CN117030675A - 一种用于乳制品中细菌拉曼光谱的复原方法 - Google Patents
一种用于乳制品中细菌拉曼光谱的复原方法 Download PDFInfo
- Publication number
- CN117030675A CN117030675A CN202310637454.9A CN202310637454A CN117030675A CN 117030675 A CN117030675 A CN 117030675A CN 202310637454 A CN202310637454 A CN 202310637454A CN 117030675 A CN117030675 A CN 117030675A
- Authority
- CN
- China
- Prior art keywords
- network
- raman spectrum
- bacterial
- raman
- darnet
- 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
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 108
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000001580 bacterial effect Effects 0.000 title claims abstract description 55
- 235000013365 dairy product Nutrition 0.000 title claims abstract description 22
- 238000011084 recovery Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 50
- 239000000758 substrate Substances 0.000 claims abstract description 25
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 20
- 239000004205 dimethyl polysiloxane Substances 0.000 claims abstract description 17
- 229920000435 poly(dimethylsiloxane) Polymers 0.000 claims abstract description 17
- 239000011521 glass Substances 0.000 claims abstract description 14
- -1 Polydimethylsiloxane Polymers 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims abstract description 3
- 241000894006 Bacteria Species 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 28
- 238000012549 training Methods 0.000 claims description 22
- 238000009826 distribution Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 8
- 230000003595 spectral effect Effects 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000003716 rejuvenation Effects 0.000 claims 3
- 230000009467 reduction Effects 0.000 abstract description 3
- 230000003042 antagnostic effect Effects 0.000 abstract description 2
- 230000007547 defect Effects 0.000 abstract description 2
- 241000588724 Escherichia coli Species 0.000 description 8
- 230000006870 function Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000001994 activation Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000875 corresponding effect Effects 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000002156 mixing Methods 0.000 description 2
