进行无接触检测，并且会改变样品的状态，样品需求量大。
发明内容
本发明的目的是针对上述现有技术的不足，提供一种基于神经网络的太赫兹时域光谱物品分类方法。
实现本发明目的的思路是，先测量待分类物品的太赫兹光谱数据，计算出物品的复折射率矩阵，利用物品的复折射率构建训练样品和测试样品的特征矩阵，再搭建卷积神经网络，然后利用训练集中的特征矩阵来训练卷积神经网络，然后将测试样本中的特征矩阵输入卷积神经网络，最后根据卷积神经网络中计算得到的不同类标，输出物品的分类结果。
本发明的具体步骤如下：
(1)测量待分类物品的太赫兹光谱数据：
用太赫兹频谱测量仪测量每种待分类物品，得到由多个频率点的太赫兹时域光谱组成数据序列，将所有数据序列组成数据矩阵；
(2)计算待分类物品的复折射率矩阵：
(2a)利用菲涅耳公式，分别计算待分类物品中每个物品每个频率点的折射率和消光系数，将所有频率点的折射率组成折射率矩阵，将所有频率点的消光系数组成消光系数矩阵；
(2b)用待分类物品中每个物品的折射率矩阵减去作为虚数的待分类物品中每个物品的消光系数矩阵,得到待分类物品中每个物品的复折射率矩阵；
(3)提取泡利分解特征值：
(3a)在复折射率矩阵中以每一个数据元素为中心选取3×3大小的正方形区域的矩阵，将正方形区域矩阵与正方形区域矩阵的转置矩阵相乘，得到相干矩阵；
(3b)将相干矩阵的第一行第一列的元素值除以2，得到每一个数据元素的奇次散射的散射能量；
(3c)将相关矩阵的第二行第二列的元素值除以2，得到每一个数据元素的偶次散射的散射能量；
(3d)将相关矩阵的第三行第三列的元素值除以2，得到每一个数据元素的度角偶次散射的散射能量；
(4)构建训练样本的特征矩阵和测试样本的特征矩阵：
(4a)以复折射率矩阵中的每个数据元素为中心，选取该中心周围的14×14大小的正方形邻域中的所有数据元素，与该正方形区域中的每个数据元素提取的泡利分解的三个特征值，组成每个数据元素的14×14×3大小的特征矩阵块；
(4b)从特征矩阵块中随机选取3000个数据作为训练样本的特征矩阵，其余的全部作为测试样本的特征矩阵；
(5)构建卷积神经网络：
(5a)搭建一个7层的卷积神经网络，其中，第1层为输入层，第2层和第4层为卷积层，第3层和第5层为下采样层，第6层为全连接层，第7层为线性回归分类器，所述的每个卷积层均由高斯滤波器组成；
(5b)按照下式，计算高斯滤波器：
y＝-[rand(4,4)-0.5*2*sqrt(6/f)]*exp{-[rand(4,4)-0.5*2*sqrt(6/f)]2}
其中，y表示高斯滤波器，rand表示产生随机矩阵操作，*表示相乘操作，sqrt表示开平方根操作，f表示随机矩阵中所有元素中的最大值，exp表示以自然常数e为底的指数操作；
(5c)按照下式，将高斯滤波器逆时针旋转不同的角度，得到卷积神经网络中每个卷积层的高斯滤波器；
Figure GDA0002289541530000031
其中，zi表示卷积神经网络中第i个卷积层的高斯滤波器，rot0(y)表示逆时针旋转0度操作，rot90(y)表示逆时针旋转90度操作，rot180(y)表示逆时针旋转180度操作，％表示取余操作；
(5d)设置卷积神经网络中各层的参数；
(6)训练卷积神经网络：
将训练样本中的每个数据元素的14×14×3大小的特征矩阵输入到构建卷积神经网络中，输出训练好的卷积神经网络；
(7)获取测试样本中每个数据点的类标：
