CN109598245A - 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法 - Google Patents

基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法 Download PDF

Info

Publication number
CN109598245A
CN109598245A CN201811491929.3A CN201811491929A CN109598245A CN 109598245 A CN109598245 A CN 109598245A CN 201811491929 A CN201811491929 A CN 201811491929A CN 109598245 A CN109598245 A CN 109598245A
Authority
CN
China
Prior art keywords
signal data
edible oil
attenuation curve
cnn
transverse relaxation
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
Application number
CN201811491929.3A
Other languages
English (en)
Other versions
CN109598245B (zh
Inventor
侯学文
苏冠群
常晓
王广利
傅利斌
王欣
聂生东
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.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
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 University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201811491929.3A priority Critical patent/CN109598245B/zh
Publication of CN109598245A publication Critical patent/CN109598245A/zh
Application granted granted Critical
Publication of CN109598245B publication Critical patent/CN109598245B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Magnetic Resonance Imaging Apparatus (AREA)
  • Edible Oils And Fats (AREA)

Abstract

本发明提供一种基于1D‑CNN的食用油横向弛豫衰减曲线信号特征提取方法，包括如下步骤：采用低场核磁共振设备与CPMG序列采集多个种类已知的食用油原始信号数据文件，而后分别读取CPMG原始信号数据文件作为训练集的第一原始信号数据与测试集的第二原始信号数据；将两个原始信号数据绘制成横向弛豫衰减曲线并对其进行衰减截止点的判断，并根据衰减截止点对两个原始信号数据进行信号截取，得到不包含噪声的训练集的第一去噪信号数据与测试集的第二去噪信号数据；将两个去噪信号数据进行归一化处理，得到两个归一化信号数据；将训练集归一化信号数据用于构建一维卷积神经网络模型即CNN模型后将测试集归一化信号数据输入进行测试，得测试集中的食用油的种类标签。