- 238000004451 qualitative analysis Methods 0.000 description 2
- 238000004445 quantitative analysis Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008485 antagonism Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000014670 detection of bacterium Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000003892 spreading Methods 0.000 description 1
- 238000012916 structural analysis Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Classifications
-
- 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
- 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
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明属于拉曼光谱重建技术领域,公开了一种用于乳制品中细菌拉曼光谱的复原方法。所述用于乳制品中细菌拉曼光谱的复原方法,基于生成式对抗神经网络发展了用于乳制品中细菌拉曼光谱的复原的DARnet网络,用于细菌拉曼光谱重建,以解决拉曼光谱中在聚二甲基硅氧烷(PDMS)基片或者玻璃基片等的检测环境下背景噪声造成的信噪比下降的问题。DARnet网络能从少量真实数据中拟合出目标函数,可以弥补普通方法中需要大量样本拉曼光谱信号进行建模的缺点,对于不同拉曼光谱仪具有普适性和通用性,能有效去除检测环境导致的背景噪声,提高拉曼光谱的信噪比和微弱信号检测能力。
Description
技术领域
本发明属于拉曼光谱重建技术领域,尤其涉及一种用于乳制品中细菌拉曼光谱的复原方法。
背景技术
拉曼光谱是一种基于拉曼散射效应的光谱检测技术,具有操作简单、分析速度快、灵敏度高等优越性。它可以实现对物质的定性、定量以及结构分析,无需样品制备过程,而且可以进行无损检测,可靠性高。拉曼光谱检测技术在细菌检测领域具有广泛的应用前景。利用拉曼光谱检测技术可以快速获得细菌化学成分的全面信息,从而可以对细菌的种类、数量以及状态进行快速鉴定和分析。但在采集原始的细菌拉曼光谱的过程中,噪声往往会干扰检测结果的准确度和精度,导致细菌拉曼光谱信噪比低。
拉曼光谱检测是强背景中微弱信号检测的一种技术。拉曼光谱信噪比低的原因主要有两个方面。第一,拉曼信号本身就比较微弱。因为拉曼光谱的基本原理是拉曼散射现象,这种现象在光与分子相互作用时是低概率的,因此实际光谱测量过程中的信号强度相对比较微弱,从而导致信噪比低。第二,拉曼光谱噪声背景强,这主要是由于在测量过程中会产生多种噪声,如仪器本体噪声、测量噪声和外部干扰噪声。如聚二甲基硅氧烷(PDMS)基片或者玻璃基片的检测环境,虽然这些材料没在拉曼检测的聚焦面上,但是由于本身的拉曼光谱响应能力较强,也会有较大的干扰,严重影响细菌拉曼光谱检测的准确性和有效性。因此,在进行定性或定量分析之前对原始的细菌拉曼光谱进行背景噪声抑制是十分必要的。
目前,常规的噪声处理办法通常只是针对有限数量的简单噪声条件进行噪声滤除,如小波变换、傅里叶变换等。但是这种方法目前对参数的原则依赖性太强,去噪效果容易受人为选择的影响。而且都是在一阶统计的基础上完成处理的,这样就存在去噪效果有限的问题。为了解决这一问题,人们开始探索能力更强的噪声处理工具。深度网络结构因为其强大的学习能力,可以从大量实际数据中通过学习拟合出任意函数,被广泛应用于解决此类问题。
为了解决这些问题,本专利提出了一种用于乳制品中细菌拉曼光谱的复原方法,以解决拉曼光谱中检测环境等背景噪声造成的信噪比下降和部分谱峰消失的问题。本方法基于(Discriminate and Regenerate Net,DARnet)网络的网络结构能从少量真实数据中拟合出任意函数,对于不同拉曼光谱仪具有普适性和通用性,无需调整硬件,完全自适应,能有效去除在PDMS基片或者玻璃基片等的检测环境下导致的背景噪声,提高拉曼光谱的信噪比和微弱信号检测能力。
发明内容
本发明实施例解决技术问题所采用的技术方案是:一种基于(Discriminate andRegenerate Net,DARnet)网络的细菌拉曼光谱重建方法,主要包括以下步骤:
1.DARnet网络的训练过程:本部分目标是发展一种用于乳制品中细菌拉曼光谱的复原的DARnet网络,其发展于生成式对抗神经网络。可以通过对细菌的拉曼光谱信号分布特征的提取,有效去除在PDMS基片或者玻璃基片等的检测环境下导致的背景噪声,实现对细菌拉曼光谱信号的重建,从而完成噪声去除的过程。其主要过程分为对DARnet的生成网络的训练和对DARnet的判别网络的训练:
1.1DARnet的生成网络的训练过程:1.1.1将不同检测环境下的细菌拉曼光谱信号输入生成网络中;1.1.2经过生成网络学习信号中特征的分布输出重建后的细菌拉曼光谱;1.1.3然后将重建后的细菌拉曼光谱和多条理想拉曼光谱数据混合后输入DARnet的判别网络;1.1.4判别网络对数据是否来自真实数据集进行判断,根据标签对判别网络判断结果进行评价,再将结果准确率反馈给生成网络;1.1.5反向传播调整生成网络各项参数的权重。1.1.6不断重复以上操作,目的在于最小化损失函数,使得判别网络无法正确分辨重建后的细菌拉曼光谱和理想光谱。
1.2DARnet的判别网络的训练过程:1.2.1不断将修正后的生成网络输出的重建后的细菌拉曼光谱数据和理想光谱数据输入判别网络进行判断;1.2.2将判断结果的分布情况反馈给判别网络;1.2.3调整判别网络的各项参数的权重,使得判别网络对来自生成网络的重建光谱数据的辨别为假的概率不断增大,直到全部判别结果真确无误或判别概率保持稳定。
2.细菌光谱信号重建过程:细菌光谱信号重建过程主要依托于DARnet网络的训练过程中得到的生成网络,能够实现拉曼光谱信噪比优化。其主要过程如下:2.1将需要优化的细菌的低信噪比拉曼光谱数据输入到最终训练后的生成网络中;2.2经生成网络提取细菌的拉曼光谱信号分布特征,包含其位置信息和结构成分信息;2.3输出重建后的拉曼光谱信号,这个就是接近细菌的真实理想拉曼光谱的去除了检测环境导致的背景噪声后的数字重建后优化的拉曼光谱。
本发明提供的一种用于乳制品中细菌拉曼光谱的复原方法,具有以下优点:
1.本发明发展了一种用于乳制品中细菌拉曼光谱的复原的DARnet网络用于细菌拉曼光谱重建。训练的对抗过程可以不断生成近似真实细菌拉曼光谱信号的样本,有效去除了检测环境导致的背景噪声,可以弥补普通方法中需要大量样本拉曼光谱信号进行建模的缺点。
2.不需要提前建立模型,只要DARnet的判别网络合适,其生成网络就能完全重建细菌光谱信号的理想分布状态,达到提高信噪比去除检测环境导致的背景噪声的目的。
3.DARnet的生成网络的参数调整来自于其判别网络的结果反馈,而不是完全依赖样本拉曼光谱信号,所以其生成网络实际学习的是细菌拉曼光谱信号的本质特征和分布情况,不是在对样本信号进行拟合,所以可以在不需要改变任何拉曼光谱仪参数的情况下去除检测环境导致的背景噪声。
4.DARnet的生成网络和判别网络对抗的目的是使生成网络能够重建细菌拉曼光谱本质的特征分布情况,因此用于乳制品中细菌拉曼光谱的复原的DARnet网络对于不同拉曼光谱仪具有普适性和通用性。
附图说明
图1是本发明提供的DARnet网络的训练过程。
图2本发明提供的基于本专利所述的方法的细菌拉曼光谱信号重建效果图。其中(a)为实际采集的大肠杆菌的在PDMS基片检测环境下的拉曼光谱信号,(b)为大肠杆菌的理想拉曼光谱信号,(c)为本专利所述的方法处理后得到的重建效果图。
具体实施方式
现结合实施例和附图对本发明的技术方案做进一步的阐述。
在PDMS基片或者玻璃基片等的检测环境下,虽然这些材料没在拉曼检测的聚焦面上,但是由于本身的拉曼光谱响应能力较强,也会有较大的干扰。但是其特征在于,谱峰相对细菌拉曼光谱较宽,分布更集中。本发明针对其区别提出了一种用于乳制品中细菌拉曼光谱的复原方法,以解决拉曼光谱中检测环境背景噪声造成的信噪比下降和部分谱峰消失的问题。本方法提供的用于乳制品中细菌拉曼光谱的复原的DARnet网络能从少量真实数据中拟合出任意函数,对于不同拉曼光谱仪具有普适性和通用性,无需调整硬件,完全自适应,能有效去除在PDMS基片或者玻璃基片等的检测环境下导致的背景噪声,提高拉曼光谱的信噪比和微弱信号检测能力。
本发明的目标对象为实际采集的细菌的不同检测环境下的拉曼光谱信号的重建,本部分以大肠杆菌的不同检测环境下的拉曼光谱检测信号为例,图2(a)所述图像为通过常规拉曼光谱检测系统采集的大肠杆菌的有背景干扰的拉曼光谱信号,(b)为大肠杆菌的理想拉曼光谱信号,(c)为本专利所述的方法处理后得到的重建效果图。对比可以看到,通过采用本专利所述的一种用于乳制品中细菌拉曼光谱的复原方法在环境噪声去除的同时还可以将因为噪声堆叠而重合消失的谱峰得到恢复,去噪后的光谱具有很好的真实性。因此,采用本专利所述的重建方法能够实现拉曼光谱中检测环境导致的背景噪声的去除,使得拉曼光谱的信噪比大幅增长,提升了拉曼光谱检测的准确性和有效性,提高了拉曼光谱检测性能。
现结合图1、图2对本发明提供的一种用于乳制品中细菌拉曼光谱的复原方法进行详细说明:
1.本发明核心部分之一是用于乳制品中细菌拉曼光谱的复原的DARnet网络,如图1所示,DARnet网络分为生成网络和判别网络两部分。生成网络共有9层,卷积层形状分别为512*16,128*32,32*64,8*128,8*128,32*64,128*32,512*16,1024*1(长度*通道数)。卷积核大小为2x1,并设置适当的步长和填充。另外,还设置了跳跃连接,将每个编码层连接到相应的解码层,并绕过在模型中间执行的压缩。选择增加跳跃连接的原因有两个,第一个是模型的输入和输出结构是完全一致的,都是拉曼光谱信号;第二个是利于光谱信号的重建,比如相位信息、位置对齐等。生成网络的输出层是一个Tanh激活函数。Tanh在训练过程中稳定性更好,速度更快,且有饱和区域对数据有一定限制。在训练过程中,先是一个编码过程。输入信号经过若干个阶跃的卷积层和参数校正的线性单元进行投影和压缩,最终得到一个压缩向量。这时信号的宽度变窄,深度加深,即信号波长维度压缩,而特征图层逐渐加深。编码完成后是与编码每层相对应解码过程,输出为重建后的细菌光谱信号。