将测试样本中的每个数据元素的特征矩阵，输入到训练好的卷积神经网络中，得到测试样本中每个数据元素的类标；
(8)根据类标的不同输出物品的分类结果。
本发明与现有技术相比较，具有以下优点：
第一，由于本发明采用太赫兹频谱测量仪测量每种待分类物品的太赫兹时域光谱，利用物品的太赫兹光谱进行分类，克服了现有技术中只能利用拉曼光谱对物品进行分类，激光照射在物品上获取拉曼光谱时，激发的能量较高，很有可能破坏原物品的组织结构的问题，使得本发明具有对操作人员安全，对待分类物品可以不接触、无损检测的优点。
第二，由于本发明采用了卷积神经网络，对待分类物品进行分类，克服了现有技术中只能依靠直接的拉曼光谱信息对物品进行分类，导致分类准确率偏低的问题，使得本发明具有在很好地保留物品原有的结构信息的同时，提高了分类精度的优点。
附图说明
图1是本发明的流程图；
图2是本发明的仿真实验中的待分类物品的复折射率图。
具体实施方式
下面结合附图对本发明做进一步的描述。
参照图1，对本发明实现的步骤做进一步的描述。
步骤1，测量待分类物品的太赫兹光谱数据。
用太赫兹频谱测量仪测量每种待分类物品，得到由多个频率点的太赫兹时域光谱组成数据序列，将所有数据序列组成数据矩阵。
步骤2，计算待分类物品的复折射率矩阵。
利用菲涅耳公式，分别计算待分类物品中每个物品每个频率点的折射率和消光系数，将所有频率点的折射率组成折射率矩阵，将所有频率点的消光系数组成消光系数矩阵。
所述菲涅耳公式如下：
Figure GDA0002289541530000041
Figure GDA0002289541530000051
其中，n(m)表示待分类物品中第m个物品的折射率，
Figure GDA0002289541530000052
表示太赫兹频谱测量仪在放入待分类物品测得的相位信息与不放待分类物品时测得的相位之差c表示光速，w表示太赫兹频谱测量仪的多个频率点的角频率序列，d表示待分类物品的第m个物品厚度，n0表示在测量每种待分类物品时的空气折射率，κ(m)表示待分类物品中第m个物品的消光系数，ln表示以自然常数e为底的对数操作，p表示太赫兹频谱测量仪分别在放有待分类物品测得的幅度信息与不放待分类物品时测得的幅值之比。
用待分类物品中每个物品的折射率矩阵减去作为虚数的待分类物品中每个物品的消光系数矩阵,得到待分类物品中每个物品的复折射率矩阵。
步骤3，提取泡利分解特征值。
在复折射率矩阵中以每一个数据元素为中心选取3×3大小的正方形区域的矩阵，将正方形区域矩阵与正方形区域矩阵的转置矩阵相乘，得到相干矩阵。
将相干矩阵的第一行第一列的元素值除以2，得到每一个数据元素的奇次散射的散射能量。
将相关矩阵的第二行第二列的元素值除以2，得到每一个数据元素的偶次散射的散射能量。
将相关矩阵的第三行第三列的元素值除以2，得到每一个数据元素的度角偶次散射的散射能量。
步骤4，构建训练样本的特征矩阵和测试样本的特征矩阵。
以复折射率矩阵中的每个数据元素为中心，选取该中心周围的14×14大小的正方形邻域中的所有数据元素，与该正方形区域中的每个数据元素提取的泡利分解的三个特征值，组成每个数据元素的14×14×3大小的特征矩阵块。
从特征矩阵块中随机选取3000个数据作为训练样本的特征矩阵，其余的全部作为测试样本的特征矩阵。
步骤5，构建卷积神经网络。
