CN111428585B - 一种基于深度学习的超材料太赫兹谱学识别方法 - Google Patents

一种基于深度学习的超材料太赫兹谱学识别方法 Download PDF

Info

Publication number
CN111428585B
CN111428585B CN202010155724.9A CN202010155724A CN111428585B CN 111428585 B CN111428585 B CN 111428585B CN 202010155724 A CN202010155724 A CN 202010155724A CN 111428585 B CN111428585 B CN 111428585B
Authority
CN
China
Prior art keywords
layer
data
length
training
data set
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
CN202010155724.9A
Other languages
English (en)
Other versions
CN111428585A (zh
Inventor
孙钰
吴晓君
张伟豪
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.)
Beihang University
Original Assignee
Beihang 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 Beihang University filed Critical Beihang University
Priority to CN202010155724.9A priority Critical patent/CN111428585B/zh
Publication of CN111428585A publication Critical patent/CN111428585A/zh
Application granted granted Critical
Publication of CN111428585B publication Critical patent/CN111428585B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Investigating Or Analysing Materials By Optical Means (AREA)

Abstract

本发明公开了一种基于深度学习的超材料太赫兹谱学识别方法，使用太赫兹时域光谱仪对待测样品通过实验进行数据采集，把太赫兹透射不同材料后的时域数据经过傅里叶变换转变成频域数据，然后进入卷积神经网络训练。通过本发明的技术方案，无需人工特征提取，训练数据量小，识别准确度高。