判别网络采用和生成网络的编码阶段相同的多层卷积结构,卷积层形状分别为512*32,128*64,32*128,8*256,1*512。卷积核大小为2x1,并设置适当的步长和填充。不同之处在于在最后添加了一个一维卷积全连接层。这一层的作用是简化最终分类神经元的结构表达,使得参数数量减少。最终该神经元与线性行为的所有隐藏激活完全相关。判别网络最终输出结果为1或者0,用作对输入拉曼光谱信号真假的判断结果。
DARnet的生成网络和判别网络的损失可以表示为:
LossG=F(1,D(G(Z))) (1)
LossD=F(1,D(X)+F(0,D(G(Z))) (2)
其中,G代表生成网络,D代表判别网络,F代表交叉熵,D(X)是理想的细菌光谱数据通过判别网络D的输出判别为真的概率,D(G(Z))是生成网络G输出重建后的细菌光谱数据通过判别网络D后被判别为真的概率。生成网络以追求D(G(Z))最大化为最终目标。判别网络最终目标一个是将D(G(Z))最小,另一个是D(X)最大。即通过生成网络和判别网络之间的不断“对抗”完成训练。
DARnet的判别网络用来来感知其生成网络在训练过程中的损失。判别网络将感知到的损失信息传递给生成网络,生成网络按照这些信息稍微修正其输出波形,使其接近真实分布,使生成网络网络输出的重建后的细菌光谱信号更真实,检测环境导致的背景噪声得到去除。最终使用训练完善的生成网络进行光谱重建,实现不同检测环境下细菌拉曼光谱的数字重建和优化,达到提高拉曼光谱信噪比,去除检测环境导致的背景噪声的效果。
2.本发明核心部分之一DARnet网络的训练过程,通过DARnet的生成网络和判别网络之间的不断“对抗”训练生成模型,不需要学习拉曼光谱的特征,直接获得拉曼光谱真实分布情况。再将训练好的生成网络的输出作为光谱重建的结果,用于细菌拉曼光谱信噪比数字优化,需要在使用之前完成训练,训练过程如图1所示。采集1000条细菌拉曼光谱数据作为实验数据集。其中,理想光谱数据共165条,含PDMS和玻璃材料作为检测环境的低信噪比光谱数据共835条。低信噪比数据与理想数据是相对应的,包含了不同噪声水平,细菌光谱信号形状为1024*1。
如图1所示:2.1首先,将800条含有不同噪声水平的细菌拉曼光谱数据输入生成网络中,经过生成网络生成重建后的细菌拉曼光谱;2.2然后将重建后的拉曼光谱数据和157条理想细菌拉曼光谱数据混合后输入判别网络;2.3判别网络对数据是否来自真实数据集进行判断,根据标签对判别网络判断结果进行评价,再将结果准确率反向传播给生成网络,调整生成网络各项参数的权重;2.4不断重复以上操作,目的在于最小化特征分布的区别,使得判别网络无法正确分辨重建的细菌光谱和理想的细菌光谱;2.5其次,不断将修正后的生成网络输出的重建的细菌光谱数据和理想光谱数据输入判别网络进行判断,再将判断结果的分布情况反向传播给判别网络,调整判别网络的各项参数的权重,使得判别网络对重建后的细菌拉曼光谱数据的辨别为假的概率不断增大,直到全部判别结果真确无误或判别概率保持稳定;2.6最后,重复150个回合完成最终训练过程。另外,把剩余的35条低信噪比光谱数据和8条理想细菌拉曼光谱数据用作网络的测试和验证。
3.实际应用中实施如下,2中训练好的DARnet的生成网络即可用来对PDMS或玻璃材料作为检测环境下的大肠杆菌的拉曼光谱检测信号去噪。大肠杆菌的拉曼光谱信号检测系统:激光强度为5mW,积分时间为0.5s,采集的细菌光谱信号作为条件输入到训练好的生成网络中,经生成网络提取细菌的拉曼光谱信号分布特征,包含其位置信息和结构成分信息,最后输出形状为1024*1重建后的大肠杆菌的拉曼光谱信号,这个就是接近细菌的真实理想拉曼光谱的高信噪比的数字重建后优化的拉曼光谱,如图2(c)所示。
Claims (12)
1.一种用于乳制品中细菌拉曼光谱的复原方法,其特征在于,所述方法包括以下步骤,本专利选用拉曼光谱检测设备作为实施主体,基于生成式对抗神经网络发展了用于乳制品中细菌拉曼光谱的复原的DARnet网络,DARnet由生成网络和判别网络两部分组成,通过两个网络之间的不断对抗训练生成网络,在实际检测实施中,采集的细菌光谱信号作为条件输入到训练好的生成网络中,经生成网络提取细菌的拉曼光谱信号分布特征,包含其位置信息和结构成分信息,最后输出重建后的细菌的拉曼光谱,能有效去除在聚二甲基硅氧烷基片和玻璃基片检测环境下导致的背景噪声,提高了拉曼光谱检测性能。
2.根据权利要求1所述的方法,其特征在于,所述的方法训练的对抗过程可以不断生成近似真实细菌拉曼光谱信号的样本,最后经生成网络提取细菌的拉曼光谱信号分布特征。