搭建一个7层的卷积神经网络，其中，第1层为输入层，第2层和第4层为卷积层，第3层和第5层为下采样层，第6层为全连接层，第7层为线性回归分类器，所述的每个卷积层均由高斯滤波器组成。
按照下式，计算高斯滤波器：
y＝-[rand(4,4)-0.5*2*sqrt(6/f)]*exp{-[rand(4,4)-0.5*2*sqrt(6/f)]2}
其中，y表示高斯滤波器，rand表示产生随机矩阵操作，*表示相乘操作，sqrt表示开平方根操作，f表示随机矩阵中所有元素中的最大值，exp表示以自然常数e为底的指数操作。
按照下式，将高斯滤波器逆时针旋转不同的角度，得到卷积神经网络中每个卷积层的高斯滤波器：
Figure GDA0002289541530000061
其中，zi表示卷积神经网络中第i个卷积层的高斯滤波器，rot0(y)表示逆时针旋转0度操作，rot90(y)表示逆时针旋转90度操作，rot180(y)表示逆时针旋转180度操作，％表示取余操作。
设置卷积神经网络中各层的参数。
将第1层输入层特征映射总数设置为3个。
将第2层卷积层特征映射总数设置为32、卷积核大小设置为21×21×3。
将第3层下采样层下采样滤波器尺寸设置为2×2×2。
将第4层卷积层特征映射数目设置为64，卷积核大小设置为21×21×3。
将第5层下采样层下采样滤波器尺寸设置为2×2×2。
将第6层全连接层特征映射总数设置为30。
步骤6，训练卷积神经网络。
将训练样本中的每个数据元素的14×14×3大小的特征矩阵输入到构建卷积神经网络中，输出训练好的卷积神经网络。
步骤7，获取测试样本中每个数据点的类标。
将测试样本中的每个数据元素的特征矩阵，输入到训练好的卷积神经网络中，得到测试样本中每个数据元素的类标。
步骤8，根据类标的不同输出物品的分类结果。
下面结合仿真实验对本发明效果做进一步的说明：
1、实验条件：
本发明的仿真实验是在主频3.6GHz的Intel(R)Core(TM)i7-4790 CPU、内存8GB，Fraunhofer公司的太赫兹频谱测量仪的硬件环境和MATLAB R2015b的软件环境中进行编程实现。
2、实验内容：
本实验中设定了三种待分类物品，物品1是仁和克里克颗粒，物品2是克拉霉素，物品3是板蓝根颗粒。现在分别采用本发明的方法、现有的后向传播神经网络BP方法和现有的支持向量机SVM的方法进行分类。
3、实验结果分析：
本发明的仿真实验中，分别对三种待分类物品测量太赫兹时域光谱，得到60000个频率点的太赫兹光谱数据。选取前12000频率点的数据，根据本发明方法的步骤(2a)中所述菲涅耳公式，计算三种待分类物品的折射率和消光系数，结果如图2所示。其中，图2(a)是本发明的仿真实验中三种物品的折射率图，图2(b)是本发明的仿真实验中三种物品的消光系数图。然后采用两个现有技术(支持向量机SVM分类方法、后向传播神经网络BP的方法)和本发明方法分别对分类的精度进行统计，结果见表1所示。
表1.三种方法在实验中得到的分类精度
物品类别 SVM BP 本发明
物品1 100％ 96.97％ 100％
物品2 93.94％ 94.12％ 97.06％
物品3 96.97％ 93.94％ 100％
从表1中可以看出，用本发明方法相比于其他两种方法，在平均精度上有较大的提高，这主要是因为本发明具有很好地保留物品的深层特征信息的优点，从而提高了物品分类的计算效率。同时，由于太赫兹波对物品的低能性，实验过程中，对物品没有造成任何损坏，充分说明本方法具有无损伤的优点。

