CN114550840A - 一种基于孪生网络的芬太尼类物质检测方法及其装置 - Google Patents
一种基于孪生网络的芬太尼类物质检测方法及其装置 Download PDFInfo
- Publication number
- CN114550840A CN114550840A CN202210178048.6A CN202210178048A CN114550840A CN 114550840 A CN114550840 A CN 114550840A CN 202210178048 A CN202210178048 A CN 202210178048A CN 114550840 A CN114550840 A CN 114550840A
- Authority
- CN
- China
- Prior art keywords
- substance
- fentanyl
- mass spectrum
- network
- mass
- 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.)
- Pending
Links
- 239000000126 substance Substances 0.000 title claims abstract description 105
- 238000001514 detection method Methods 0.000 title claims abstract description 76
- PJMPHNIQZUBGLI-UHFFFAOYSA-N fentanyl Chemical compound C=1C=CC=CC=1N(C(=O)CC)C(CC1)CCN1CCC1=CC=CC=C1 PJMPHNIQZUBGLI-UHFFFAOYSA-N 0.000 title claims abstract description 72
- 229960002428 fentanyl Drugs 0.000 title claims abstract description 72
- 238000001819 mass spectrum Methods 0.000 claims abstract description 92
- 238000000605 extraction Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims abstract description 12
- 230000003595 spectral effect Effects 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims 1
- 230000006870 function Effects 0.000 abstract description 16
- 238000013461 design Methods 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract 1
- 238000010801 machine learning Methods 0.000 description 6
- 238000002790 cross-validation Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000004949 mass spectrometry Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16C—COMPUTATIONAL CHEMISTRY; CHEMOINFORMATICS; COMPUTATIONAL MATERIALS SCIENCE
- G16C20/00—Chemoinformatics, i.e. ICT specially adapted for the handling of physicochemical or structural data of chemical particles, elements, compounds or mixtures
- G16C20/20—Identification of molecular entities, parts thereof or of chemical compositions
-
- 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