Description

基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法
技术领域
本发明属于深度学习与核磁共振信号处理技术领域，具体涉及一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法。
背景技术
食用油安全性已经成为了老百姓所关心的一个共同话题。但是由于目前缺少一种准确、简单、快速鉴别食用油真实性的检测技术方法，食用油的质量安全问题依然呈现出屡禁不止的状态。
在食品品质检测中，传统的检测方法包括气相色谱法、气相色谱-质谱法和高效液相色谱法。虽然这些方法已经得到了广泛的应用，并被证明是一种优秀的工具，但由于分析过程中需要复杂的样品制备、昂贵的设备和熟练的操作人员，使得这些方法难以进行实时和现场分析。为此，提出了几种快速、无损的新型仪器方法，如拉曼光谱法、红外光谱法、离子迁移光谱法和基质辅助激光解吸/电离质谱法。同时，还需要更有效的油类鉴定方法，低场磁共振作为对食用油种类检测的一种技术，具有快速、无损、低成本、无复杂前处理、环保等诸多特点。
CPMG(Carr-Purcell-Meiboom-Gill)序列速度快，是低场核磁共振中最常用的测量T2值的序列之一。研究者常常利用CPMG等序列的原始数据和样品横向弛豫时间、纵向弛豫时间的分布特点，进行相关领域的研究。虽然核磁共振采集到的原始信号中包含有丰富的样品结构信息，但这些信息不能直观地为我们所用，因此为了得到样品的组成、性质等重要信息，传统方法需要先对横向弛豫衰减曲线进行反演得到反演谱，然后对反演谱进行特征提取，由于反演过程会受到反演参数不同等原因可能造成无效特征产生进而影响分类结果情况的发生，因此，采用一维卷积神经网络直接对原始数据信息进行特征提取，并根据所得特征直接对样本进行分类。
发明内容
本发明是为了解决上述问题而进行的，目的在于提供一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法。
本发明提供了一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，用于获取多种食用油的种类标签，具有这样的特征，包括如下步骤：
步骤1，采用低场核磁共振设备与CPMG序列采集多个种类已知的食用油原始信号数据文件，而后分别读取CPMG原始信号数据文件作为训练集的第一原始信号数据与测试集的第二原始信号数据；
步骤2，将第一原始信号数据与第二原始信号数据绘制成横向弛豫衰减曲线并对该衰减曲线进行衰减截止点的判断，并根据所得的衰减截止点对第一原始信号数据第二原始信号数据进行信号截取，得到不包含噪声的训练集的第一去噪信号数据与测试集的第二去噪信号数据；
步骤3，将第一去噪信号数据与第二去噪信号数据进行归一化处理，得到训练集的第一归一化信号数据与测试集的第二归一化信号数据；
步骤4，将第一归一化信号数据用于构建一维卷积神经网络模型即CNN模型；
步骤5，将第二归一化信号数据输入CNN模型进行测试，得到测试集中的食用油的种类标签。
在本发明提供的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法中，还可以具有这样的特征：其中，步骤2中，衰减截止点的判断包括如下子步骤：
步骤2-1，选取横向弛豫衰减曲线最后100个坐标对应信号数据的平均值作为信号截止信号；
步骤2-2，设置信号值与衰减截止值的误差为0.5，并取每一种类食用油的第一个满足截止条件的坐标值作为衰减截止点；
步骤2-3，选择所有种类食用油中最大的衰减截止点作为边界点，对第一去噪信号数据与第二去噪信号数据进行截取得到第一去噪信号数据与第二去噪信号数据。
在本发明提供的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法中，还可以具有这样的特征：其中，步骤3中进行归一化的范围为[0，1]。
在本发明提供的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法中，还可以具有这样的特征：其中，步骤4中，CNN模型包括Conv1D卷积层、AveragePooling1D池化层以及Dense全连接层，
步骤4包括如下子步骤：
步骤4-1，在Conv1D卷积层采用Relu激活函数提取食用油一维信号特征；
步骤4-2，在AveragePooling1D池化层采用Relu激活函数对食用油一维信号特征进行压缩，提取主要特征；
步骤4-3，在Dense全连接层连接所有的主要特征，得到特征值，而后将特征值输入softmax分类器对其进行分类，得到测试集中的食用油的种类标签。
发明的作用与效果
根据本发明所涉及的一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，通过一维卷积神经网络提取不同种类食用油的低场核磁共振横向弛豫衰减曲线特征，构建分类模型，达到对食用油种类真实性快速检测的目的；另外，本发明的方法无需进行反演，直接对原始数据进行处理，一定程度上避免了反演过程中造成的误差，简化了计算流程；具有计算精度高、时间快、鲁棒性好等优点，能够得到可靠、稳定的结果。
附图说明
图1是本发明的实施例中的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法的流程框图；
图2是本发明的实施例中的一维卷积神经网络框架图；
图3是本发明的实施例中的训练集与测试集的损失率比较示意图；
图4是本发明的实施例中的训练集与测试集的精确度比较示意图。
具体实施方式
为了使本发明实现的技术手段与功效易于明白了解，以下结合实施例及附图对本发明作具体阐述。
实施例：
图1是本发明的实施例中的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法的流程框图。
如图1所示，一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，用于获取多种食用油的种类标签，其特征在于，包括如下步骤：
步骤1，采用低场核磁共振设备与CPMG序列采集多个种类已知的食用油原始信号数据文件，而后分别读取CPMG原始信号数据文件作为训练集的第一原始信号数据与测试集的第二原始信号数据。
步骤2，将第一原始信号数据与第二原始信号数据绘制成横向弛豫衰减曲线并对该衰减曲线进行衰减截止点的判断，并根据所得的衰减截止点对第一原始信号数据第二原始信号数据进行信号截取，得到不包含噪声的训练集的第一去噪信号数据与测试集的第二去噪信号数据。
在本实施例中，步骤2的原理如下：在90°射频(Radio frequency，RF)脉冲施加后，所有磁性核的磁矩与RF脉冲同相位运动，且不存在相互抵消的情况，达到最大；90°RF脉冲消失之后，磁性核的相位开始逐渐分散，这时连续施加一系列的180°相位重聚脉冲，并记录其相位重聚时刻的信号幅值，从而形成横向弛豫衰减曲线。
由于低场核磁共振设备固有基线和噪声的影响，所以当横向弛豫衰减曲线衰减完成时接收线圈所采集到的信号值并不为0，造成了对横向弛豫衰减曲线衰减截止点判断困难的问题，所以采用如下方法进行判断：
衰减截止点的判断包括如下子步骤：
步骤2-1，选取横向弛豫衰减曲线最后100个坐标对应信号数据的平均值作为信号截止信号。
由于在横向弛豫衰减曲线的末端所产生的信号都是由机器自身产生的，所以采用步骤2-1。
步骤2-2，设置信号值与衰减截止值的误差为0.5，并取每一种类食用油的第一个满足截止条件的坐标值作为衰减截止点。
步骤2-3，选择所有种类食用油中最大的衰减截止点作为边界点，对第一去噪信号数据与第二去噪信号数据进行截取得到第一去噪信号数据与第二去噪信号数据。
为了保证每个数据样本的维度一致，所以选择所有种类食用油中最大的衰减截止点作为边界点。
步骤3，将第一去噪信号数据与第二去噪信号数据进行归一化处理，得到训练集的第一归一化信号数据与测试集的第二归一化信号数据。
在样本矩阵中，在每一维的数据点之间进行归一化，且范围为[0，1]。
由于训练集的原始信号数据与测试集的去噪信号数据的信号值范围不同，若单独对两个数据集进行归一化，可能造成两个数据集之间归一化结果不一致，最终导致训练模型的不精确，因此选择对训练集的原始信号数据与测试集的去噪信号数据一起进行归一化操作。
图2是本发明的实施例中的一维卷积神经网络框架图。
如图2所示，步骤4，将第一归一化信号数据用于构建一维卷积神经网络模型即CNN模型。
CNN模型包括Conv1D卷积层、AveragePooling1D池化层以及Dense全连接层。
步骤4包括如下子步骤：
步骤4-1，在Conv1D卷积层采用Relu激活函数提取食用油一维信号特征。
步骤4-1具体为：在第1、3、5、7、9、11层分别施加Conv1D卷积层，其卷积核个数分别为128、64、32、18、8、4，卷积核的尺寸分别为11、9、7、5、3、3，步长均为1，每一个卷积层均配有一个Relu激活函数。
步骤4-2，在AveragePooling1D池化层采用Relu激活函数对食用油一维信号特征进行压缩，提取主要特征。
步骤4-2具体为：在第2、4、6、8、10、12层分别施加池化层，窗大小分别设置为5、5、2、2、2、2。
步骤4-2用于减少卷积层的特征数进而降低运算参数从而加快计算速度。
步骤4-3，在Dense全连接层连接所有的主要特征，得到特征值，而后将特征值输入softmax分类器对其进行分类，得到测试集中的食用油的种类标签。
步骤5，将第二归一化信号数据输入CNN模型进行测试，得到测试集中的食用油的种类标签。
在本实施例中，通过将得到的测试集中的食用油的种类标签与已知的种类标签进行对比，从而判断出CNN模型的可靠性和稳定性。
另外，本发明的一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法的效果能够通过以下实验进一步说明。
1.仿真实验：
本实施例中涉及11个种类52种品牌的食用油，训练集有364个，测试集有104个，并采用测试集测试精度对分类后的结果进行评价。
2.仿真实验结果
表1每个种类食用油的横向弛豫衰减截止点信息表
表2通过模型得到的测试集的混淆矩阵
从表2可知，该测试集的测试精度为97.12％。
图3是本发明的实施例中的训练集与测试集的损失率比较示意图，图4是本发明的实施例中的训练集与测试集的精确度比较示意图。
从图3和图4可知，该模型没有出现欠拟合与过拟合现象，证明了该模型的稳定性、可靠性。
3.仿真实验分析
从表2可得出以下结论：本发明提出的算法无需进行反演，直接对原始数据进行处理，一定程度上避免了反演过程中造成的误差，简化了计算流程；具有计算精度高、时间快、鲁棒性好等优点，能够得到可靠、稳定的结果。
实施例的作用与效果
根据本实施例所涉及的一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，通过一维卷积神经网络提取不同种类食用油的低场核磁共振横向弛豫衰减曲线特征，构建分类模型，达到对食用油种类真实性快速检测的目的。
另外，本实施例的方法无需进行反演，直接对原始数据进行处理，一定程度上避免了反演过程中造成的误差，简化了计算流程；具有计算精度高、时间快、鲁棒性好等优点，能够得到可靠、稳定的结果。
上述实施方式为本发明的优选案例，并不用来限制本发明的保护范围。