Claims (1)

1.一种基于神经网络的太赫兹时域光谱物品分类方法，其特征在于，测量待分类物品的太赫兹光谱数据，构建卷积神经网络，该方法的步骤包括如下：
(1)测量待分类物品的太赫兹光谱数据：
用太赫兹频谱测量仪测量每类物品，得到由多个频率点的太赫兹时域光谱组成数据序列，将所有数据序列组成数据矩阵；
(2)计算待分类物品的复折射率矩阵：
(2a)利用菲涅耳公式，分别计算待分类物品中每个物品每个频率点的折射率和消光系数，将所有频率点的折射率组成折射率矩阵，将所有频率点的消光系数组成消光系数矩阵；
所述菲涅耳公式如下：
Figure FDA0002289541520000011
Figure FDA0002289541520000012
其中，n(m)表示待分类物品中第m个物品的折射率，
Figure FDA0002289541520000013
表示太赫兹频谱测量仪在放入待分类物品测得的相位信息与不放待分类物品时测得的相位之差c表示光速，w表示太赫兹频谱测量仪的多个频率点的角频率序列，d表示待分类物品的第m个物品厚度，n0表示在测量每种待分类物品时的空气折射率，κ(m)表示待分类物品中第m个物品的消光系数，ln表示以自然常数e为底的对数操作，p表示太赫兹频谱测量仪分别在放有待分类物品测得的幅度信息与不放待分类物品时测得的幅值之比；
(2b)用待分类物品中每个物品的折射率矩阵减去虚数部分的待分类物品中每个物品的消光系数矩阵,得到待分类物品中每个物品的复折射率矩阵；
(3)提取泡利分解特征值：
(3a)在复折射率矩阵中以每一个数据元素为中心，选取一个3×3大小的正方形矩阵，将每个正方形矩阵与其转置矩阵相乘，得到相干矩阵；
(3b)将相干矩阵中的第一行第一列的元素值分别除以2，得到每一个数据元素奇次散射的散射能量；
(3c)将相关矩阵中的第二行第二列的元素值分别除以2，得到每一个数据元素偶次散射的散射能量；
(3d)将相关矩阵中的第三行第三列的元素值分别除以2，得到每一个数据元素度角偶次散射的散射能量；
(4)构建训练样本的特征矩阵和测试样本的特征矩阵：
(4a)以复折射率矩阵中的每个数据元素为中心，选取该中心周围的14×14大小的正方形邻域中的所有数据元素，与该正方形区域中的每个数据元素提取的泡利分解的三个特征值，组成每个数据元素的14×14×3大小的特征矩阵块；
(4b)从特征矩阵块中随机选取3000个数据组成训练样本的特征矩阵，其余的数据组成测试样本的特征矩阵；
(5)构建卷积神经网络：
(5a)搭建一个7层的卷积神经网络，其中，第1层为输入层，第2层和第4层为卷积层，第3层和第5层为下采样层，第6层为全连接层，第7层为线性回归分类器，所述的每个卷积层均由高斯滤波器组成；
(5b)按照下式，计算高斯滤波器：
y＝-[rand(4,4)-0.5*2*sqrt(6/f)]*exp{-[rand(4,4)-0.5*2*sqrt(6/f)]2}
其中，y表示高斯滤波器，rand表示产生随机矩阵操作，*表示相乘操作，sqrt表示开平方根操作，f表示随机矩阵中所有元素中的最大值，exp表示以自然常数e为底的指数操作；
(5c)按照下式，将高斯滤波器逆时针旋转不同的角度，得到卷积神经网络中每个卷积层的高斯滤波器；
Figure FDA0002289541520000021
其中，zi表示卷积神经网络中第i个卷积层的高斯滤波器，rot0(y)表示逆时针旋转0度操作，rot90(y)表示逆时针旋转90度操作，rot180(y)表示逆时针旋转180度操作，％表示取余操作；
(5d)设置卷积神经网络中各层的参数如下：
将第1层输入层特征映射总数设置为3个；
将第2层卷积层特征映射总数设置为32、卷积核大小设置为21×21×3；
将第3层下采样层下采样滤波器尺寸设置为2×2×2；
将第4层卷积层特征映射数目设置为64，卷积核大小设置为21×21×3；
将第5层下采样层下采样滤波器尺寸设置为2×2×2；
将第6层全连接层特征映射总数设置为30；
(6)训练卷积神经网络：
将训练样本中的每个数据元素的14×14×3大小的特征矩阵输入到构建卷积神经网络中，输出训练好的卷积神经网络；
(7)获取测试样本中每个数据点的类标：
将测试样本中的每个数据元素的特征矩阵，输入到训练好的卷积神经网络中，得到测试样本中每个数据元素的类标；
(8)根据类标的不同输出物品的分类结果。
CN201811503231.9A 2018-12-10 2018-12-10 基于神经网络的太赫兹时域光谱物品分类方法 Active CN109374572B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811503231.9A CN109374572B (zh) 2018-12-10 2018-12-10 基于神经网络的太赫兹时域光谱物品分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811503231.9A CN109374572B (zh) 2018-12-10 2018-12-10 基于神经网络的太赫兹时域光谱物品分类方法

