CN114548282B - 基于荧光光谱的分类方法、装置及可读存储介质 - Google Patents
基于荧光光谱的分类方法、装置及可读存储介质 Download PDFInfo
- Publication number
- CN114548282B CN114548282B CN202210168147.6A CN202210168147A CN114548282B CN 114548282 B CN114548282 B CN 114548282B CN 202210168147 A CN202210168147 A CN 202210168147A CN 114548282 B CN114548282 B CN 114548282B
- Authority
- CN
- China
- Prior art keywords
- matrix
- fluorescence spectrum
- similarity
- matrixes
- clustering
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T17/00—Three dimensional [3D] modelling, e.g. data description of 3D objects
- G06T17/20—Finite element generation, e.g. wire-frame surface description, tesselation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Mathematics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Pure & Applied Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Computer Graphics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请提出了一种基于荧光光谱的分类方法,包括:获取多个目标的荧光光谱矩阵;计算每两荧光光谱矩阵之间的相似度;根据所有相似度构建对应所有目标的相似度矩阵,并根据相似度矩阵获取度矩阵;根据相似度矩阵和度矩阵获取标准拉普拉斯矩阵;获取标准拉普拉斯矩阵的至少一特征值及每一特征值对应的特征向量;根据所有特征向量构建特征矩阵,并根据特征矩阵每行的所有元素构建对应的聚类样本;将所有聚类样本进行聚类得到聚类结果,根据聚类结果将多个目标进行分类。该方法通过基于目标的荧光光谱得到荧光光谱矩阵,通过每两荧光光谱矩阵之间的相似度构建相似度矩阵,引入谱聚类的方法进行聚类分析,实现了基于荧光光谱对目标进行分类。
Description
技术领域
本申请涉及荧光光谱分析领域,特别是涉及一种基于荧光光谱的分类方法、装置及可读存储介质。
背景技术
平行因子分析,是利用三维荧光光谱仪对物质进行三维荧光分析,多用于环境科学、分析化学、生命科学等多个领域。平行因子分析技术可被应用于分析目标物质的成分并鉴别其种类,在具体鉴定目标物时,利用荧光光谱仪测量得到目标样品的三维荧光光谱矩阵(EEMs),建立了不同种类目标样品在特定范围内的三维荧光光谱图和等高线光谱图,采用平行因子分析法(PARAFAC)计算得到目标样品的因子激发一发射光谱轮廓图和样品因子投影得分图.通过因子光谱特征分析确定目标样品的几种主要成分。
若需要利用平行因子分析法对目标物质进行分类时,则需要先确定每个物质的成分数量,再进行线性拟合才能实现将分类,这种分类方式过渡依赖于事先确定的物质的成分数量,当成分数量过低时可能会得到不具有物理意义的成分,当成分数量过高则会导致过度拟合或者分类结果不稳定。
另外,像是现有技术CN111426668A提供了一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法,该方案主要是利用峰特征数据、平面特征数据以及例题特征数据结合k-means聚类算法得到初步的聚类结果,再训练PNN概率神经网络并利用该神经网络进行分类。不仅过程繁琐,并且由于聚类算法得到的聚类结果可能存在误差,会导致根据聚类结果训练得到的神经网络存在更大的误差。
发明内容
本申请实施例提供了一种基于荧光光谱的分类方法,该方法通过基于目标的荧光光谱得到荧光光谱矩阵,通过每两荧光光谱矩阵之间的相似度构建相似度矩阵,引入谱聚类的方法进行聚类分析,实现了基于荧光光谱对目标进行分类。
第一方面,本申请实施例提供了一种基于荧光光谱的分类方法,该方法包括以下步骤:
获取多个目标的荧光光谱矩阵;
计算每两所述荧光光谱矩阵之间的相似度;
根据所有所述相似度构建对应所有所述目标的相似度矩阵,并根据所述相似度矩阵获取度矩阵;
根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵;
获取所述标准拉普拉斯矩阵的至少一特征值及每一所述特征值对应的特征向量,所述特征向量为包含至少一元素的列向量;
根据所有所述特征向量构建特征矩阵,并根据所述特征矩阵每行的所有所述元素构建对应的聚类样本;
将所有所述聚类样本进行聚类得到聚类结果,根据所述聚类结果将多个所述目标进行分类。
第二方面,本申请实施例提供了一种基于荧光光谱的分类装置,用于实现第一方面中所述的基于荧光光谱的分类方法,该装置包括以下模块:
获取模块,用于获取多个目标的荧光光谱矩阵;
相似度计算模块,用于计算每两所述荧光光谱矩阵之间的相似度;
初始化模块,用于根据所有所述相似度构建对应所有所述目标的相似度矩阵,并根据所述相似度矩阵获取度矩阵;
标准化模块,用于根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵;
特征提取模块,用于获取所述标准拉普拉斯矩阵的至少一特征值及每一所述特征值对应的特征向量,所述特征向量为包含至少一元素的列向量;
构建模块,用于根据所有所述特征向量构建特征矩阵,并根据所述特征矩阵每行的所有所述元素构建对应的聚类样本;
聚类模块,用于将所有所述聚类样本进行聚类得到聚类结果,根据所述聚类结果将多个所述目标进行分类。
第三方面,本申请实施例提供了一种电子装置,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以如上任意申请实施例所述的基于荧光光谱的分类方法。
第四方面,本申请实施例提供了一种可读存储介质,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据如上任意申请实施例所述的基于荧光光谱的分类方法。
本申请实施例的主要贡献和创新点如下:
该申请实施例基于目标的荧光光谱得到荧光光谱矩阵,通过每两荧光光谱矩阵之间的相似度构建相似度矩阵,引入谱聚类的方法进行聚类分析,实现了基于荧光光谱对目标进行分类。该方法可以最直接根据荧光光谱矩阵的相似度进行聚类的结果将所有目标进行分类。
本申请的一个或多个实施例的细节在以下附图和描述中提出,以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1是根据本申请实施例的基于荧光光谱的分类方法的流程图;
图2是根据本申请实施例的目标a的荧光光谱示意图;
图3是根据本申请实施例的目标b的荧光光谱示意图;
图4是根据本申请实施例的荧光光谱矩阵示意图;
图5是根据本申请实施例的相似度矩阵示意图;
图6是根据本申请实施例的基于荧光光谱的分类装置的结构框图;
图7是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本说明书一个或多个实施例相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本说明书一个或多个实施例的一些方面相一致的装置和方法的例子。
需要说明的是:在其他实施例中并不一定按照本说明书示出和描述的顺序来执行相应方法的步骤。在一些其他实施例中,其方法所包括的步骤可以比本说明书所描述的更多或更少。此外,本说明书中所描述的单个步骤,在其他实施例中可能被分解为多个步骤进行描述;而本说明书中所描述的多个步骤,在其他实施例中也可能被合并为单个步骤进行描述。
实施例一
本实施例提供了一种基于荧光光谱的分类方法,如图1所示,该方法主要包括三个步骤:
步骤1,获取多个目标的荧光光谱矩阵;
步骤2,计算每两个荧光光谱矩阵之间的相似度,根据每两荧光光谱矩阵之间的邻接关系使用相似度构建相似度矩阵,然后根据相似度矩阵获取度矩阵;
步骤3,使用谱聚类算法将多个目标进行分类。
在步骤1中,先获取多个目标的荧光光谱数据,去除每一所述荧光光谱数据中的瑞利散射,然后将每一所述荧光光谱数据转换成矩阵形式得到对应的荧光光谱矩阵。
也就是说,荧光光谱矩阵是由荧光光谱数据转化得到。本实施例提供的荧光光谱数据的第一行的数据为激发波长,第一列的数据为发射波长,对应激发波长和发射波长的数据为在该激发波长和发射波长下的荧光强度。
其中,荧光光谱的获取方式是将目标物质输入荧光光谱仪中获取,按照该方法可以得到目标a的荧光光谱如图2所示,目标b的荧光光谱如图3所示。也就是说,先获取目标的荧光光谱并解析成数据形式,将荧光光谱数据转化成矩阵形式即可得到如图4所示的荧光光谱矩阵。
值得一提的是,本方案提供的荧光光谱矩阵为由不同激光波长和不同发射波长下的的荧光强度组成的二维矩阵。
特别的是,由于瑞利散射在荧光光谱上体现为一条斜线,会影响分类的准确性,因此本实施例去除了荧光光谱数据中受到瑞利散射影响的数据。
其中,瑞利散射影响的数据区域,一般是在发射波长等于1倍、2倍或3倍激发波长处及其邻近区域。在一些实施例中,确定发射波长等于1倍激发波长的区域作为受到瑞利散射影响的区域,将这部分区域切除,也就是使数据置零,然后运用Delaunay三角形内插值法,根据散射带两侧的数据拟合得到去除受瑞利散射后的荧光光谱数据。
具体的,对荧光光谱数据应用Delaunay三角剖分可得到一系列连接数据点的三角形,使得没有数据包含在任意三角形内,对Delaunay三角剖分进行插值可以产生矩形格栅上的数据点,进行内插点时必须知道内插点所在的三角形,然后对初始三角网进行局部重构,最后进行LOP局部优化得到内插点。插值方法包括线性插值、立方插值和最近点插值等几种方法,本实施例中采用线性插值法对荧光光谱数据进行Delaunay三角剖分插值。
对于去除受瑞利散射影响的数据后,将激光波长按照从小到大的顺序存到张量N中,记其长度为n,再将发射波长按照从小到大的顺序存到张量M中,记其长度为m,然后按照将荧光光谱数据转换成二维矩阵形式得到荧光光谱矩阵。此时荧光光谱矩阵的矩阵元素为:在张量N中第i个激发波长及在张量M中的第j个发射波长下的荧光强度。
在步骤2中,先计算每两荧光光谱矩阵之间的相似度,然后根据每两荧光光谱矩阵之间的邻接关系使用相似度构建相似度矩阵,并根据相似度矩阵获取度矩。
在本方案中每两荧光光谱矩阵均依照上述方法进行处理得到,故任意两个荧光光谱矩阵同一位置的数据对应的值具有可比性。具体的,先计算两个荧光光谱矩阵同一位置的数据的差值,这个差值体现的是两个荧光光谱矩阵同一位置的数据差异值,本实施例中取差值的三次方来放大同一位置的数据差异值后,再将每一位置的数据差异值之和作为这两个荧光光谱矩阵之间的整体差异值,可以更准确地衡量两个荧光光谱矩阵之间的整体差异。然后根据整体差异值除以这两个荧光光谱矩阵同一位置上最大数据之和,得到这两个荧光光谱矩阵的相似度。
因此,以第一荧光光谱矩阵a和第二荧光光谱矩阵b为例,第一荧光光谱矩阵和第二荧光光谱矩阵的相似度的计算方法为:
其中,a为任意两所述荧光光谱矩阵中的第一荧光光谱矩阵,b为任意两所述荧光光谱矩阵中的第二荧光光谱矩阵,N为行数,M为列数,aij为所述第一荧光光谱矩阵中第i行第j列的数据,bij为所述第二荧光光谱矩阵中第i行第j列的数据。特别的是,如果荧光光谱矩阵中任意一个数据为负数,会导致相似度超过100%,因此本实施例中会将为负数的数据直接归零。
按照上述方法计算得到每两个荧光光谱矩阵之间的相似度后,再根据相似度对应荧光光谱矩阵之间的邻接关系构建相似度矩阵。
本实施例构建的相似度矩阵为不同目标之间的相似度组成的二维矩阵,也就是说,相似度矩阵中的矩阵元素为不同目标和不同目标之间的相似度。
在本方案的实施例中,以依次排序的目标为行,依次排序的目标为列,对应每行每列的数据为对应行的目标和对应列的目标之间的相似度。例如,目标为各种药材时,基于各种药材的荧光光谱矩阵的相似度构建的荧光光谱矩阵如图5所示。
获得相似度矩阵后,将相似度矩阵每一行的相似度分别进行求和得到对应的度矩阵元素,使用所有矩阵元素构建一个对角矩阵得到对应该相似度矩阵的度矩阵。
在步骤3中,先根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵,获取所述标准拉普拉斯矩阵的至少一特征值及每一所述特征值对应的特征向量,其中所述特征向量为包含至少一元素的列向量,然后根据所有所述特征向量构建特征矩阵,并根据所述特征矩阵每行的所有所述元素构建对应的聚类样本,最后将所有所述聚类样本进行聚类得到聚类结果,根据所述聚类结果将多个所述目标进行分类。
“根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵”包括步骤:根据所述相似度矩阵和所述度矩阵获取初始拉普拉斯矩阵,并根据所述度矩阵和所述初始拉普拉斯矩阵获取标准化后的所述标准拉普拉斯矩阵。
具体的,将所述度矩阵中每一所述度矩阵元素与所述相似度矩阵中对应位置上的所述相似度进行相减,得到初始拉普拉斯矩阵;使用负二分之一次幂的所述度矩阵乘以所述初始拉普拉斯矩阵后,再乘以负二分之一次幂的所述度矩阵将初始拉普拉斯矩阵标准化得到标准拉普拉斯矩阵。
然后计算标准拉普拉斯矩阵的至少一特征值并获取每一特征值对应的特征向量,其中特征向量为包含至少一元素的列向量。具体的,先计算标准拉普拉斯矩阵的特征值,将所有特征值进行排序,取最小的k1个特征值并获取这k1个特征值各自对应的特征向量,然后使用得到的所有特征向量构建特征矩阵。计算拉普拉斯矩阵的特征值和特征值对应的特征向量的方法为现有技术,在此不过多赘述。
在样本量较小的情况下,也可以获取所有特征值对应的特征向量来组成特征矩阵,该特征矩阵的行数和列数与所述特征向量的个数相等,例如样本量为n,那么可以得到n个特征向量,将所有特征向量组成n*n的特征矩阵。
最后,将特征矩阵的每一行分别作为一个聚类样本进行聚类得到聚类结果,并根据聚类结果将多个目标进行分类。
具体的,使用的是k-means聚类算法,设置需要的类别数,就可以根据特征矩阵中每一行的特征向量进行聚类得到对应设置的类别数的几大类。例如,将想将多个目标分成4大类,就可以将类别数k2设置成4。
在本方案的一实施例中,该方案被应用于分类药材,采用该聚类方法得到的聚类结果是将目标a和目标b分为同一大类中,从图2和图3可以看出两者的荧光光谱效果较为接近,因此可以说明本实施例提供的基于荧光光谱的分类方法可以成功基于药材的荧光光谱将药材进行分类。
实施例二
基于相同的构思,本实施例还提供了一种基于荧光光谱的分类装置,用于实现实施例一中所描述的基于荧光光谱的分类方法,具体参考图6,该装置包括以下模块:
获取模块,用于获取多个目标的荧光光谱矩阵;
相似度计算模块,用于计算每两所述荧光光谱矩阵之间的相似度;
初始化模块,用于根据所有所述相似度构建对应所有所述目标的相似度矩阵,并根据所述相似度矩阵获取度矩阵;
标准化模块,用于根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵;
特征提取模块,用于获取所述标准拉普拉斯矩阵的至少一特征值及每一所述特征值对应的特征向量,所述特征向量为包含至少一元素的列向量;
构建模块,用于根据所有所述特征向量构建特征矩阵,并根据所述特征矩阵每行的所有所述元素构建对应的聚类样本;
聚类模块,用于将所有所述聚类样本进行聚类得到聚类结果,根据所述聚类结果将多个所述目标进行分类。
实施例三
本实施例还提供了一种电子装置,参考图7,包括存储器404和处理器402,该存储器404中存储有计算机程序,该处理器402被设置为运行计算机程序以执行上述实施例中的任意一种基于荧光光谱的分类方法的步骤。
具体地,上述处理器402可以包括中央处理器(CPU),或者特定集成电路(Application Specific Integrated Circuit,简称为ASIC),或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中,存储器404可以包括用于数据或指令的大容量存储器404。举例来说而非限制,存储器404可包括硬盘驱动器(Hard Disk Drive,简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive,简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus,简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下,存储器404可在数据处理装置的内部或外部。在特定实施例中,存储器404是非易失性(Non-Volatile)存储器。在特定实施例中,存储器404包括只读存储器(Read-Only Memory,简称为ROM)和随机存取存储器(Random Access Memory,简称为RAM)。在合适的情况下,该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory,简称为PROM)、可擦除PROM(Erasable Programmable Read-Only Memory,简称为EPROM)、电可擦除PROM(Electrically Erasable Programmable Read-Only Memory,简称为EEPROM)、电可改写ROM(Electrically Alterable Read-Only Memory,简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下,该RAM可以是静态随机存取存储器(StaticRandom-Access Memory,简称为SRAM)或动态随机存取存储器(Dynamic Random AccessMemory,简称为DRAM),其中,DRAM可以是快速页模式动态随机存取存储器404(Fast PageMode Dynamic Random Access Memory,简称为FPMDRAM)、扩展数据输出动态随机存取存储器(Extended Date Out Dynamic Random Access Memory,简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory,简称SDRAM)等。
存储器404可以用来存储或者缓存需要处理和/或通信使用的各种数据文件,以及处理器402所执行的可能的计算机程序指令。
处理器402通过读取并执行存储器404中存储的计算机程序指令,以实现上述实施例中的任意一种基于荧光光谱的分类方法。
可选地,上述电子装置还可以包括传输设备406以及输入输出设备408,其中,该传输设备406和上述处理器402连接,该输入输出设备408和上述处理器402连接。
传输设备406可以用来经由一个网络接收或者发送数据。上述的网络具体实例可包括电子装置的通信供应商提供的有线或无线网络。在一个实例中,传输设备包括一个网络适配器(Network Interface Controller,简称为NIC),其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中,传输设备406可以为射频(Radio Frequency,简称为RF)模块,其用于通过无线方式与互联网进行通讯。
输入输出设备408用于输入或输出信息。在本实施例中,输入的信息可以是当前数据表例如疫情流调文档、特征数据、模板表等,输出的信息可以是特征指纹、指纹模板、文本分类推荐信息、文件模板配置映射表、文件模板配置信息表等。
可选地,在本实施例中,上述处理器402可以被设置为通过计算机程序执行以下步骤:
获取多个目标的荧光光谱矩阵;
计算每两所述荧光光谱矩阵之间的相似度;
根据所有所述相似度构建对应所有所述目标的相似度矩阵,并根据所述相似度矩阵获取度矩阵;
根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵;
获取所述标准拉普拉斯矩阵的至少一特征值及每一所述特征值对应的特征向量,所述特征向量为包含至少一元素的列向量;
根据所有所述特征向量构建特征矩阵,并根据所述特征矩阵每行的所有所述元素构建对应的聚类样本;
将所有所述聚类样本进行聚类得到聚类结果,根据所述聚类结果将多个所述目标进行分类。
需要说明的是,本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例,本实施例在此不再赘述。
另外,结合上述实施例一中的任意一种基于荧光光谱的分类方法,本申请实施例可一种计算机程序产品来实现。该计算机程序产品该计算机程序产品包括软件代码部分,当所述计算机程序产品在计算机上被运行时,所述软件代码部分用于执行实现上述实施例一中的任意一种基于荧光光谱的分类方法。
并且,结合上述实施例一中的任意一种基于荧光光谱的分类方法,本申请实施例可提供一种可读存储介质来实现。该可读存储介质上存储有计算机程序;该计算机程序被处理器执行时实现上述实施例中的任意一种基于荧光光谱的分类方法。
通常,各种实施例可以以硬件或专用电路、软件、逻辑或其任何组合来实现。本发明的一些方面可以以硬件来实现,而其他方面可以以可以由控制器、微处理器或其他计算设备执行的固件或软件来实现,但是本发明不限于此。尽管本发明的各个方面可以被示出和描述为框图、流程图或使用一些其他图形表示,但是应当理解,作为非限制性示例,本文中描述的这些框、装置、系统、技术或方法可以以硬件、软件、固件、专用电路或逻辑、通用硬件或控制器或其他计算设备或其某种组合来实现。
本发明的实施例可以由计算机软件来实现,该计算机软件由移动设备的数据处理器诸如在处理器实体中可执行,或者由硬件来实现,或者由软件和硬件的组合来实现。包括软件例程、小程序和/或宏的计算机软件或程序(也称为程序产品)可以存储在任何装置可读数据存储介质中,并且它们包括用于执行特定任务的程序指令。计算机程序产品可以包括当程序运行时被配置为执行实施例的一个或多个计算机可执行组件。一个或多个计算机可执行组件可以是至少一个软件代码或其一部分。另外,在这一点上,应当注意,如图中的逻辑流程的任何框可以表示程序步骤、或者互连的逻辑电路、框和功能、或者程序步骤和逻辑电路、框和功能的组合。软件可以存储在诸如存储器芯片或在处理器内实现的存储块等物理介质、诸如硬盘或软盘等磁性介质、以及诸如例如DVD及其数据变体、CD等光学介质上。物理介质是非瞬态介质。
本领域的技术人员应该明白,以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (6)
1.基于荧光光谱的分类方法,其特征在于,包括以下步骤:
获取多个目标的荧光光谱数据,去除每一所述荧光光谱数据中的瑞利散射,将激光波长按照从小到大的顺序存到张量N中,再将发射波长按照从小到大的顺序存到张量M中,按照将荧光光谱数据转换成二维矩阵形式得到荧光光谱矩阵;
获取多个目标的荧光光谱矩阵,所述荧光光谱矩阵的矩阵元素为:在张量N中第i个激发波长及在张量M中的第j个发射波长下的荧光强度;
计算每两所述荧光光谱矩阵之间的相似度;
根据所有所述相似度构建对应所有所述目标的相似度矩阵,并根据所述相似度矩阵获取度矩阵;
根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵;
获取所述标准拉普拉斯矩阵的至少一特征值及每一所述特征值对应的特征向量,所述特征向量为包含至少一元素的列向量;
根据所有所述特征向量构建特征矩阵,并根据所述特征矩阵每行的所有所述元素构建对应的聚类样本;
将所有所述聚类样本进行聚类得到聚类结果,根据所述聚类结果将多个所述目标进行分类;
其中任意两所述荧光光谱矩阵之间的相似度的计算方法为:
其中,a为任意两所述荧光光谱矩阵中的第一荧光光谱矩阵,b为任意两所述荧光光谱矩阵中的第二荧光光谱矩阵,N为行数,M为列数,aij为所述第一荧光光谱矩阵中第i行第j列的数据,bij为所述第二荧光光谱矩阵中第i行第j列的数据。
2.根据权利要求1所述的基于荧光光谱的分类方法,其特征在于,“根据所述相似度矩阵获取度矩阵”包括:获取所述相似度矩阵中每一行所有相似度之和作为度矩阵元素,以所有所述度矩阵元素构建度矩阵。
3.根据权利要求1所述的基于荧光光谱的分类方法,其特征在于,“根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵”包括:根据所述相似度矩阵和所述度矩阵获取初始拉普拉斯矩阵,并根据所述度矩阵和所述初始拉普拉斯矩阵获取标准化后的所述标准拉普拉斯矩阵。
4.基于荧光光谱的分类装置,其特征在于,包括以下模块:
获取模块,用于获取多个目标的荧光光谱数据,去除每一所述荧光光谱数据中的瑞利散射,将激光波长按照从小到大的顺序存到张量N中,再将发射波长按照从小到大的顺序存到张量M中,按照将荧光光谱数据转换成二维矩阵形式得到荧光光谱矩阵;获取多个目标的荧光光谱矩阵,所述荧光光谱矩阵的矩阵元素为:在张量N中第i个激发波长及在张量M中的第j个发射波长下的荧光强度;
相似度计算模块,用于计算每两所述荧光光谱矩阵之间的相似度,其中任意两所述荧光光谱矩阵之间的相似度的计算方法为:
其中,a为任意两所述荧光光谱矩阵中的第一荧光光谱矩阵,b为任意两所述荧光光谱矩阵中的第二荧光光谱矩阵,N为行数,M为列数,aij为所述第一荧光光谱矩阵中第i行第j列的数据,bij为所述第二荧光光谱矩阵中第i行第j列的数据;
初始化模块,用于根据所有所述相似度构建对应所有所述目标的相似度矩阵,并根据所述相似度矩阵获取度矩阵;
标准化模块,用于根据所述相似度矩阵和所述度矩阵获取标准拉普拉斯矩阵;
特征提取模块,用于获取所述标准拉普拉斯矩阵的至少一特征值及每一所述特征值对应的特征向量,所述特征向量为包含至少一元素的列向量;
构建模块,用于根据所有所述特征向量构建特征矩阵,并根据所述特征矩阵每行的所有所述元素构建对应的聚类样本;
聚类模块,用于将所有所述聚类样本进行聚类得到聚类结果,根据所述聚类结果将多个所述目标进行分类。
5.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行权利要求1至3任一所述的基于荧光光谱的分类方法。
6.一种可读存储介质,其特征在于,所述可读存储介质中存储有计算机程序,所述计算机程序包括用于控制过程以执行过程的程序代码,所述过程包括根据权利要求1至3任一项所述的基于荧光光谱的分类方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168147.6A CN114548282B (zh) | 2022-02-23 | 2022-02-23 | 基于荧光光谱的分类方法、装置及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210168147.6A CN114548282B (zh) | 2022-02-23 | 2022-02-23 | 基于荧光光谱的分类方法、装置及可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114548282A CN114548282A (zh) | 2022-05-27 |
CN114548282B true CN114548282B (zh) | 2022-10-25 |
Family
ID=81677945
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210168147.6A Active CN114548282B (zh) | 2022-02-23 | 2022-02-23 | 基于荧光光谱的分类方法、装置及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114548282B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115479905B (zh) * | 2022-11-11 | 2023-03-14 | 季华实验室 | 光谱分析方法、装置、终端设备及介质 |
CN115824993B (zh) * | 2023-02-14 | 2023-07-18 | 北京英视睿达科技股份有限公司 | 水体化学需氧量的确定方法、装置、计算机设备及介质 |
CN116429709B (zh) * | 2023-06-09 | 2023-09-12 | 季华实验室 | 光谱检测方法、装置及计算机可读存储介质 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237158A (zh) * | 2014-09-04 | 2014-12-24 | 浙江科技学院 | 一种具有普适性的近红外光谱定性分析方法 |
CN106485277A (zh) * | 2016-10-11 | 2017-03-08 | 哈尔滨工业大学 | 一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法 |
CN108228533A (zh) * | 2018-01-04 | 2018-06-29 | 中煤航测遥感集团有限公司 | 物质分析方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6977723B2 (en) * | 2000-01-07 | 2005-12-20 | Transform Pharmaceuticals, Inc. | Apparatus and method for high-throughput preparation and spectroscopic classification and characterization of compositions |
CN104502320B (zh) * | 2014-12-29 | 2017-03-01 | 江南大学 | 一种三维荧光光谱结合pca‑svm鉴别浓香型白酒的方法 |
CN111370140A (zh) * | 2020-03-03 | 2020-07-03 | 杭州师范大学 | 一种基于节点相似度的Kmeans中药材功效聚类方法 |
CN111652041A (zh) * | 2020-04-14 | 2020-09-11 | 河北地质大学 | 基于深度子空间聚类的高光谱波段选择方法、设备和装置 |
CN111753904A (zh) * | 2020-06-24 | 2020-10-09 | 广东工业大学 | 一种快速高光谱图像聚类方法、装置、设备及介质 |
-
2022
- 2022-02-23 CN CN202210168147.6A patent/CN114548282B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104237158A (zh) * | 2014-09-04 | 2014-12-24 | 浙江科技学院 | 一种具有普适性的近红外光谱定性分析方法 |
CN106485277A (zh) * | 2016-10-11 | 2017-03-08 | 哈尔滨工业大学 | 一种基于多连接决策流形对准的高分辨率多时相遥感图像分类方法 |
CN108228533A (zh) * | 2018-01-04 | 2018-06-29 | 中煤航测遥感集团有限公司 | 物质分析方法及装置 |
Non-Patent Citations (2)
Title |
---|
基于网格划分局部线性嵌入算法的近红外光谱相似性度量方法;徐宝鼎, 丁香乾,秦玉华,侯瑞春,张磊;《激光与光电子学进展》;20190228;第56卷(第3期);全文 * |
高光谱图像目标检测方法研究;代威;《中国优秀硕士学位论文全文数据库(信息科技辑)》;20180415;45-55页 * |
Also Published As
Publication number | Publication date |
---|---|
CN114548282A (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114548282B (zh) | 基于荧光光谱的分类方法、装置及可读存储介质 | |
US6941287B1 (en) | Distributed hierarchical evolutionary modeling and visualization of empirical data | |
US9355105B2 (en) | Indexing of large scale patient set | |
Coenders et al. | On interpretations of tests and effect sizes in regression models with a compositional predictor | |
Wang et al. | A novel geometry-based feature-selection technique for hyperspectral imagery | |
US20190139248A1 (en) | Mesh denoising | |
Kheirdastan et al. | SDSS-DR12 bulk stellar spectral classification: Artificial neural networks approach | |
WO2022257407A1 (zh) | 高光谱图像分类方法、装置、电子设备及存储介质 | |
Fujiwara et al. | Fast similarity computation for t-SNE | |
US20200279148A1 (en) | Material structure analysis method and material structure analyzer | |
CN115905373B (zh) | 一种数据查询以及分析方法、装置、设备及存储介质 | |
CN111048145A (zh) | 蛋白质预测模型的生成方法、装置、设备和存储介质 | |
Nhaila et al. | New wrapper method based on normalized mutual information for dimension reduction and classification of hyperspectral images | |
CN112474435B (zh) | 一种电池模组的快速分选方法和装置 | |
CN113762128A (zh) | 一种基于无监督学习的高光谱影像分类方法 | |
Arcolano et al. | Nyström approximation of Wishart matrices | |
CN114694771A (zh) | 样品分类方法、分类器的训练方法、设备和介质 | |
Domino et al. | Introducing higher order correlations to marginals' subset of multivariate data by means of Archimedean copulas | |
Capraz et al. | Feature selection by replicate reproducibility and non-redundancy | |
CN116664950B (zh) | 极光图像自动分类方法、装置、计算机设备和存储介质 | |
CN116702018B (zh) | 基于ga-pdpl算法的跨被试脑电情感识别方法及装置 | |
CN112395492B (zh) | 一种节点识别方法、装置以及设备 | |
EP4250190A1 (en) | Cost equalization special clustering | |
CN115994235B (zh) | 色谱分析方法库构建方法、装置、设备和计算机介质 | |
Rogovschi et al. | t-Distributed Stochastic Neighbor Embedding Spectral Clustering using higher order approximations. |
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 |