CN111678599B - 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 - Google Patents
基于深度学习优化s-g滤波的激光光谱降噪方法及装置 Download PDFInfo
- Publication number
- CN111678599B CN111678599B CN202010645694.XA CN202010645694A CN111678599B CN 111678599 B CN111678599 B CN 111678599B CN 202010645694 A CN202010645694 A CN 202010645694A CN 111678599 B CN111678599 B CN 111678599B
- Authority
- CN
- China
- Prior art keywords
- filtering
- laser
- data
- neural network
- spectrum
- 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
Links
- 238000001914 filtration Methods 0.000 title claims abstract description 107
- 238000001228 spectrum Methods 0.000 title claims abstract description 45
- 230000009467 reduction Effects 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000005457 optimization Methods 0.000 title claims abstract description 32
- 238000013135 deep learning Methods 0.000 title claims abstract description 28
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims abstract description 54
- 238000013528 artificial neural network Methods 0.000 claims abstract description 51
- 238000000862 absorption spectrum Methods 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000003595 spectral effect Effects 0.000 claims abstract description 29
- 238000012545 processing Methods 0.000 claims abstract description 4
- 238000010521 absorption reaction Methods 0.000 claims description 31
- 210000004027 cell Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 7
- 238000013079 data visualisation Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000003993 interaction Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000001035 drying Methods 0.000 claims description 3
- 238000000746 purification Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 2
- 238000001307 laser spectroscopy Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000007786 learning performance Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000010453 quartz Substances 0.000 description 1
- 238000005057 refrigeration Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
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