- G06F18/211—Selection of the most significant subset of features
-
- 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
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
本发明公开一种基于孪生网络的芬太尼类物质检测方法及其装置。获取待检测物质的质谱数据并进行标准化处理,利用芬太尼类物质检测模型对待检测物质进行分类。芬太尼类物质检测模型训练时由孪生网络和分类网络构成检测模型,孪生网络包括两个共享权重的特征提取网络;测试时将训练好的孪生网络中任意一个特征提取网络删除后与分类网络级联。以样本对作为孪生网络的输入,大大增加了用于模型训练的样本数据,有效的解决了有监督学习方法在芬太尼类物质检测任务上的小样本难题。在损失函数的设计中,加入对比损失函数,最大化类间差异,最小化类内差异,使提取的特征更具有区分性,提高了检测模型的性能。
Description
技术领域
本发明属于新型精神活性物质检测领域,具体涉及一种基于孪生网络的芬太尼类物质检测方法及其装置。
技术背景
近年来,芬太尼类物质的滥用致死率急剧增加,解决这一问题的主要方法就是建立快速的检测方法以防止芬太尼类物质流入毒品市场。
通常,研究人员通过相关仪器获取未知物质的质谱,之后通过已有的谱库来鉴别这些物质。目前大部分的芬太尼谱库中都包含了芬太尼类物质的谱图,但芬太尼及其类似物很容易合成,所需要的化学物品和设备等也并不难找,有利于小型药物贩运组织走私并小规模生产,导致新型结构化学品源源不断地出现,因此谱库检索方法已无法适应于芬太尼类物质的检测任务。近年来,传统的机器学习方法也已广泛应用在基于质谱数据的分类场景中,但这些方法大部分都以有监督学习为主,往往需要使用大量已知标签的数据来训练分类模型以取得较好的性能。但考虑到芬太尼类物质的特殊性,可用的芬太尼类物质的质谱数据样本较少,且远远少于非芬太尼类物质的质谱数据,所以传统基于有监督学习的模型也很难取得较好的分类性能。
因此,急需建立一种芬太尼类物质的检测模型,以便能够从缴获的管控药物中有效的识别出芬太尼类物质。
发明内容
本发明的一个目的是针对现有技术的不足,提供一种基于孪生网络的芬太尼类物质检测方法。
本发明提出了一种基于孪生网络的芬太尼类物质检测方法,包括如下步骤:
步骤1、质谱数据预处理,构建数据集
1-1获取质谱数据,并补齐到相同长度,使其质荷比的步长为1,通过除以基峰,将相对强度的值归一化到0~1范围内。质谱数据集用L={L1,L2,L3...,LN}表示,其中Lx=(mx,ax),1≤x≤N,N表示质谱样本总量,质荷比mx={m1,m2,m3...,mn},相对强度ax={a1,a2,a3...,an},n表示质谱样本Lx的非零峰值个数;
质荷比的定义如下:
其中mmax表示示所有质谱样本L中最大质荷比;
1-3对标准化后的质谱数据赋予标签,构建数据集;然后将数据集分为训练集和测试集;其中标签为当前质谱数据对应物质所属类别,即芬太尼类物质或非芬太尼类物质;
步骤2、构建基于孪生网络的检测模型,并利用训练集进行训练
所述基于孪生网络的检测模型的输入由一对经过预处理后的质谱数据构成,其包括孪生网络和分类网络,所述孪生网络包括两个共享权重的特征提取网络,用以提取两个质谱各自的质谱特征,所述分类网络用于根据所述孪生网络的输出获得质谱所属的物质类别,即芬太尼类物质或非芬太尼类物质;
2-1构建特征提取网络,提取输入质谱数据的特征
所述的特征提取网络由两个参数共享、结构相同的一维卷积神经网络组成。在每个特征提取网络中,包括依次级联的第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、全连接层,最终输出输入质谱数据所对应的低维特征;
作为优选,在特征提取网络中,卷积核的大小设置为3,激活函数为非线性激活函数;
2-2构建分类网络,根据提取的质谱特征输出当前检测物质的类别
分类网络包括依次级联的全连接层、输出层、Softmax层,输入为两个特征提取网络输出的低维质谱特征,输出当前检测未知物质的类别概率;
其中,Softmax层中Softmax函数的具体公式为:
其中n为类别的总数,gi表示类别i的值,gk表示类别k的值;
作为优选,使用随机梯度下降(SGD)法进行网络训练,在训练过程中,当求得的损失收敛并在连续5个迭代次数内不再显著变化后,停止模型的训练;训练时总损失函数具体是:
Loss=λ1Lossctt+λ2Losscls
其中λ1和λ2分别表示Lossctt、Losscls的损失权重;
Lossctt表示对比损失,具体如下:
式中J表示每批次输入孪生网络用以训练的样本对总数;Y表示孪生网络输入样本对的标签,阳性样本对(样本对中为同类物质)的标签为1,阴性样本对 (样本对中为不同类物质)的标签为0;margin为设定的阈值,表示阴性样本内两个质谱特征之间对的最大距离,一般设置为1;DW表示两个质谱特征的欧氏距离;P为质谱特征的数据维度,X1、X2分别表示两个共享权重的特征提取网络输出的质谱特征;表示对应X1、X2质谱特征的第i个维度数据;
Losscls表示分类损失,由二分类交叉熵损失函数求得:
步骤3、将训练好的基于孪生网络的检测模型中两个共享权重的特征提取网络去除任意一个特征提取网络后与分类网络级联共同构成芬太尼类物质检测模型,然后利用测试集对芬太尼类物质检测模型进行测试;
步骤4、利用测试好的芬太尼类物质检测模型,实现芬太尼类物质检测;
4-1对特征提取网络输入待检测物质的质谱数据,得到其对应的低维质谱特征;
4-2将低维质谱特征输入到分类网络,输出待检测物质所属不同类别的概率;
4-3选择概率最大的类别作为当前待检测物质的最终类别。
本发明的另一个目的是提供一种芬太尼类物质检测装置,包括
质谱数据获取模块,用于获取待检测物质的质谱数据并进行前处理与标准化处理;
芬太尼类物质检测模型,用于对标准化处理后的质谱数据预测待检测物质的类别。
本发明具有以下有益效果:
1.以样本对作为孪生网络的输入,大大增加了用于模型训练的样本数据,有效的解决了有监督学习方法在芬太尼类物质检测任务上的小样本难题。
2.在损失函数的设计中,加入对比损失函数,最大化类间差异,最小化类内差异,使提取的特征更具有区分性,提高了检测模型的性能。
3.提出的检测模型在目前常用的(EI源和ESI源)的质谱数据上均有效,并在公开数据集和实际应用场景中进行了验证,都取得了较高的检出率。
附图说明
图1是本发明所述的基于孪生网络的芬太尼类物质检测模型的主要技术路线;
图2是本发明提出的检测模型中特征提取网络的主要结构;
图3是本发明提出的检测模型中分类网络的主要结构;
图4是本发明提出的检测模型应用流程。
具体实施方式
以下结合附图对发明作进一步说明。
一种基于孪生网络的芬太尼类物质检测模型,具体步骤如下:
步骤1、构建数据集,并将其分为训练集和测试集
1-1获取质谱数据,质谱数据集用L={L1,L2,L3...,LN}表示,其中 Lx=(mx,ax),1≤x≤N,N表示质谱样本总量,质荷比mx={m1,m2,m3...,mn},相对强度ax={a1,a2,a3...,an},n表示质谱样本Lx的非零峰值个数;
质荷比的定义如下:
其中mmax表示示所有质谱样本L中最大质荷比;
1-3对标准化后的质谱数据赋予标签,构建数据集;然后将数据集分为训练集和测试集;其中标签为当前质谱数据对应物质所属类别,即芬太尼类物质或非芬太尼类物质;
步骤2、构建基于孪生网络的检测模型,并利用训练集进行训练
如图1所示,所述基于孪生网络的检测模型的输入由一对经过预处理后的质谱数据构成,其包括孪生网络和分类网络,所述孪生网络包括两个共享权重的特征提取网络,用以提取两个质谱各自的质谱特征,所述分类网络用于根据所述孪生网络的输出获得质谱所属的物质类别,即芬太尼类物质或非芬太尼类物质;
2-1构建特征提取网络,提取输入质谱数据的特征
所述特征提取网络如图2所示,包括依次级联的第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、全连接层,最终输出输入质谱数据所对应的低维特征;
在特征提取网络中,卷积核的大小设置为3,激活函数为非线性激活函数;
2-2构建分类网络,根据提取的质谱特征输出当前检测物质的类别
分类网络如图3所示,包括依次级联的全连接层、输出层、Softmax层,输入为两个特征提取网络输出的低维质谱特征,输出当前检测物质的类别概率;
其中,Softmax层中Softmax函数的具体公式为:
其中n为类别的总数,gi表示类别i的值,gk表示类别k的值;
2-3设计损失函数
训练所使用的损失函数如图1中所示,总的损失函数设计如下
Loss=λ1Lossctt+λ2Losscls
λ1和λ2分别表示两个可调整的损失权重。
Lossctt表示对比损失,具体如下:
式中J表示每批次输入孪生网络用以训练的样本对总数;Y表示孪生网络输入样本对的标签,阳性样本对(样本对中为同类物质)的标签为1,阴性样本对 (样本对中为不同类物质)的标签为0;margin为设定的阈值,表示阴性样本内两个质谱特征之间对的最大距离,一般设置为1;DW表示两个质谱特征的欧氏距离;P为质谱特征的数据维度,X1、X2分别表示两个共享权重的特征提取网络输出的质谱特征;表示对应X1、X2质谱特征的第i个维度数据;
Losscls表示分类损失,由二分类交叉熵损失函数求得:
2-4使用随机梯度下降(SGD)法进行网络训练,在训练过程中,当求得的损失收敛并在连续5个迭代次数内不再显著变化后,停止模型的训练。
步骤3、应用基于孪生网络的检测模型
基于孪生网络的检测模型实际应用流程如图4所示。将训练好的基于孪生网络的检测模型中两个共享权重的特征提取网络去除任意一个特征提取网络后与分类网络级联共同构成芬太尼类物质检测模型,然后利用测试集对芬太尼类物质检测模型进行测试;
3-1对特征提取网络输入待检测物质的质谱数据,得到其对应的低维质谱特征;
3-2将低维质谱特征输入到分类网络,输出待检测物质所属不同类别的概率;
3-3选择概率最大的类别作为当前待检测物质的最终类别。
以下对本发明的效果进行论证
1.数据集的选取
本发明提出的基于孪生网络的芬太尼类物质检测模型在现有不同离子源的公开数据集上分别进行了验证,其中分别包括EI源和ESI源公开数据集。分别在这些数据集上应用提出的检测模型,进行交叉验证,统计检测模型的检测准确率,并与部分经典机器学习方法(KNN,SVM)进行效果对比。最后在实际应用场景(实际采样的133个质谱样本)中应用该检测模型,相对于传统机器学习方法,也取得了较高的检测准确率。
模型的检测准确率ACC定义如下:
2.模型验证结果
2-1EI源公开数据集
所述EI源质谱数据集来自SWGDRUG数据库和NIST数据库,其中共包含了267个芬太尼类质谱数据与238个非芬太尼类物质,在该数据集上进行10折交叉验证,实验对比结果如下:
表1本检测模型在EI源公开数据集上验证比较
上表验证了提出的检测模型在所述EI源公开质谱数据集上取得了较高的检测准确率,因此该模型在基于EI源质谱的芬太尼类物质检测任务中是可信的,且优于传统的机器学习方法。
2-2ESI源公开数据集
所述ESI源质谱数据集一部分来自MassBank数据库,另一部分由CFM-ID 工具生成,其中共包含了88个芬太尼类质谱数据与121个非芬太尼类物质,在该数据集上进行5折交叉验证,实验对比结果如下:
表2本检测模型在ESI源公开数据集上验证比较
上表验证了提出的检测模型在所述ESI源公开质谱数据集上取得了较高的检测准确率,因此该模型在基于ESI源质谱的芬太尼类物质检测任务中是可信的,且优于传统的机器学习方法。
2-3ESI源实际数据集
为了进一步验证提出的检测模型的有效性,在符合法律与伦理的规范下,使用便携式质谱仪CRAIV-110实际采样了133份ESI源质谱样本,对采集的原始质谱进行数据前处理后生成所述的实际数据集,其中包含了41个芬太尼类质谱数据与92个非芬太尼类物质,在该数据集上进行5折交叉验证,实验对比结果如下:
表3本检测模型在ESI源实际数据集上验证比较
上表验证了提出的检测模型在所述ESI源实际质谱数据集上取得了较高的检测准确率,因此进一步证明了提出的检测模型在基于ESI源质谱的芬太尼类物质检测的实际应用中是可信的,同时优于传统的机器学习方法。
Claims (5)
1.一种基于孪生网络的芬太尼类物质检测方法,其特征在于包括以下步骤:
步骤1、构建数据集,并将其分为训练集和测试集
1-1获取质谱数据,质谱数据集用L={L1,L2,L3...,LN}表示,其中Lx=(mx,ax),1≤x≤N,N表示质谱样本总量,质荷比mx={m1,m2,m3...,mn},相对强度ax={a1,a2,a3...,an},n表示质谱样本Lx的非零峰值个数;
质荷比的定义如下:
其中mmax表示示所有质谱样本L中最大质荷比;
1-3对标准化后的质谱数据赋予标签,构建数据集;然后将数据集分为训练集和测试集;其中标签为当前质谱数据对应物质所属类别,即芬太尼类物质或非芬太尼类物质;
步骤2、构建基于孪生网络的检测模型,并利用训练集进行训练
所述基于孪生网络的检测模型的输入由一对经过预处理后的质谱数据构成,其包括孪生网络和分类网络,所述孪生网络包括两个共享权重的特征提取网络,用以提取两个质谱各自的质谱特征,所述分类网络用于根据所述孪生网络的输出获得质谱所属的物质类别,即芬太尼类物质或非芬太尼类物质;
2-1构建特征提取网络,提取输入质谱数据的特征
所述特征提取网络包括依次级联的第一一维卷积层、第一最大池化层、第二一维卷积层、第二最大池化层、全连接层,最终输出输入质谱数据所对应的低维特征;
2-2构建分类网络,根据提取的质谱特征输出当前检测物质的类别
分类网络包括依次级联的全连接层、输出层、Softmax层,输入为两个特征提取网络输出的低维质谱特征,输出当前检测物质的类别概率;