Publications (2)

Publication Number Publication Date
CN109374572A CN109374572A (zh) 2019-02-22
CN109374572B true CN109374572B (zh) 2020-05-05

Family

ID=65372955

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811503231.9A Active CN109374572B (zh) 2018-12-10 2018-12-10 基于神经网络的太赫兹时域光谱物品分类方法

Country Status (1)

Country Link
CN (1) CN109374572B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110390329A (zh) * 2019-07-10 2019-10-29 博微太赫兹信息科技有限公司 一种基于深度学习的太赫兹图像识别方法及系统
CN111331599A (zh) * 2020-03-02 2020-06-26 上海媒智科技有限公司 一种基于机械臂的物品自动定向抓取方法及系统
CN111539447B (zh) * 2020-03-17 2022-04-22 广东省科学院智能制造研究所 一种基于高光谱与太赫兹数据深度融合的分类方法
CN112485218A (zh) * 2020-11-05 2021-03-12 电子科技大学中山学院 一种基于人工神经网络的太赫兹危险液体识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101498789A (zh) * 2009-02-25 2009-08-05 中国测绘科学研究院 一种基于全极化合成孔径雷达的地物目标分类方法和装置
US8126669B2 (en) * 2008-06-09 2012-02-28 Carl Zeiss Smt Gmbh Optimization and matching of optical systems by use of orientation Zernike polynomials
CN103903012A (zh) * 2014-04-09 2014-07-02 西安电子科技大学 基于面向对象和支持向量机的极化sar数据分类方法
CN105913076A (zh) * 2016-04-07 2016-08-31 西安电子科技大学 基于深度方向波网络的极化sar图像分类方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140164313A1 (en) * 2014-02-17 2014-06-12 Invent.ly LLC Method and Apparatus for Predicting Subject Responses to a Proposition based on Quantum Representation of the Subject's Internal State and of the Proposition
CN105138970B (zh) * 2015-08-03 2018-11-16 西安电子科技大学 基于空间信息的极化sar图像分类方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8126669B2 (en) * 2008-06-09 2012-02-28 Carl Zeiss Smt Gmbh Optimization and matching of optical systems by use of orientation Zernike polynomials
CN101498789A (zh) * 2009-02-25 2009-08-05 中国测绘科学研究院 一种基于全极化合成孔径雷达的地物目标分类方法和装置
CN103903012A (zh) * 2014-04-09 2014-07-02 西安电子科技大学 基于面向对象和支持向量机的极化sar数据分类方法
CN105913076A (zh) * 2016-04-07 2016-08-31 西安电子科技大学 基于深度方向波网络的极化sar图像分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Multiple-Component Scattering Model for Polarimetric SAR Image Decomposition;Lamei Zhang 等;《IEEE GEOSCIENCE AND REMOTE SENSING LETTERS》;20081031;第5卷(第4期);全文 *

Also Published As

Publication number Publication date
CN109374572A (zh) 2019-02-22

Similar Documents

Publication Publication Date Title
CN109374572B (zh) 基于神经网络的太赫兹时域光谱物品分类方法
CN101532954B (zh) 一种用红外光谱结合聚类分析鉴定中药材的方法
CN105352895B (zh) 高光谱遥感数据植被信息提取方法
CN107478683B (zh) 一种基于机器嗅觉的有毒有害气体检测与识别方法
Bai et al. Depth-based complexity traces of graphs
Chen et al. Advances in fingermark age determination techniques
Bortel et al. Common arc method for diffraction pattern orientation
Zhang et al. Underground object characterization based on neural networks for ground penetrating radar data
Yezzi-Woodley et al. The virtual goniometer: demonstrating a new method for measuring angles on archaeological materials using fragmentary bone
Bai et al. Local-global nested graph kernels using nested complexity traces
CN101566569B (zh) 一种通过特征参量鉴别多种荧光光谱混叠物质的系统和方法
Hao et al. Improving prediction model robustness with virtual sample construction for near-infrared spectra analysis
CN100529731C (zh) 利用近红外光谱分析方法识别药物的方法与装置
Juvela Template matching method for the analysis of interstellar cloud structure
CN102998279A (zh) 一种快速鉴别灵芝孢子粉真伪的方法
Wang et al. Component identification for Raman spectra with deep learning network
CN110174392B (zh) 一种高辨识力多组分复杂油品的指纹谱构建及鉴别方法
Eberl et al. Studying lithic microdebitage with a dynamic image particle analyzer
CN109632696A (zh) 一种识别药物片剂来源的低成本近红外光谱方法
Ceolato et al. Probing optical properties of nanomaterials
CN103075959B (zh) 一种改进的基于支持向量机的纳米结构特征尺寸提取方法
Zhu et al. Measurement and analysis of fluorescent whitening agent content in soybean milk based on image techniques
Lu Molecular structure recognition by blob detection
Liu et al. A characteristic absorption peak interval method based on subspace partition for FTIR microscopic imaging classification
EP4012386B1 (en) Identifying 3d objects

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