Description

一种基于深度学习的超材料太赫兹谱学识别方法
技术领域
本发明属于太赫兹与人工智能技术领域，尤其涉及一种低成本、高精度的太赫兹信号识别方法。
背景技术
超材料是一种非自然界现有的人工制造材料，具有自然界普通材料无法获得或难以获得的出色电磁性能，存在宝贵的研究价值以及应用价值，经过几十年的迅速发展，超材料已经成为许多学科的研究热点，涉及物理学、材料科学、电子工程、光学、纳米科学等领域。超材料由周期分布或随机分布的人造结构组成，当与电磁辐射进行相互作用时，会产生与普通材料截然不同的异常性能。
太赫兹频段对应微波和红外之间，许多物质在这个频段都有自己的特征指纹光谱，基于此，过去三十多年的太赫兹科学与技术已经将这样的光谱识别从实验室研究阶段过渡到了大规模工业应用阶段。将太赫兹的谱学技术与人工智能分类技术相互结合，可以实现对物质的大致种类分类，该技术有望在未来的万物互联智能感知中发挥极大的积极作用。
但目前由于超材料性质的特殊性，即使使用太赫兹光谱技术，混合物中超材料的存在仍然是人类很难分辨的，因为随机放置样品会出现不同的方位角和入射角，可能导致光谱出现重叠的吸收峰，如何快速高效的从混合物质中分辨超材料的问题仍然一直困扰着研究人员。近年来随着人工智能技术的飞速进步，其在物质分类领域中的应用也越来越广泛，而且深度学习算法的逐渐成熟使得物质识别技术的发展和适应性大幅度提高，让深度学习技术应用在太赫兹领域实现物质的智能识别出现了可能性，不再需要人为提取太赫兹数据特征进行物质分辨，可极大提高物质分类的效率，使用太赫兹技术分辨超材料的问题也出现了转机。
目前实现基于太赫兹光谱进行物质分类的方案大约分为以下两种：
一种是基于若干组数据重复测量以及人工识别；另一种是人工提取数据特征分析后利用支持向量机(Support Vector Machine,SVM)方法实现对不同物质太赫兹光谱的基本分类。
以上两种方案都有自己的缺陷，对于第一种方法，重复测量数据费时费力，而且存在着极大的偶然性，实验误差不可避免，更换实验环境有可能导致原有分析结果出现偏差甚至失效，并且单纯靠人工提取和匹配太赫兹频谱特征很难保证效率，使用这样的方法进行实际工业应用更是难上加难，除此之外，超材料是一种特殊的物质，不同环境、不同入射角和方位角对超材料的太赫兹频谱都会造成极大的影响，将超材料与不同物质进行混合也必定会增加人工分析的困难。
第二类使用了机器学习的方法，在人工预提取特征的前提下，使用SVM方法对不同物质的太赫兹光谱进行判断，但目前存在的问题是SVM方法主要用于二分类，多种物质混合分类就要使用多个二分类支持向量机的组合完成，会给机器学习增加一些不必要的工作量，且超材料太赫兹频谱较为复杂，难以使用传统方法提取特征，也给SVM方法带来了一定难度，并且SVM方法对大规模训练样本难以实施，如果数据量很大，SVM的训练时间就会比较长，除此之外，每次训练都要选取不同形式的核函数和参数也给不同物质分类带来一定不便，很难投放在未来的大规模数据分类应用中。
发明内容
为了解决上述已有技术存在的不足，基于太赫兹TDS技术和卷积神经网络，分别测量了有超材料叠加与无超材料的各类物质的太赫兹光谱得到两类数据集，模拟实际情况、不同环境，对原有数据集进行了数据扩增，训练卷积神经网络模型，完成了混合物质中超材料的存在性识别，对比太赫兹领域传统物质分类方法有所突破。本发明的具体技术方案如下：
一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，包括以下步骤：
S1：通过太赫兹时域光谱仪对待测样品进行时域数据采集；
S2：数据预处理；
S2-1：对步骤S1的时域数据进行数据扩增；
S2-2：将步骤S2-1获得的数据经过傅里叶变换转换成频域数据；
S2-3：将步骤S2-2获得的频域数据按列进行L2范数归一化；
S2-4：将步骤S2-3获得的数据随机分为训练数据集和测试数据集，所述训练数据集和所述测试数据集均分为两类标签：有超材料和无超材料；
S3：卷积神经网络训练，所述卷积神经网络包括输入层、第一层卷积层、第二层卷积层、Flatten层和全连接层，具体方法如下：
S3-1：定义并初始化参数，定义一次训练所选取的样本数batch size为4，epochs为100次，学习率为0.001；
S3-2：将训练数据集输入所述输入层，输入的数据即n个长度为61的一维向量，n为数据个数；
S3-3：第一层卷积层对步骤S3-2的n个长度为61的一维向量进行卷积，定义32个长度为3的卷积核，按步长为2进行特征提取，输出30×32的矩阵，输出矩阵的每一列都包含一个滤波器的权值，每个过滤器将包含30个权重值；
S3-4：将步骤S3-3的结果输入到第二层卷积层中，定义8个长度为3的卷积核，按步长为2进行特征提取，输出为14×8的矩阵；
S3-5：使用Flatten层将第二层卷积层的输出压平，把多维输入一维化为112个；
S3-6：将步骤S3-5的结果输入全连接层，把长度为112的向量降为长度为2的向量，输出二分类结果；
S3-7：采用交叉熵损失函数计算损失，反向传播，通过RMSprop优化器更新每一层的参数，重复步骤S3-3至步骤S3-6直到epochs达到100次，损失收敛，训练完成；