其中,Softmax层中Softmax函数的具体公式为:
其中n为类别的总数,gi表示类别i的值,gk表示类别k的值;
步骤3、将训练好的基于孪生网络的检测模型中两个共享权重的特征提取网络去除任意一个特征提取网络后与分类网络级联共同构成芬太尼类物质检测模型,然后利用测试集对芬太尼类物质检测模型进行测试;
步骤4、利用测试好的芬太尼类物质检测模型,实现芬太尼类物质检测。
2.如权利要求1所述的一种基于孪生网络的芬太尼类物质检测方法,其特征在于其特征在于在特征提取网络中,卷积核的大小设置为3,激活函数为非线性激活函数。
3.如权利要求1所述的一种基于孪生网络的芬太尼类物质检测方法,其特征在于其特征在于使用随机梯度下降法进行网络训练,在训练过程中,当求得的损失收敛并在连续5个迭代次数内不再显著变化后,停止模型的训练;训练时总损失函数具体是:
Loss=λ1Lossctt+λ2Losscls
其中λ1和λ2分别表示Lossctt、Losscls的损失权重;
Lossctt表示对比损失,具体如下:
式中J表示每批次输入孪生网络用以训练的样本对总数;Y表示孪生网络输入样本对的标签,阳性样本对的标签为1,阴性样本对的标签为0;margin为设定的阈值,表示阴性样本内两个质谱特征之间对的最大距离;DW表示两个质谱特征的欧氏距离;P为质谱特征的数据维度,X1、X2分别表示两个共享权重的特征提取网络输出的质谱特征;表示对应X1、X2质谱特征的第i个维度数据;
Losscls表示分类损失,由二分类交叉熵损失函数求得:
4.如权利要求1所述的一种基于孪生网络的芬太尼类物质检测方法,其特征在于步骤(4)具体是:
4-1对特征提取网络输入待检测物质的质谱数据,得到其对应的低维质谱特征;
4-2将低维质谱特征输入到分类网络,输出待检测物质所属不同类别的概率;
4-3选择概率最大的类别作为当前待检测物质的最终类别。
5.一种芬太尼类物质检测装置,其特征在于包括:
质谱数据获取模块,用于获取待检测物质的质谱数据并进行前处理与标准化处理;
芬太尼类物质检测模型,用于对标准化处理后的质谱数据预测待检测物质的类别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178048.6A CN114550840A (zh) | 2022-02-25 | 2022-02-25 | 一种基于孪生网络的芬太尼类物质检测方法及其装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210178048.6A CN114550840A (zh) | 2022-02-25 | 2022-02-25 | 一种基于孪生网络的芬太尼类物质检测方法及其装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114550840A true CN114550840A (zh) | 2022-05-27 |
Family
ID=81678859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210178048.6A Pending CN114550840A (zh) | 2022-02-25 | 2022-02-25 | 一种基于孪生网络的芬太尼类物质检测方法及其装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114550840A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
CN112505133A (zh) * | 2020-12-28 | 2021-03-16 | 黑龙江莱恩检测有限公司 | 一种基于深度学习的质谱检测方法 |
CN113192626A (zh) * | 2021-04-13 | 2021-07-30 | 山东大学 | 基于孪生神经网络的用药方案推荐系统及方法 |
CN113609773A (zh) * | 2021-08-06 | 2021-11-05 | 西安交通大学 | 基于小样本的数据可靠性评估结果预测性能的方法及系统 |
WO2022000426A1 (zh) * | 2020-06-30 | 2022-01-06 | 中国科学院自动化研究所 | 基于孪生深度神经网络的动目标分割方法及系统 |
-
2022
- 2022-02-25 CN CN202210178048.6A patent/CN114550840A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108388927A (zh) * | 2018-03-26 | 2018-08-10 | 西安电子科技大学 | 基于深度卷积孪生网络的小样本极化sar地物分类方法 |
CN109508655A (zh) * | 2018-10-28 | 2019-03-22 | 北京化工大学 | 基于孪生网络的不完备训练集的sar目标识别方法 |
WO2022000426A1 (zh) * | 2020-06-30 | 2022-01-06 | 中国科学院自动化研究所 | 基于孪生深度神经网络的动目标分割方法及系统 |
CN112505133A (zh) * | 2020-12-28 | 2021-03-16 | 黑龙江莱恩检测有限公司 | 一种基于深度学习的质谱检测方法 |
CN113192626A (zh) * | 2021-04-13 | 2021-07-30 | 山东大学 | 基于孪生神经网络的用药方案推荐系统及方法 |
CN113609773A (zh) * | 2021-08-06 | 2021-11-05 | 西安交通大学 | 基于小样本的数据可靠性评估结果预测性能的方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107677647B (zh) | 基于主成分分析和bp神经网络的中药材产地鉴别方法 | |
CN110110743B (zh) | 一种七类质谱谱图自动识别系统与方法 | |
CN110084159B (zh) | 基于联合多级空谱信息cnn的高光谱图像分类方法 | |
CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
CN109492673A (zh) | 一种基于谱聚类采样的不平衡数据预测方法 | |
CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
Frontera-Pons et al. | Unsupervised feature-learning for galaxy SEDs with denoising autoencoders | |
CN115580445A (zh) | 一种未知攻击入侵检测方法、装置和计算机可读存储介质 | |
Varmuza | Pattern recognition in analytical chemistry | |
CN105006231A (zh) | 基于模糊聚类决策树的分布式大型人口语者识别方法 | |
CN111426657B (zh) | 一种溶解性有机物三维荧光谱图的识别比对方法 | |
CN110033041B (zh) | 一种基于深度学习的基因表达谱距离度量方法 | |
CN114550840A (zh) | 一种基于孪生网络的芬太尼类物质检测方法及其装置 | |
CN109063766B (zh) | 一种基于判别性预测稀疏分解模型的图像分类方法 | |
CN113960152B (zh) | 一种基于离子迁移谱的痕量爆炸物识别方法及系统 | |
CN114124437B (zh) | 基于原型卷积网络的加密流量识别方法 | |
CN111896609B (zh) | 一种基于人工智能分析质谱数据的方法 | |
WO2000028573A2 (en) | Data analysis | |
Poona et al. | Reducing hyperspectral data dimensionality using random forest based wrappers | |
CN114141316A (zh) | 一种基于谱图分析的有机物生物毒性预测方法及系统 | |
Patil et al. | Pattern recognition using genetic algorithm | |
French et al. | Peak correlation classifier (PCC) applied to FTIR spectra: a novel means of identifying toxic substances in mixtures | |
CN112651424A (zh) | 基于lle降维和混沌算法优化的gis绝缘缺陷识别方法及系统 | |
Zhao et al. | Improved GMM‐based method for target detection |
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 |