Claims (4)

1.一种基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，用于获取多种食用油的种类标签，其特征在于，包括如下步骤：
步骤1，采用低场核磁共振设备与CPMG序列采集多个种类已知的食用油原始信号数据文件，而后分别读取CPMG原始信号数据文件作为训练集的第一原始信号数据与测试集的第二原始信号数据；
步骤2，将所述第一原始信号数据与所述第二原始信号数据绘制成横向弛豫衰减曲线并对该衰减曲线进行衰减截止点的判断，并根据所得的衰减截止点对所述所述第一原始信号数据所述第二原始信号数据进行信号截取，得到不包含噪声的所述训练集的第一去噪信号数据与所述测试集的第二去噪信号数据；
步骤3，将所述第一去噪信号数据与所述第二去噪信号数据进行归一化处理，得到所述训练集的第一归一化信号数据与所述测试集的第二归一化信号数据；
步骤4，将所述第一归一化信号数据用于构建一维卷积神经网络模型即CNN模型；
步骤5，将所述第二归一化信号数据输入CNN模型进行测试，得到所述测试集中的食用油的种类标签。
2.根据权利要求1所述的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，其特征在于：
其中，所述步骤2中，衰减截止点的判断包括如下子步骤：
步骤2-1，选取所述横向弛豫衰减曲线最后100个坐标对应信号数据的平均值作为信号截止信号；
步骤2-2，设置信号值与衰减截止值的误差为0.5，并取每一种类食用油的第一个满足截止条件的坐标值作为所述衰减截止点；
步骤2-3，选择所有种类食用油中最大的衰减截止点作为边界点，对所述第一去噪信号数据与所述第二去噪信号数据进行截取得到所述第一去噪信号数据与所述第二去噪信号数据。
3.根据权利要求1所述的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，其特征在于：
其中，所述步骤3中进行归一化的范围为[0，1]。
4.根据权利要求1所述的基于1D-CNN的食用油横向弛豫衰减曲线信号特征提取方法，其特征在于：
其中，所述步骤4中，CNN模型包括Conv1D卷积层、AveragePooling1D池化层以及Dense全连接层，
所述步骤4包括如下子步骤：
步骤4-1，在所述Conv1D卷积层采用Relu激活函数提取食用油一维信号特征；
步骤4-2，在所述AveragePooling1D池化层采用Relu激活函数对所述食用油一维信号特征进行压缩，提取主要特征；
步骤4-3，在所述Dense全连接层连接所有的所述主要特征，得到特征值，而后将所述特征值输入softmax分类器对其进行分类，得到所述测试集中的食用油的种类标签。
CN201811491929.3A 2018-12-07 2018-12-07 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法 Active CN109598245B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811491929.3A CN109598245B (zh) 2018-12-07 2018-12-07 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811491929.3A CN109598245B (zh) 2018-12-07 2018-12-07 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法

Publications (2)

Publication Number Publication Date
CN109598245A true CN109598245A (zh) 2019-04-09
CN109598245B CN109598245B (zh) 2023-02-07

Family

ID=65961324

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811491929.3A Active CN109598245B (zh) 2018-12-07 2018-12-07 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法

Country Status (1)

Country Link
CN (1) CN109598245B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132256A (zh) * 2020-08-05 2020-12-25 芯华创(武汉)光电科技有限公司 一种基于神经网络的拉曼分布式温度传感方法和系统
CN113743682A (zh) * 2021-11-03 2021-12-03 中国科学院精密测量科学与技术创新研究院 一种基于有监督深度神经网络的nmr弛豫时间反演方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140220594A1 (en) * 2011-09-21 2014-08-07 T2 Biosystems, Inc. Nmr methods for endotoxin analysis
CN104749236A (zh) * 2015-03-20 2015-07-01 浙江工商大学 一种电子舌脉冲弛豫信号曲线的物质成分检测方法
CN107748126A (zh) * 2017-10-19 2018-03-02 北京青檬艾柯科技有限公司 一种获取岩石孔隙尺寸和孔隙表面弛豫率的核磁共振方法
CN108520088A (zh) * 2018-02-27 2018-09-11 华东师范大学 基于数值模拟技术的仿真核磁共振弛豫谱分析方法及分析系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140220594A1 (en) * 2011-09-21 2014-08-07 T2 Biosystems, Inc. Nmr methods for endotoxin analysis
CN104749236A (zh) * 2015-03-20 2015-07-01 浙江工商大学 一种电子舌脉冲弛豫信号曲线的物质成分检测方法
CN107748126A (zh) * 2017-10-19 2018-03-02 北京青檬艾柯科技有限公司 一种获取岩石孔隙尺寸和孔隙表面弛豫率的核磁共振方法
CN108520088A (zh) * 2018-02-27 2018-09-11 华东师范大学 基于数值模拟技术的仿真核磁共振弛豫谱分析方法及分析系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
YEA-HOON KWON, SAE-BYUK SHIN AND SHIN-DUG KIM: "Electroencephalography Based Fusion Two-Dimensional (2D)-Convolution Neural Networks (CNN) Model for Emotion Recognition System", 《SENSORS BASEL》 *
常晓: "基于小波变换的低场核磁共振信号去噪方法的研究进展", 《波谱学杂志》 *
曲建岭等: "基于一维卷积神经网络的滚动轴承自适应故障诊断算法", 《仪器仪表学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112132256A (zh) * 2020-08-05 2020-12-25 芯华创(武汉)光电科技有限公司 一种基于神经网络的拉曼分布式温度传感方法和系统
CN112132256B (zh) * 2020-08-05 2023-12-08 芯华创(武汉)光电科技有限公司 一种基于神经网络的拉曼分布式温度传感方法和系统
CN113743682A (zh) * 2021-11-03 2021-12-03 中国科学院精密测量科学与技术创新研究院 一种基于有监督深度神经网络的nmr弛豫时间反演方法
CN113743682B (zh) * 2021-11-03 2022-02-18 中国科学院精密测量科学与技术创新研究院 一种基于有监督深度神经网络的nmr弛豫时间反演方法

Also Published As

Publication number Publication date
CN109598245B (zh) 2023-02-07

Similar Documents

Publication Publication Date Title
CN108062477A (zh) 基于侧信道分析的硬件木马检测方法
CN104866871B (zh) 基于投影结构稀疏编码的高光谱图像分类方法
CN106530271B (zh) 一种红外图像显著性检测方法
CN104677875A (zh) 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法
Wu et al. Identification and quantification of counterfeit sesame oil by 3D fluorescence spectroscopy and convolutional neural network
CN103134850A (zh) 一种基于特征香气的茶叶品质快速检测装置及检测方法
CN104794729B (zh) 基于显著性引导的sar图像变化检测方法
CN106568907A (zh) 一种基于半监督鉴别投影的大闸蟹新鲜度无损检测方法
CN110414277B (zh) 基于多特征参数的门级硬件木马检测方法
CN110059556A (zh) 一种基于深度学习的变电站开关分合状态检测方法
CN109975273A (zh) 一种基于激光诱导击穿光谱的岩石分类方法
CN109598245A (zh) 基于1d-cnn的食用油横向弛豫衰减曲线信号特征提取方法
CN110068544A (zh) 物质识别网络模型训练方法及太赫兹光谱物质识别方法
CN105989336A (zh) 基于带权重的解卷积深度网络学习的场景识别方法
CN107679569A (zh) 基于自适应超图算法的拉曼光谱物质自动识别方法
CN107132311B (zh) 一种基于频域特征提取的快速气体识别算法
CN107389571A (zh) 一种矿物组分高光谱遥感精细鉴别方法
CN109902638A (zh) 基于2d-cnn的食用油横向弛豫信号特征提取方法
CN113516228A (zh) 一种基于深度神经网络的网络异常检测方法
CN113095188A (zh) 一种基于深度学习的拉曼光谱数据分析方法与装置
CN112766161A (zh) 基于集成约束多示例学习的高光谱目标检测方法
CN105300267A (zh) 基于电磁涡流和数据融合算法的金属板厚度测量方法
CN111929285A (zh) 一种激光诱导荧光红酒掺杂酒精的光谱识别方法
CN107944474A (zh) 基于局部自适应字典的多尺度协作表达高光谱分类方法
US10557787B1 (en) Detection of compounds in material samples utilizing a transformation and subsequent decomposition

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