3.根据权利要求1所述的方法,其特征在于,所述的方法不需要提前建立模型,只要DARnet的判别网络合适,其生成网络就能完全重建细菌光谱信号的理想分布状态,去除在聚二甲基硅氧烷基片和玻璃基片检测环境下导致的背景噪声,达到提高信噪比的目的。
4.根据权利要求1所述的方法,其特征在于,DARnet的生成网络的参数调整来自于其判别网络的结果反馈,而不是完全依赖样本拉曼光谱信号,所以其生成网络实际学习的是细菌拉曼光谱信号的本质特征和分布情况,不是在对样本信号进行拟合,所以可以在不需要改变任何拉曼光谱仪参数的情况下去除在聚二甲基硅氧烷基片和玻璃基片检测环境下导致的背景噪声。
5.根据权利要求2所述的方法,其特征在于,DARnet的生成网络和判别网络对抗的目的是使生成网络能够重建细菌拉曼光谱本质的特征分布情况,因此用于乳制品中细菌拉曼光谱的复原的DARnet网络对于不同拉曼光谱仪具有普适性和通用性。
6.根据权利要求1所述的方法,其特征在于,所述的DARnet的生成网络共有9层,卷积层形状分别为512*16,128*32,32*64,8*128,8*128,32*64,128*32,512*16,1024*1,卷积核大小为2x1,并设置适当的步长和填充,另外,还设置了跳跃连接,将每个编码层连接到相应的解码层,生成网络的输出层是一个Tanh激活函数,Tanh在训练过程中稳定性更好,速度更快,且有饱和区域对数据有一定限制。
7.根据权利要求1所述的方法,其特征在于,所述的DARnet的判别网络采用和生成网络的编码阶段相同的多层卷积结构,卷积层形状分别为512*32,128*64,32*128,8*256,1*512,卷积核大小为2x1,并设置适当的步长和填充,在最后添加了一个一维卷积全连接层,这一层的作用是简化最终分类神经元的结构表达,使得参数数量减少,判别网络最终输出结果用作对输入拉曼光谱信号真假的判断结果。
8.根据权利要求6,7所述的方法,其特征在于,DARnet的判别网络用来来感知其生成网络在训练过程中的损失,判别网络将感知到的损失信息传递给生成网络,生成网络按照这些信息稍微修正其输出波形,使其接近真实分布,从而去除在聚二甲基硅氧烷基片和玻璃基片检测环境下导致的背景噪声。
9.根据权利要求6,7所述的方法,其特征在于,用于乳制品中细菌拉曼光谱的复原的DARnet网络,输入输出都是一维的光谱信号,其采用编码解码架构,能提取出待测样品中细菌的特异性特征,特征重组后完成去除在聚二甲基硅氧烷基片和玻璃基片检测环境下导致的背景噪声任务。
10.根据权利要求2所述的方法,其特征在于,DARnet网络使用前需要完成训练,最终使用训练完善的生成网络进行细菌光谱重建,实现检测环境干扰下的细菌拉曼光谱的数字重建和优化,达到去除在聚二甲基硅氧烷基片和玻璃基片检测环境下导致的背景噪声的效果。
11.根据权利要求6所述的方法,其特征在于,生成网络被设计成完全由卷积层组成,没有全连接层,这样设置可以让输入信号以及分层过程中的波长维度相关性得到足够的重视,还可以减少网络训练时必须的参数数量,加快训练收敛速度。
12.一种用于乳制品中细菌拉曼光谱的复原方法,其特征在于,所述用于乳制品中细菌拉曼光谱的复原方法用于执行如权利要求1-11任一项所述的用于乳制品中细菌拉曼光谱的复原方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637454.9A CN117030675A (zh) | 2023-06-01 | 2023-06-01 | 一种用于乳制品中细菌拉曼光谱的复原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310637454.9A CN117030675A (zh) | 2023-06-01 | 2023-06-01 | 一种用于乳制品中细菌拉曼光谱的复原方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117030675A true CN117030675A (zh) | 2023-11-10 |
Family
ID=88601057
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310637454.9A Pending CN117030675A (zh) | 2023-06-01 | 2023-06-01 | 一种用于乳制品中细菌拉曼光谱的复原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117030675A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022133962A1 (de) | 2022-12-19 | 2024-06-20 | Friedrich-Schiller-Universität Jena Körperschaft des öffentlichen Rechts | Aufbereitung gemessener raman-spektren mit neuronalen netzwerken |