S4：将测试数据集输入经过步骤S3训练的卷积神经网络中，根据输出结果即可区分混合物质中有无超材料。
进一步地，所述步骤S2-1的数据扩增的方法为压缩、拉伸或添加噪声。
进一步地，所述步骤S2-4的所述训练数据集和所述测试数据集的数量的比例是4：1。
本发明的有益效果在于：
1.本发明的方法无需人工特征提取：利用卷积神经网络对数据集进行训练，能够用很少的神经网络层数解决超材料太赫兹光谱分类问题，克服了传统人为分析法和SVM方法费时费力且精度低的缺点。
2.本发明的方法训练数据量小：使用太赫兹时域光谱仪系统获取原始数据后，利用压缩、加噪声的方法可将原始数据扩增几倍，免去了重复测量不同样品的步骤，为卷积神经网络的训练增加了数据量。
3.本发明的方法识别准确度高：能够实现超材料的太赫兹频谱高精准分类，测试集准确率达到了100％。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，通过参考附图会更加清楚的理解本发明的特征和优点，附图是示意性的而不应理解为对本发明进行任何限制，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，可以根据这些附图获得其他的附图。其中：
图1是本发明的用来采集原始数据的太赫兹时域光谱仪系统；
图2是本发明的卷积神经网络结构简化示意图。
附图标号说明：
1-发射器；2-第一透镜；3-第二透镜；4-样品架；5-第三透镜；6-第四透镜；7-接收器。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本发明的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
本发明模拟实际情况提出了一种用于各类物质太赫兹频谱数据增强的方法，在样本数有限的情况下模拟不同厚度的物质对太赫兹信号进行压缩拉伸，模拟空气中水蒸气带来的影响在某个固定频段添加噪声，有效地解决了样本数过少难以用于卷积神经网络训练的问题，大大减少了获取太赫兹频谱数据需要消耗的时间。使用卷积神经网络对各类物质太赫兹频谱进行训练，无需另构特征，省去了人工提取数据特征的步骤，同时可以在保证分类准确率的情况下有效降低所需训练算法的复杂性。具体地，一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，包括以下步骤：
S1：通过太赫兹时域光谱仪对待测样品进行时域数据采集；
S2：数据预处理；
S2-1：对步骤S1的时域数据进行数据扩增；
S2-2：将步骤S2-1获得的数据经过傅里叶变换转换成频域数据；
S2-3：将步骤S2-2获得的频域数据按列进行L2范数归一化；
S2-4：将步骤S2-3获得的数据随机分为训练数据集和测试数据集，训练数据集和测试数据集均分为两类标签：有超材料和无超材料；
S3：卷积神经网络训练，卷积神经网络包括输入层、第一层卷积层、第二层卷积层、Flatten层和全连接层，具体方法如下：
S3-1：定义并初始化参数，定义一次训练所选取的样本数batch size为4，epochs为100次，学习率为0.001；
S3-2：将训练数据集输入输入层，输入的数据即n个长度为61的一维向量，n为数据个数；
S3-3：第一层卷积层对步骤S3-2的n个长度为61的一维向量进行卷积，定义32个长度为3的卷积核，按步长为2进行特征提取，输出30×32的矩阵，输出矩阵的每一列都包含一个滤波器的权值，每个过滤器将包含30个权重值；
S3-4：将步骤S3-3的结果输入到第二层卷积层中，定义8个长度为3的卷积核，按步长为2进行特征提取，输出为14×8的矩阵；
S3-5：使用Flatten层将第二层卷积层的输出压平，把多维输入一维化为112个；
S3-6：将步骤S3-5的结果输入全连接层，把长度为112的向量降为长度为2的向量，输出二分类结果；
S3-7：采用交叉熵损失函数计算损失，反向传播，通过RMSprop优化器更新每一层的参数，重复步骤S3-3至步骤S3-6直到epochs达到100次，损失收敛，训练完成；
S4：将测试数据集输入经过步骤S3训练的卷积神经网络中，根据输出结果即可区分混合物质中有无超材料。
步骤S2-1的数据扩增的方法为压缩、拉伸或添加噪声。
步骤S2-4的训练数据集和测试数据集的数量的比例是4：1。
为了方便理解本发明的上述技术方案，以下通过具体实施例对本发明的上述技术方案进行详细说明。
实施例1
图1是本发明的用来采集原始数据的太赫兹时域光谱仪系统，太赫兹脉冲信号先经过第一透镜2进行准直，再经过第二透镜3聚焦到样品架4的样品上，经过样品之后，经过第三透镜5进行聚焦，再经过第四透镜6准直到接收天器7上，最后把太赫兹信号转化为了光电流信号，输入到电脑中实现对太赫兹信号的测量。由于太赫兹在不同方位角入射各类物质采集到的太赫兹光谱会有所区别，尤其是当太赫兹波透射不同方位角的超材料采集到的太赫兹信号差异很大，所以需要在实验时改变样品的不同方位角采集数据，在本系统中，太赫兹波透射的样品的方位角可以通过样品架任意调控，采集同一样品的不同数据。
1.数据预处理：
1-1：对上述数据压缩和增加噪声以模拟不同环境采集的数据，进行了数据扩增；
1-2：再进行傅里叶变换为频域数据；
1-3：对步骤1-2获得的频域数据按列进行L2范数归一化；
1-4：对频域数据以4：1的比率随机划分为训练集和测试集，训练数据集和测试数据集均分为两类标签：有超材料和无超材料；
2.卷积神经网络训练，图2是本发明的卷积神经网络结构图，包含五层结构，分别为输入层、卷积核为30×32的一维卷积层、卷积核为14×8的一维卷积层、Flatten层、全连接层；
2-1：定义并初始化参数，定义一次训练所选取的样本数batch size为4，epochs为100次，学习率为0.001；
2-2：将训练数据集输入所述输入层，输入为n个长度为61的一维向量；
2-3：第一层卷积层对步骤2-2的n个长度为61的一维向量进行卷积，定义32个长度为3的卷积核，按步长为2进行特征提取，输出30×32的矩阵，输出矩阵的每一列都包含一个滤波器的权值，每个过滤器将包含30个权重值；
2-4：将步骤2-3的结果输入到第二层卷积层中，定义8个长度为3的卷积核，按步长为2进行特征提取，输出为14×8的矩阵；
2-5：使用Flatten层将第二层卷积层的输出压平，把多维输入一维化为112个；
2-6：将步骤2-5的结果输入全连接层，把长度为112的向量降为长度为2的向量，输出二分类结果；
2-7：采用交叉熵损失函数计算损失，反向传播，通过RMSprop优化器更新每一层的参数，重复步骤2-3至步骤2-6直到epochs达到100次，损失收敛，训练完成；
S3：将测试数据集输入经过步骤2训练的卷积神经网络中，训练的卷积神经网络可以在测试集上达到100％的识别准确率，而SVM方法准确率仅为87.9％。
结果表明结合了AI的THz-TDS能够检出放置在具有不同方位角的不同物质中的超材料。根据输出结果即可区分混合物质中有无超材料。
在本发明中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
在本发明中，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解为指示或暗示相对重要性。术语“多个”指两个或两个以上，除非另有明确的限定。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，包括以下步骤：
S1：通过太赫兹时域光谱仪对待测样品进行时域数据采集；
S2：数据预处理；
S2-1：对步骤S1的时域数据进行数据扩增；
S2-2：将步骤S2-1获得的数据经过傅里叶变换转换成频域数据；
S2-3：将步骤S2-2获得的频域数据按列进行L2范数归一化；
S2-4：将步骤S2-3获得的数据随机分为训练数据集和测试数据集，所述训练数据集和所述测试数据集均分为两类标签：有超材料和无超材料；
S3：卷积神经网络训练，所述卷积神经网络包括输入层、第一层卷积层、第二层卷积层、Flatten层和全连接层，具体方法如下：
S3-1：定义并初始化参数，定义一次训练所选取的样本数batch size为4，epochs为100次，学习率为0.001；
S3-2：将训练数据集输入所述输入层，输入的数据即n个长度为61的一维向量，n为数据个数；
S3-3：第一层卷积层对步骤S3-2的n个长度为61的一维向量进行卷积，定义32个长度为3的卷积核，按步长为2进行特征提取，输出30×32的矩阵，输出矩阵的每一列都包含一个滤波器的权值，每个过滤器将包含30个权重值；
S3-4：将步骤S3-3的结果输入到第二层卷积层中，定义8个长度为3的卷积核，按步长为2进行特征提取，输出为14×8的矩阵；
S3-5：使用Flatten层将第二层卷积层的输出压平，把多维输入一维化为112个；
S3-6：将步骤S3-5的结果输入全连接层，把长度为112的向量降为长度为2的向量，输出二分类结果；
S3-7：采用交叉熵损失函数计算损失，反向传播，通过RMSprop优化器更新每一层的参数，重复步骤S3-3至步骤S3-6直到epochs达到100次，损失收敛，训练完成；
S4：将测试数据集输入经过步骤S3训练的卷积神经网络中，根据输出结果即可区分混合物质中有无超材料。
2.根据权利要求1所述的一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，所述步骤S2-1的数据扩增的方法为压缩、拉伸或添加噪声。
3.根据权利要求1所述的一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，所述步骤S2-4的所述训练数据集和所述测试数据集的数量的比例是4：1。
CN202010155724.9A 2020-03-09 2020-03-09 一种基于深度学习的超材料太赫兹谱学识别方法 Active CN111428585B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010155724.9A CN111428585B (zh) 2020-03-09 2020-03-09 一种基于深度学习的超材料太赫兹谱学识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010155724.9A CN111428585B (zh) 2020-03-09 2020-03-09 一种基于深度学习的超材料太赫兹谱学识别方法

Publications (2)

Publication Number Publication Date
CN111428585A CN111428585A (zh) 2020-07-17
CN111428585B true CN111428585B (zh) 2022-04-19

Family

ID=71547454

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010155724.9A Active CN111428585B (zh) 2020-03-09 2020-03-09 一种基于深度学习的超材料太赫兹谱学识别方法

Country Status (1)

Country Link
CN (1) CN111428585B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113138201B (zh) * 2021-03-24 2022-05-20 北京大学 用于无线被动式环境状态检测的超材料物联网系统及方法
CN113344051A (zh) * 2021-05-28 2021-09-03 青岛青源峰达太赫兹科技有限公司 一种基于太赫兹数据的神经网络分类方法
CN113960152B (zh) * 2021-10-18 2023-06-06 北方工业大学 一种基于离子迁移谱的痕量爆炸物识别方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104584326A (zh) * 2012-05-09 2015-04-29 杜克大学 超材料设备及使用该超材料设备的方法
US20180364158A1 (en) * 2017-06-20 2018-12-20 Konica Minolta Laboratory U.S.A., Inc. Terahertz spectral imaging system and security surveillance system employing the same
CN110276148A (zh) * 2019-06-27 2019-09-24 上海交通大学 基于自编码器的微结构降维特征提取及重构实现方法
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
CN110736986A (zh) * 2019-10-18 2020-01-31 北京大学 基于现场可编程超材料的智能Wi-Fi成像方法与系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104584326A (zh) * 2012-05-09 2015-04-29 杜克大学 超材料设备及使用该超材料设备的方法
US20180364158A1 (en) * 2017-06-20 2018-12-20 Konica Minolta Laboratory U.S.A., Inc. Terahertz spectral imaging system and security surveillance system employing the same
CN110276148A (zh) * 2019-06-27 2019-09-24 上海交通大学 基于自编码器的微结构降维特征提取及重构实现方法
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
CN110736986A (zh) * 2019-10-18 2020-01-31 北京大学 基于现场可编程超材料的智能Wi-Fi成像方法与系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于倾斜波前技术的高能强场太赫兹辐射脉冲源;吴晓君 等;《中国激光》;20190630;第46卷(第6期);1-19 *

Also Published As

Publication number Publication date
CN111428585A (zh) 2020-07-17

Similar Documents

Publication Publication Date Title
CN111428585B (zh) 一种基于深度学习的超材料太赫兹谱学识别方法
CN103364362B (zh) 一种利用THz-TDS结合化学计量学鉴定中草药的方法
CN107219188B (zh) 一种基于改进dbn的近红外光谱分析纺织品棉含量的方法
CN113378680B (zh) 一种拉曼光谱数据的智能建库方法
CN104794368A (zh) 基于foa-mksvm的滚动轴承故障分类方法
CN108875913A (zh) 一种基于卷积神经网络的松茸快速无损检测系统及方法
Qi et al. Global–local 3-D convolutional transformer network for hyperspectral image classification
CN107121407B (zh) 基于pso-ricaelm的近红外光谱分析鉴别翠冠梨成熟度的方法
CN110378295A (zh) 一种多光谱图像信息和光谱信息异构融合的煤矸识别方法
CN106127179A (zh) 基于自适应分层多尺度的高光谱遥感图像分类方法
CN113313059A (zh) 一种一维光谱分类方法及系统
Zheng et al. Effective band selection of hyperspectral image by an attention mechanism-based convolutional network
CN113095305A (zh) 一种医药异物高光谱分类检测方法
CN115586406A (zh) 一种基于特高频信号的gis局部放电故障诊断方法及系统
Yue et al. Extended application of deep learning combined with 2DCOS: Study on origin identification in the medicinal plant of Paris polyphylla var. yunnanensis
Shi et al. Feature extraction and classification of cataluminescence images based on sparse coding convolutional neural networks
CN105069462A (zh) 基于光谱特征细分和分类器级联的有机化学品定性判定方法
CN109883990A (zh) 一种药用真菌近红外光谱分析方法
CN113406030A (zh) 一种基于卷积神经网络的哈密瓜农药残留鉴别方法
CN117949429A (zh) 基于拉曼光谱和多模态混合式模型的杏仁产地鉴别方法
CN112836788A (zh) 一种用于干扰类型识别的低功耗深度学习网络方法
Bian et al. CEEMD: A new method to identify mine water inrush based on the signal processing and laser-induced fluorescence
CN109829408B (zh) 基于卷积神经网络的智能闪电识别装置
CN103927756B (zh) 一种基于光谱特征空间权化的光谱特征指数提取方法
CN115078327A (zh) 一种基于神经网络架构搜索的危险化学品快速检测方法

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