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01J—MEASUREMENT OF INTENSITY, VELOCITY, SPECTRAL CONTENT, POLARISATION, PHASE OR PULSE CHARACTERISTICS OF INFRARED, VISIBLE OR ULTRAVIOLET LIGHT; COLORIMETRY; RADIATION PYROMETRY
- G01J3/00—Spectrometry; Spectrophotometry; Monochromators; Measuring colours
- G01J3/28—Investigating the spectrum
- G01J3/2823—Imaging spectrometer
-
- 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
Abstract
本发明公开了一种基于深度学习优化S‑G滤波的激光光谱降噪方法及装置，属于激光光谱领域；包括：采用基于QCL量子级联激光器或其他可调谐激光光源的气体激光吸收光谱实验装置采集吸收光谱数据，获取待测气体的吸收光谱数据作为Adam算法神经网络训练样本；根据光谱数据训练样本建立Adam算法神经网络拓扑模型，选取最优滤波参数组合；采用S‑G滤波算法按照优化后的滤波参数进行自适应滤波；构建的Adam算法神经网络对滤波值进行校正；根据优化后的S‑G滤波算法进行光谱数据的降噪处理。本发明提供的基于深度学习优化S‑G滤波的激光光谱降噪方法，可以提高光谱滤波信噪比，使气体的吸收谱线测量变得更为准确。
Description
技术领域
本发明涉及激光光谱技术领域，尤其涉及一种基于深度学习优化S-G(Savitzky-Golay)滤波的激光光谱降噪方法及装置。
背景技术
随着现代激光技术的快速发展,激光光谱测量技术作为光谱学研究前沿已成为国内外研究的热点。激光光谱是以激光为光源的光谱技术，与普通光源相比，激光光源具有单色性好、亮度高、方向性强、相干性强的特点，是用来研究光和物质相互作用的理想光源。激光的出现使原有的光谱技术在灵敏度和分辨率方面得到很大改善。激光光谱技术已经成为与化学、物理学、生物学、材料学等密切相关的技术领域。激光用于气体吸收光谱测量，可用于取代普通光源，省去分光装置。通过测量激光在通过气体介质前后的光强可以计算出气体的吸收系数，改变入射激光的波长便可以得到完整的气体吸收谱线。由于激光中由于输出激光的振幅、相位、频率等的随机变化导致测量激光光谱中含有噪声，即干扰信号。为了提高测量气体吸收激光的激光光谱的准确性和精度，需要对吸收谱线进行滤波预处理。
而Savitzky和Golay提出的S-G滤波计算简单方便且仅依赖阶数值和窗口大小两个参数，在近红外光谱数据采集与处理中被广泛使用，但是如何正确设置S-G算法的参数使滤波效果在去噪不足和过度滤波中找到平衡点，是该滤波算法的一大难题。
发明内容
基于背景技术存在的技术问题，本发明提出了一种基于深度学习优化S-G滤波的激光光谱降噪方法及装置，本发明基于对多条谱线进行S-G滤波的基础上，利用深度学习神经网络进行自适应性学习谱线情况与最适合参数值之间的联系，可以在对含噪声的实测谱线进行滤波时，选择更加合适的参数值，提高S-G滤波的精确度，进而达到优化S-G滤波的作用。
本发明采用的技术方案是：
一种基于深度学习优化S-G滤波的激光光谱降噪方法，其特征在于，包括以下步骤：
步骤一：采用激光气体吸收光谱采集模块采集吸收光谱数据，获取气体的吸收光谱数据作为Adam算法神经网络训练样本；
步骤二：根据Adam算法神经网络训练样本建立Adam算法神经网络拓扑模型，选取最优滤波参数组合；
步骤三：将Adam算法神经网络训练样本选取的最优滤波参数组合输入到S-G滤波算法中，并对实测谱线进行自适应滤波。
进一步地，所述的一种基于深度学习优化S-G滤波的激光光谱降噪方法，其特征在于，步骤二的具体过程为：
将所述Adam算法神经网络训练样本分为平稳无吸收趋势数据集合、弱吸收趋势数据集合、强吸收(吸收峰附近)趋势数据集合；根据上述三种吸收趋势数据集合，对不同S-G滤波参数下检测气体的吸收光谱数据训练样本进行所述Adam算法神经网络拓扑模型的学习，得到最优的S-G光谱滤波参数。
进一步地，所述的一种基于深度学习优化S-G滤波的激光光谱降噪方法，其特征在于，步骤三的具体过程为：
(1)获得实测谱线数据；
(2)对实测谱线进行SG滤波，得到最优的滤波参数；
(3)搭建keras降噪自编码器框架，包括编码层、解码层、数据可视化模块；
(4)将含噪声谱线与SG滤波后得到的最优滤波参数分别输入到神经网络中作为输入层与输出层并对神经网络进行训练；
(5)将实测数据输入到训练好的神经网络中，选出最优滤波参数组合，对实测谱线进行自适应S-G滤波，调用数据可视化接口观察滤波效果。
进一步地，所述的一种基于深度学习优化S-G滤波的激光光谱降噪方法，其特征在于，步骤(2)中所述获得实测谱线数据包括如下步骤：
由搭建的实验装置测得含噪声的实测谱线数据；
使用Matlab的sgolayfilt函数对含噪数据进行初步滤波，找出相应的最优滤波参数；所述sgolayfilt函数即为S-G滤波函数；
一种基于深度学习优化S-G滤波的激光光谱降噪装置，其特征在于，包括以下模块：
激光气体吸收光谱采集模块，用于获取检测气体的吸收光谱数据作为滤波初始数据和Adam算法神经网络训练样本；
Adam算法网络构建和训练模块，用于根据所述Adam算法神经网络训练样本构建和训练Adam算法网络拓扑模型，调整所述Adam算法网络拓扑模型中各个神经元权值；
Adam算法网络优化自适应S-G滤波模块，用于根据Adam算法网络优化后的自适应S-G滤波模型进行检测气体吸收光谱的降噪处理。
进一步地，所述一种基于深度学习优化S-G滤波的激光光谱降噪装置，其特征在于，所述激光气体吸收光谱采集模块为基于QCL量子级联激光器的气体激光吸收光谱实验装置，所述基于QCL量子级联激光器的气体激光吸收光谱实验装置包括一个作为光源的QCL量子级联激光器，所述QCL量子级联激光器连接有QCL激光控制器，所述QCL激光控制器用于对所述QCL量子级联激光器进行控制，所述QCL量子级联激光器的出射光束与另一可见光激光器光束耦合，光束耦合后进入设有进气口、出气口的长程吸收池，在所述长程吸收池进气口端连接有净化干燥装置和流量控制器，在所述长程吸收池出气口端连接有压强控制器与真空泵；在所述长程吸收池内发生多次反射，最终出射光聚焦到长程吸收池出射光路上的热电致冷的碲镉汞VI-4TE-5光电探测器上，所述光电探测器由探测驱动器进行驱动，并将采集到的激光光谱数据传输到数据采集单元，所述数据采集单元的信号输出端与计算机连接；所述计算机在内置的软件程序支持下，实现对压强控制器、数据采集单元、探测驱动器以及QCL激光控制器的数据交互，完成对整个系统的控制和信号分析，获取待测气体的吸收光谱数据。
进一步地，所述的一种基于深度学习优化S-G滤波的激光光谱降噪装置，其特征在于，所述QCL量子级联激光器可有其他可调谐激光光源代替。
本发明技术的有益效果在于：
1、本发明技术提出了一种基于深度学习优化S-G滤波的激光光谱降噪方法，可以用于激光吸收光谱数据进行降噪处理，在保留Savitzky-Golay(S-G)强大的滤波功能的基础上，利用Adam算法网络对滤波系统进行优化，使得滤波系统模型具有自适应性能，与传统Savitzky-Golay(S-G)滤波的算法相比，实现“自我调节”功能，提高了光谱降噪的精度与灵敏度，实现了光谱信号的最优化信噪分离；同时由于Adam算法神经网络的学习性能，使得该算法对于大部分光谱系统与任意波形数据均具有很好的适应性，拓宽了(S-G)滤波算法在激光光谱技术中的应用。
2、本发明结合了Adam算法神经网络，通过获取不同噪声下检测气体的吸收光谱数据作为神经网络训练样本，根据光谱数据训练样本建立Adam算法神经网络拓扑模型，调整Adam算法神经网络拓扑结构模型中各个神经元权值，选取最优Savitzky-Golay(S-G)滤波参数组合，避免人为确定滤波参数造成的误差，提高了光谱降噪的准确度。
3、本发明技术方案简单易操作，无需花费大量的人力及物力，因此其成本和使用方便程度容易被大多数应用部门所接受。
附图说明
图1为本发明一种基于深度学习优化S-G滤波的激光光谱降噪方法的流程图。
图2为本发明一种基于深度学习优化S-G滤波的激光光谱降噪方法的Adam算法神经网络拓扑模型的结构示意图。
图3为本发明一种基于深度学习优化S-G滤波的激光光谱降噪方法的神经网络光谱滤波实测结果。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
实施例1。
如图1所示，一种基于深度学习优化S-G滤波的激光光谱降噪方法，包括以下步骤：
步骤一：采用激光气体吸收光谱采集模块采集吸收光谱数据，获取待测气体的吸收光谱数据作为Adam算法神经网络训练样本；
步骤二：根据Adam算法神经网络训练样本建立Adam算法神经网络拓扑模型，选取最优滤波参数组合；
步骤三：将Adam算法神经网络训练样本选取的最优滤波参数组合输入到S-G滤波算法中，并对实测谱线进行自适应滤波。
进一步地，步骤二的具体过程为：
将所述Adam算法神经网络训练样本分为平稳无吸收趋势数据集合、弱吸收趋势数据集合、强吸收(吸收峰附近)趋势数据集合；根据上述三种吸收趋势数据集合，对不同S-G滤波参数下检测气体的吸收光谱数据训练样本进行所述Adam算法神经网络拓扑模型的学习，得到最优的S-G光谱滤波参数。
进一步地，步骤三的具体过程为：
(1)获得实测谱线数据；
(2)对实测谱线进行SG滤波，得到滤波后谱线；
(3)搭建keras降噪自编码器框架，包括编码层、解码层、数据可视化模块；
(4)将含噪声谱线与SG滤波后谱线分别输入到神经网络中作为输入层与输出层并对神经网络进行训练，选出对应最优滤波参数组合；
(5)将实测数据放入训练好的神经网络中，选出最优滤波参数组合，输入S-G滤波算法中进行对实测谱线的降噪处理，调用数据可视化接口观察滤波效果。
进一步地，步骤(2)中所述对谱线加入随机噪声包括如下步骤：
由搭建的实验装置测得含噪声的实测谱线数据；使用Matlab的sgolayfilt函数对含噪数据进行初步滤波；
使用xlswrite保存生成的SG滤波谱线。
上述sgolayfilt函数即为SG滤波函数，其原理如下：
S-G滤波是一种能在时域内通过移动窗口进行加权平均达到最佳拟合的方法，加权系数不是常数窗口，而是通过在滑动窗口内对给定高阶多项式的最小二乘拟合得出，能够很好的去除白噪声。SG滤波的步骤为：选择窗口大小和阶数、将一个低阶多项式函数拟合到所选择的数据区间、通过给定的阶数确定一个多项式对中心单位脉冲逼近、根据多项式系数计算所选区间中心的平滑数据点、将分析区间右移一个采样区间，重复平滑过程直至所有数据均被拟合。
考虑一组以n＝0为中心的2M+1个数据，可以用
来拟合
最小二乘拟合的残差为
滤波结果y[0]＝p(0)＝a0,所以只需要拟合多项式的常数项。
可以利用卷积运算来实现
即对输入数据进行了加权平均
获得a0的步骤为：
若ε最小，ε对各个参数的偏导数都应为0，即
化简得
引入一个(2M+1)行(N+1)列的辅助矩阵A：
A＝{an,i}
an,i＝ni,-M≤n≤M,0≤i≤N
设辅助矩阵B，使B＝ATA，经简单计算可知：
定义：
则可以得到：Ba＝ATAa＝ATx
a＝(ATA)-1AT＝Hx
H的第一行行向量就是要求的卷积系数。由上述可知，H与x无关，只由N和M决定。
一种基于深度学习优化S-G滤波的激光光谱降噪装置，包括以下模块：
激光气体吸收光谱采集模块，用于获取检测气体的吸收光谱数据作为滤波初始数据和Adam算法神经网络训练样本；
Adam算法网络构建和训练模块，用于根据所述Adam算法神经网络训练样本构建和训练Adam算法网络拓扑模型，调整所述Adam算法网络拓扑模型中各个神经元权值；
Adam算法网络优化自适应S-G滤波模块，用于根据Adam算法网络优化后的自适应S-G滤波模型进行检测气体吸收光谱的降噪处理。
进一步地，激光气体吸收光谱采集模块为基于QCL量子级联激光器的气体激光吸收光谱实验装置，基于QCL量子级联激光器的气体激光吸收光谱实验装置包括一个作为光源的QCL量子级联激光器，QCL量子级联激光器连接有QCL激光控制器，QCL激光控制器用于对QCL量子级联激光器进行控制，QCL量子级联激光器的出射光束与另一可见光激光器光束耦合，光束耦合后进入设有进气口、出气口的长程吸收池，在长程吸收池进气口端连接有净化干燥装置和流量控制器，在长程吸收池出气口端连接有压力控制器与真空泵；在长程吸收池内发生多次反射，最终出射光聚焦到长程吸收池出射光路上的热电致冷的光电探测器上，并将采集到的激光光谱数据传输到数据采集单元，所述数据采集单元的信号输出端与计算机连接；所述计算机在内置的软件程序支持下，实现对压力控制器、数据采集单元、探测驱动器以及QCL激光控制器的数据交互，完成对整个系统的控制和信号分析，获取待测气体的吸收光谱数据。
图1为本发明一种基于深度学习优化S-G滤波的激光光谱降噪方法的流程图。本发明方法通过获取不同Savitzky-Golay(S-G)滤波参数下检测气体的吸收光谱数据作为Adam算法神经网络训练样本；根据光谱数据训练样本建立Adam算法神经网络拓扑模型，调整Adam算法神经网络拓扑结构模型中各个神经元权值，选取最优滤波参数组合；对卡尔曼滤波算法进行双重优化，根据基于Adam算法神经网络优化后的自适应Savitzky-Golay(S-G)滤波算法模型进行吸收光谱降噪处理。
图2为本发明一种基于深度学习优化S-G滤波的激光光谱降噪方法的Adam算法神经网络拓扑模型的结构示意图。包含有输入层、隐含层、输出层的拓扑结构。
图3为本发明一种基于深度学习优化S-G滤波的激光光谱降噪方法的光谱降噪实测结果。可以看出本发明方法对激光光谱信号降噪处理的有效性。
本发明为了消除光谱中噪声的影响，提出了基于深度学习神经网络优化S-G滤波的方法，先对模拟的激光光谱函数进行滤波预处理，再输入到深度学习神经网络中进行分析学习从而得到训练模型。当利用深度学习神经网络优化S-G滤波模型对实测数据进行滤波后，与原SG滤波函数相比产生明显提高信噪比的现象，使气体的吸收谱线测量变得更为准确。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (4)
1.一种基于深度学习优化S-G滤波的激光光谱降噪方法，其特征在于，包括以下步骤：
步骤一：采用激光气体吸收光谱采集模块采集吸收光谱数据，获取待测气体的吸收光谱数据作为Adam算法神经网络训练样本；
步骤二：根据Adam算法神经网络训练样本建立Adam算法神经网络拓扑模型，选取最优滤波参数组合；
步骤三：将Adam算法神经网络训练样本选取的最优滤波参数组合输入到S-G滤波算法中，并对实测谱线进行自适应滤波；
步骤二的具体过程为：
将所述Adam算法神经网络训练样本分为平稳无吸收趋势数据集合、弱吸收趋势数据集合、强吸收趋势数据集合；根据上述三种吸收趋势数据集合，对不同S-G滤波参数下检测气体的吸收光谱数据训练样本进行所述Adam算法神经网络拓扑模型的学习，得到最优的S-G光谱滤波参数；
步骤三的具体过程为：
(1)获得实测谱线数据；
(2)对实测谱线进行SG滤波，得到最优的滤波参数；
(3)搭建keras降噪自编码器框架，包括编码层、解码层、数据可视化模块；
(4)将含噪声谱线与SG滤波后得到的最优滤波参数分别输入到神经网络中作为输入层与输出层并对神经网络进行训练；
(5)将实测数据输入到训练好的神经网络中，选出最优滤波参数组合，对实测谱线进行自适应S-G滤波，调用数据可视化接口观察滤波效果。
2.一种应用于权利要求1所述一种基于深度学习优化S-G滤波的激光光谱降噪方法的装置，其特征在于，包括以下模块：
激光气体吸收光谱采集模块，用于获取检测气体的吸收光谱数据作为滤波初始数据和Adam算法神经网络训练样本；
Adam算法网络构建和训练模块，用于根据所述Adam算法神经网络训练样本构建和训练Adam算法网络拓扑模型，调整所述Adam算法网络拓扑模型中各个神经元权值；
Adam算法网络优化自适应S-G滤波模块，用于根据Adam算法网络优化后的自适应S-G滤波模型进行检测气体吸收光谱的降噪处理。
3.根据权利要求2所述一种基于深度学习优化S-G滤波的激光光谱降噪装置，其特征在于，所述激光气体吸收光谱采集模块为基于QCL量子级联激光器的气体激光吸收光谱实验装置，所述基于QCL量子级联激光器的气体激光吸收光谱实验装置包括一个作为光源的QCL量子级联激光器，所述QCL量子级联激光器连接有QCL激光控制器，所述QCL激光控制器用于对所述QCL量子级联激光器进行控制，所述QCL量子级联激光器的出射光束与另一可见光激光器光束耦合，光束耦合后进入设有进气口、出气口的长程吸收池，在所述长程吸收池进气口端连接有净化干燥装置和流量控制器，在所述长程吸收池出气口端连接有压力控制器与真空泵；在所述长程吸收池内发生多次反射，最终出射光聚焦到长程吸收池出射光路上的热电致冷的光电探测器上，并将采集到的激光光谱数据传输到数据采集单元，所述数据采集单元的信号输出端与计算机连接；所述计算机在内置的软件程序支持下，实现对压力控制器、数据采集单元、探测驱动器以及QCL激光控制器的数据交互，完成对整个系统的控制和信号分析，获取待测气体的吸收光谱数据。
4.据权利要求3所述的一种基于深度学习优化S-G滤波的激光光谱降噪装置，其特征在于，所述QCL量子级联激光器可由 其他可调谐激光光源代替。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010645694.XA CN111678599B (zh) | 2020-07-07 | 2020-07-07 | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010645694.XA CN111678599B (zh) | 2020-07-07 | 2020-07-07 | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111678599A CN111678599A (zh) | 2020-09-18 |
| CN111678599B true CN111678599B (zh) | 2022-11-22 |
Family
ID=72457325
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010645694.XA Active CN111678599B (zh) | 2020-07-07 | 2020-07-07 | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111678599B (zh) |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113221631B (zh) * | 2021-03-22 | 2023-02-10 | 西安电子科技大学 | 基于卷积神经网络的序列脉冲抗干扰目标检测方法 |
| CN112801881B (zh) * | 2021-04-13 | 2021-06-22 | 湖南大学 | 一种高分辨率高光谱计算成像方法、系统及介质 |
| CN113962904B (zh) * | 2021-11-26 | 2023-02-10 | 江苏云脑数据科技有限公司 | 一种高光谱图像滤波降噪的方法 |
| CN114384030A (zh) * | 2022-01-11 | 2022-04-22 | 山东大学 | 一种基于卷积神经网络的气体激光吸收光谱滤波方法 |
| CN114417937A (zh) * | 2022-01-26 | 2022-04-29 | 山东捷讯通信技术有限公司 | 一种基于深度学习的拉曼光谱去噪方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107271372A (zh) * | 2017-06-02 | 2017-10-20 | 西北农林科技大学 | 一种苹果叶片叶绿素遥感估测方法 |
| CN109632693A (zh) * | 2018-12-10 | 2019-04-16 | 昆明理工大学 | 一种基于blstm-rnn的太赫兹光谱识别方法 |
| CN110146455A (zh) * | 2019-05-27 | 2019-08-20 | 安徽大学 | 基于深度学习的激光光谱气体浓度测量方法 |
-
2020
- 2020-07-07 CN CN202010645694.XA patent/CN111678599B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| Body Motion Noise Reduction from Wavelet Filter Scaling Level Decision with Savitzky-Golay Smoothing Filter Application;Jong-Rul Park;《IEEE Xplore. Restrictions apply》;20181231;全文 * |
| 一种自适应层进式Savitzky-Golay光谱滤波算法及其应用;鲁一冰;《光谱学与光谱分析》;20190930;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111678599A (zh) | 2020-09-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111678599B (zh) | 基于深度学习优化s-g滤波的激光光谱降噪方法及装置 | |
| CN103983595B (zh) | 一种基于紫外-可见光谱处理的水质浊度解算方法 | |
| CN207198034U (zh) | 太赫兹光谱分析系统及设备 | |
| CN110705372A (zh) | 基于深度学习卷积神经网络的libs多成分定量反演方法 | |
| CN116738153B (zh) | 基于光谱分析的有机肥利用效果评价方法 | |
| CN101446548A (zh) | 基于响应量转换实现牛奶成分测量的装置及方法 | |
| CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
| CN107515202A (zh) | 太赫兹光谱分析方法、系统及设备 | |
| CN106706320B (zh) | 一种基于前馈控制随机共振的轴承早期故障诊断方法 | |
| CN114384548A (zh) | 生物气溶胶数浓度廓线拉曼荧光激光雷达系统及预测方法 | |
| CN114034653B (zh) | 基于深度学习的波长调制吸收光谱层析重建系统 | |
| CN113030011A (zh) | 水果糖度快速无损检测方法及检测系统 | |
| CN106442396A (zh) | 基于近红外技术的甘蔗渣蔗糖含量快检方法 | |
| CN110135320A (zh) | 基于bp神经网络与方差补偿的光谱降噪方法及装置 | |
| CN106323466A (zh) | 一种连续小波变换分析的叶片氮含量高光谱估算方法 | |
| CN113390826B (zh) | 一种用于视线非均匀吸收光谱测量的积分吸光度测量误差估计方法 | |
| CN114548172A (zh) | 一种波长调制激光气体吸收光谱的参数提取方法与系统 | |
| CN115266583A (zh) | 环境光滤除方法、系统、计算机设备及计算机可读存储介质 | |
| CN112697745A (zh) | 一种白酒酒精含量测定方法 | |
| CN111141695B (zh) | 一种非分散红外多组分氟利昂气体检测系统 | |
| CN117664906B (zh) | 基于光谱特征的水体抗生素污染检测方法 | |
| CN110231313B (zh) | 一种激光气体分析仪在线零点校准方法及装置 | |
| CN104237140B (zh) | 一种植物叶片反射光谱的背景扣除方法 | |
| CN113176222B (zh) | 一种基于直接吸收谱的气体浓度反演方法 | |
| CN117054371A (zh) | 一种手持柑桔检测仪光谱信号校正方法 |
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 |