-
2023
- 2023-06-01 CN CN202310637454.9A patent/CN117030675A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022133962A1 (de) | 2022-12-19 | 2024-06-20 | Friedrich-Schiller-Universität Jena Körperschaft des öffentlichen Rechts | Aufbereitung gemessener raman-spektren mit neuronalen netzwerken |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Pei et al. | Image quality assessment using human visual DOG model fused with random forest | |
Tong et al. | Full reference image quality assessment based on saliency map analysis | |
US5072115A (en) | Interpretation of mass spectra of multiply charged ions of mixtures | |
Huynh-The et al. | Accurate LPI radar waveform recognition with CWD-TFA for deep convolutional network | |
CN117030675A (zh) | 一种用于乳制品中细菌拉曼光谱的复原方法 | |
RU2006147255A (ru) | Устройство и способ для формирования сигнала управления многоканальным синтезатором и устройство и способ многоканального синтеза | |
CN107819453B (zh) | 用于并行化和流水线化可调谐盲源分离滤波器的系统和方法 | |
CN115326783B (zh) | 拉曼光谱预处理模型生成方法、系统、终端及存储介质 | |
CN112617862B (zh) | 一种基于多通道神经信号分析的信号间耦合强度判断方法 | |
US20020023066A1 (en) | Biologically-based signal processing system applied to noise removal for signal extraction | |
CN114417937B (zh) | 一种基于深度学习的拉曼光谱去噪方法 | |
CN111562597A (zh) | 一种基于bp神经网络的北斗卫星导航干扰源识别方法 | |
CN116797796A (zh) | Drfm间歇采样下基于时频分析与深度学习的信号识别方法 | |
CN109115704B (zh) | 一种高锌背景下痕量多金属离子检测光谱微分预处理方法 | |
CN107576641B (zh) | 一种三维荧光光谱数据的分解方法及装置 | |
Vincenzi et al. | The Dark Energy Survey Supernova Program: Cosmological Analysis and Systematic Uncertainties | |
US11372122B2 (en) | High-resolution processing method for seismic data based on inverse multi-resolution singular value decomposition | |
CN101833752B (zh) | 基于奇异值分解重构的红外小目标预处理方法 | |
CN111104876A (zh) | 一种基于神经网络的红外光谱反卷积方法 | |
CN110599430A (zh) | 基于交叉双粒子群优化的高光谱图像解混方法 | |
CN115563480A (zh) | 基于峭度比系数筛选辛几何模态分解的齿轮故障辨识方法 | |
CN104850753A (zh) | 一种烟用纸张材料识别方法及装置 | |
CN117313001B (zh) | 用于分布式光纤声波传感系统的混合事件分解及识别方法 | |
CN114965348B (zh) | 基于污水检测的光谱解析方法和系统 | |
Ren et al. | Resolution of overlapping signals in spectrometry using a wavelet packet transform and an Elman recurrent neural network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |