RU2635331C1 - Способ нейроподобного снижения размерности оптических спектров - Google Patents
Способ нейроподобного снижения размерности оптических спектров Download PDFInfo
- Publication number
- RU2635331C1 RU2635331C1 RU2016140726A RU2016140726A RU2635331C1 RU 2635331 C1 RU2635331 C1 RU 2635331C1 RU 2016140726 A RU2016140726 A RU 2016140726A RU 2016140726 A RU2016140726 A RU 2016140726A RU 2635331 C1 RU2635331 C1 RU 2635331C1
- Authority
- RU
- Russia
- Prior art keywords
- components
- channels
- optical spectra
- values
- channel
- Prior art date
Links
- 238000001228 spectrum Methods 0.000 title claims abstract description 57
- 230000003287 optical effect Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 33
- 230000003247 decreasing effect Effects 0.000 title claims description 5
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 230000007423 decrease Effects 0.000 claims abstract description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 5
- 238000009825 accumulation Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 claims description 2
- 244000019194 Sorbus aucuparia Species 0.000 claims 1
- 235000006414 serbal de cazadores Nutrition 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 239000000126 substance Substances 0.000 abstract 1
- 238000002329 infrared spectrum Methods 0.000 description 8
- 230000003321 amplification Effects 0.000 description 4
- 238000003199 nucleic acid amplification method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000004020 luminiscence type Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- TVMXDCGIABBOFY-UHFFFAOYSA-N octane Chemical compound CCCCCCCC TVMXDCGIABBOFY-UHFFFAOYSA-N 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000007261 regionalization Effects 0.000 description 1
- 238000004611 spectroscopical analysis Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
Изобретение относится к области оптических измерений и касается способа нейроподобного снижения размерности оптических спектров. Способ заключается в мультиплексировании компонент спектра на несколько каналов, число которых меньше числа всех компонент, фильтрации мультиплексированных компонент в каждом канале и пространственном накоплении во всех каналах отфильтрованных компонент для формирования редуцированных образов оптических спектров. Фильтрацию компонент в каждом канале мультиплексирования производят различным образом на основании фильтрации в предыдущих каналах. При этом в первом канале регистрируют вариации значений компонент совокупности всех оптических спектров и по ним формируют опорный дискретный сигнал, по которому настраивают величины увеличения/уменьшения значений амплитуд компонент. В последующих каналах формируют соответствующие опорные дискретные сигналы, ортогональные всем опорным сигналам предыдущих каналов, и по значениям их отсчетов настраивают величины увеличения/уменьшения значений амплитуд компонент этих каналов. Технический результат заключается в расширении функциональных возможностей и обеспечении возможности автоматической обработки оптических спектров. 2 з.п. ф-лы, 6 ил.
Description
Область техники, к которой относится изобретение
Предлагаемое изобретение относится к технической физике и может быть использовано для визуализации многомерных оптических спектров, а также идентификации и распознавания, оценивания параметров различных объектов, например защитных знаков ценных бумаг и изделий, продукции пищевой и нефтехимической промышленностей.
Предшествующий уровень техники
Одно из перспективных направлений защиты ценных бумаг, денежных купюр и различных промышленных изделий от подделки связано с выращиванием нанокристаллических маркеров в толще различных материалов под воздействием лазерного света [1]. Данные нанокристаллические маркеры имеют характерные оптические спектры люминесценции, по которым могут быть идентифицированы [2].
Для автоматизации процессов идентификации и распознавания получаемых спектров была предложена технология их сравнение с эталонными спектрами по специальным мерам сходства, зависящим от моделей наблюдения и характера помех [2].
Другим важным направлением защиты промышленных товаров, в частности товаров, основанных на различных жидких средах, является спектральная компьютерная квалиметрия жидких сред, позволяющая проводить идентификацию, распознавание и оценивание параметров продукции пищевой и нефтехимической промышленностей с помощью методов оптической спектрометрии в широком диапазоне длин электромагнитных волн (от ультрафиолетовых до инфракрасных) [3].
Однако как люминесцентные, так и инфракрасные спектры имеют большую размерность - до нескольких тысяч отсчетов, содержат излишнюю информацию, не связанную непосредственно со структурой и физикой формирующих их защитных меток. Поэтому для визуализации и упрощения интерпретации спектральных данных перед дальнейшей автоматической обработкой (идентификации, кластеризации и распознавания, оценивания параметров) было бы целесообразно снизить (редуцировать) их размерность.
Известен способ снижения размерности сигналов, основанный на модели нервной клетки по МакКаллоку-Питсу [МакКалок Дж., Питтс У. Логические исчисления идей, относящихся к нервной деятельности. // Автоматы. М.: ил, 1956].
Известный способ снижения размерности сигналов, состоящих из N компонент, заключается в мультиплексировании каждой компоненты хi (i=1, 2, …, N) сигналов на М (М<N) каналов, увеличении/ уменьшении в каждом канале значений xi, на весовой коэффициент wji (j=1, 2, …, М), последующего пространственного накопления в каждом канале всех результирующих сигналов wjixi,. Итоговая размерность М исходных данных определяется числом возможных редуцированных сигналов uj=Σwjixi (j=1, 2, …, М).
Недостаток данного способа заключается в том, что само по себе описанное выше снижение размерности сигналов не имеет сколь-нибудь значимой интерпретации. Значимая интерпретация появляется лишь при дополнительном введении нелинейной функции активации yj=ƒ(Σwjixi), где j=1, 2, …, М). Однако нелинейная функция активации ƒ и последующая настройка весов увеличения/уменьшения на ее основе целесообразна лишь для задач классификации, распознавания и прогнозирования данных. В этих случаях выходные величины yj принимают значения 0 и 1, что не соответствует задачам снижения размерности сигналов с сохранение их топологических свойств, например, взаимных соотношений их сходства/ различия.
Известен способ снижения размерности сигналов, основанный на модели нервной клетки по Видроу Б. и Хоффу М. [Widrow В., Hoff М. Е. Jr., Adaptive switching circuits, Western Conf. Rec, IRE, 1960, cz. 4, s. 94-104].
Согласно данному способу снижение размерности сигналов обеспечивается тем, что каждую компоненту мультиплексируют на несколько каналов, число которых меньше числа всех компонент, в каждом канале значение величины каждой компоненты увеличивают/уменьшают на свой весовой коэффициент, а все результирующие сигналы пространственно накапливают, формируя редуцированные сигналы, при этом весовые коэффициенты в каждом канале изменяют, минимизируя квадратичные ошибки отклонений значений редуцированных сигналов от соответствующих им эталонных значений.
Недостатком данного способа является то, что при описанной выше настройке в каждом канале увеличения/уменьшения значений амплитуд компонент сигналов, эти сигналы будут отображаться лишь в эталонные значения, а информация об их топологических свойствах, например, взаимных соотношениях сходства/различия может быть потеряна. Это объясняется тем, что отображение сигналов осуществляется не в ортогональные пространства. Тем самым, снижаются функциональные возможности способа для его дальнейшего использования.
Наиболее близким к заявляемому из известных по своему назначению, технической сущности и достигаемому результату является выбранный в качестве прототипа способ снижения размерности оптических спектров для адаптивного управления плазменным процессом на основе использования нейронных сетей, формирующих управляющие параметры по оптическому спектру, генерируемому лазерной плазмой [Chi Yung Fu. Closed loop adaptive control of spectrum-producing step using neural networks. US 5841651 A. 1998].
Согласно данному способу снижение размерности оптических спектров обеспечивается тем, что каждую их компоненту мультиплексируют на несколько входных каналов, число которых меньше числа всех компонент, в данных каналахсмешивают мультиплексированные компоненты, и подвергают смешанные сигналы нечеткой фильтрации, а все отфильтрованные сигналы пространственно накапливают в выходных каналах, формирующих редуцированные образы оптических спектров, которые используют как управляющие параметры.
Недостатком способа, принятого за прототип, является то, что он, также как и рассмотренные выше аналоги, ограничивает функциональные возможности применения, поскольку ориентирован на достаточно узкую задачу нечеткого параметрического оценивания отклонения оптических спектров от эталонных значений и формирования по сигналам рассогласования управляющих сигналов.
Раскрытие изобретения
Предлагаемый способ нейроподобного снижения размерности оптических спектров базируется на том же принципе, что и прототип, т.е. на мультиплексировании каждой дискретной компоненты оптических спектров на несколько каналов, фильтрации мультиплексированных компонент в каждом канале, и пространственном накоплении во всех каналах отфильтрованных компонент для формирования соответствующих редуцированных образов оптических спектров.
Однако в предлагаемом способе, в отличие от прототипа, в каждом канале мультиплексирования фильтрацию компонент производят различным образом: в первом канале регистрируют вариации значений компонент совокупности всех оптических спектров, на основании которых формируют опорный дискретный сигнал, по которому первоначально настраивают величины увеличения/уменьшения значений амплитуд компонент; в последующих каналах формируют соответствующие опорные дискретные сигналы, ортогональные всем опорным сигналам предыдущих каналов, и по значениям их отсчетов настраивают величины увеличения/уменьшения значений амплитуд компонент этих каналов; для всех каналов запоминают редуцированные образы всех оптических спектров, и производят итерационную коррекцию опорных дискретных сигналов двух первых каналов, увеличивая различия редуцированных образов оптических спектров.
Целью изобретения является расширение функциональных возможностей способа путем ортогонального отображения оптических спектров в пространство меньшей размерности с сохранением топологических свойств, связанных с соотношениями сходства/различия спектров как для их наглядной визуализации, так и дальнейшей автоматической обработки (идентификации и распознавания, оценивания параметров источников оптических спектров [3]).
Указанные отличительные признаки, необходимые для реализации заявленного способа и достижения поставленной цели, обладают несомненной новизной в действии над материальными объектами - оптическими спектрами и соответствующими им сигналами, получаемыми в процессе последовательных преобразований: увеличения/уменьшения значений амплитуд их компонент; формирования опорных сигналов и их фильтрации.
Краткое описание чертежей
В дальнейшем изобретение поясняется описанием конкретного, но не ограничивающего настоящего изобретения варианта осуществления и прилагаемыми чертежами, на которых:
Фиг. 1 иллюстрирует реализацию предлагаемого способа при мультиплексировании компонент оптических спектров на 3 канала;
Фиг. 2 иллюстрирует люминесцентные спектры перед снижением их размерности;
Фиг. 3 иллюстрирует редуцированные трехмерные образы люминесцентных спектров;
Фиг. 4 иллюстрирует инфракрасные спектры перед снижением их размерности;
Фиг. 5 иллюстрирует редуцированные трехмерные образы инфракрасных спектров;
Фиг. 6 иллюстрирует множество редуцированных двухмерных образов инфракрасных спектров.
Лучшие варианты осуществления изобретения
Предлагаемый способ нейроподобного снижения размерности оптических спектров осуществляется следующим образом.
Согласно предлагаемому способу снижение размерности оптических спектров производится для их совокупности - множества {S}k (k=1, 2, …, К), состоящего из K элементов Sk=(Sk 1, Sk 2, …, Sk N)T, каждый из которых включает дискретные компоненты с амплитудами Sk n(n=1, 2, …, N).
Каждая компонента Sk n любого к-го оптического спектра мультиплексируется на несколько каналов, число которых значительно меньше числа компонент спектров (на Фиг. 1 показано три канала X, У, Z).
Способ осуществляется поэтапно во времени. Для этого первоначально в первом канале X регистрируют вариации значений компонент всех оптических спектров, и по этим вариациям первоначально настраивают увеличение/ уменьшение значений амплитуд компонент первого канала.
В качестве примера, вариации регистрируют в виде величин Δn=|Smax n-Smin n|, определяемых максимальными Smax n и минимальными Smin n значениями разброса значений амплитуд всех компонент (n=1, 2, …, N).
Далее, все вариации Δn (n=1, 2, …, N) сравнивают с первоначально назначенным порогом Δ1thr, и при превышении этого порога формируют путем первой режекторной фильтрации отсчеты опорного дискретного сигнала WX=(wX1, wX2, …, wXN)T первого канала в виде единичных орт:
По этим отсчетам настраивают величины коэффициентов wXn усиления/ослабления значений амплитуд компонент оптических спектров в первом канале X.
Режекторная фильтрация позволяет удалить из оптических спектров неинформативные компоненты, оставив только компоненты, ответственные за их различие.
Затем, во втором канале Y, например с помощью Гильберт-фильтрации, формируют первый вспомогательный дискретный сигнал W1=(w11, W12, …, w1N)T:
где hk - импульсная характеристика Гильберта (ИХГ) [4]:
Далее регистрируют абсолютные значения |w1n| отсчетов первого вспомогательного дискретного сигнала (n=1, 2, …, N) и формируют путем второй режекторной фильтрации отсчеты второго вспомогательного дискретного сигнала W2=(w21, w22, …, w2N)T в виде единичных орт:
Вторая режекторная фильтрация способствует выделению особенностей в компонентах оптических спектров, относящихся к отдельным классам (классам, объединяющим схожие оптические спектры).
Таким образом, если первая режекторная фильтрация выделяет компоненты, ответственные за различие, то вторая - за сходство оптических спектров.
Отсчеты опорного дискретного сигнала WY=(wY1, wY2, …, wYN)T второго канала формируют на основе процесса ортогонализации Грамма-Шмидта:
Величины коэффициентов wYk усиления/ослабления значений амплитуд компонент оптических спектров во втором канале Y настраивают пропорционально значениям отсчетов опорного дискретного сигнала WY.
В последующих каналах формируют соответствующие опорные дискретные сигналы, ортогональные всем опорным сигналам предыдущих каналов. Так, например, для третьего канала Z третий опорный дискретный сигнал WZ=(wZ1, wZ2, …, wZN)T формируют как:
где W - любой начальный дискретный сигнал, например, W=(1, 2, 3, …, N).
Величины коэффициентов wZk усиления/ослабления значений амплитуд компонент оптических спектров в третьем канале Z настраивают пропорционально значениям отсчетов опорного дискретного сигнала WZ.
Как показано на Фиг. 1, редуцированные образы всех K оптических спектров формируют в каждом канале с помощью пространственного накопления соответствующих отфильтрованных компонент:
При описанной процедуре снижения размерности K оптических спектров каждому спектру - многомерному элементу Sk будет соответствовать свой редуцированный трехмерный образ Xk, Yk, Zk (k=1, 2, …, K).
Для целей наглядной визуализации спектров путем увеличения различия редуцированных образов итерационно изменяют пороги Δ1thr и Δ2thr в первых двух каналах, увеличивая какой либо критерий различия (например, минимум минимумов расстояний между точкам Xk, Yk, Zk или множественный дискриминантный критерий Фишера [5]).
Приведем примеры применения рассмотренного способа для снижения размерности люминесцентных инфракрасных спектров.
На Фиг. 2 приведены примеры трех различных люминесцентных спектров нанокристаллических защитных маркеров, а на Фиг. 3 - их редуцированные трехмерные образы.
На Фиг. 4 приведены примеры четырех различных инфракрасных спектров автомобильных бензинов (с октановыми числами 82, 92, 95, 98), а на Фиг. 5 - их редуцированные трехмерные образы.
На Фиг. 6 приведен пример множества редуцированных двухмерных образов инфракрасных спектров для разных классов бензинов (80_нормаль, 92_регуляр, 95_премиум, 98_супер), с 5-ю представителями в каждом классе.
Для наглядной визуализации спектров итерационное изменением порогов Δ1thr и Δ2thr в двух каналах было проведено на основании оптимизации множественного дискриминантного критерия Фишера («сумма квадратов расстояний между классами»/«сумма дисперсий классов» [5]).
Приведенные примеры наглядно показывают преимущества предлагаемого способа. Сравнение полученного результата с результатами по идентификации инфракрасных спектров, описанными в [3], показало, что снижение размерности не ухудшает дискриминационных свойств редуцированных спектров, позволяет упростить их наблюдение и интерпретацию, а также не ограничивает возможности дальнейшего использования для решения различных задач идентификации, кластеризации и распознавания, оценивания параметров.
Промышленная применимость
Описанным способом могут быть созданы как аналоговые, так и гибридные аналого-цифровые устройства, снижающие размерность оптических спектров, формируемых современными оптическими спектрометрами, применяемыми в различных технологических процессах производства. В свою очередь, это повысит наглядность, оперативность и достоверность контроля состояний производимых объектов по их оптическим спектрам.
Источники информации
1. Maximovsky S., et all. Shattuckite synthesis and the pattern formation by the scanning laser beam. Tecnol. Metal. Mater. Miner. So’о Poulo. V. 13. N. 3. 2016. P. 248-251.
2. Краснов A.E., Максимовский C.H., Смирнов B.M., Ставцев А.Ю. Метрологическое обеспечение защиты ценных бумаг, документов и товаров на основе нанотехнологий. Технологии XXI века в легкой промышленности (электронное научное издание). №7. Часть I. Раздел №4. 2013.Статья №6.
3. Краснов А.Е. и др. Основы спектральной компьютерной квалиметрии жидких сред / Под ред. д.ф.-м.н., проф. Краснова А.Е. - М.: ИД «Юриспруденция», 2006. - 264 с.
4. Klingspor М. Hilbert transform: Mathematical theory and applications to signal processing. LiTH - MAT - EX, 2015. - 76 p.
5. Дуда P., Харт П. Распознавание образов и анализ сцен / Перевод с англ. - М.: Мир, 1976. - 511 с.
Claims (10)
1. Способ нейроподобного снижения размерности оптических спектров, заключающийся в мультиплексировании их компонент на несколько каналов, число которых меньше числа всех компонент, фильтрации мультиплексированных компонент в каждом канале и пространственном накоплении во всех каналах отфильтрованных компонент для формирования соответствующих редуцированных образов оптических спектров, отличающийся тем, что в каждом канале мультиплексирования фильтрацию компонент производят различным образом на основании фильтрации в предыдущих каналах, а именно в первом канале регистрируют вариации значений компонент совокупности всех оптических спектров и по ним формируют опорный дискретный сигнал, по которому первоначально настраивают величины увеличения/уменьшения значений амплитуд компонент, в последующих каналах формируют соответствующие опорные дискретные сигналы, ортогональные всем опорным сигналам предыдущих каналов, и по значениям их отсчетов настраивают величины увеличения/уменьшения значений амплитуд компонент этих каналов, для всех каналов запоминают редуцированные образы всех оптических спектров и производят итерационную коррекцию опорных дискретных сигналов двух первых каналов, увеличивая различия редуцированных образов оптических спектров.
2. Способ нейроподобного снижения размерности оптических спектров по п. 1, отличающийся тем, что вариации компонент оптических спектров регистрируют в виде величин Δn=|Smax n-Smin n|, определяемых максимальными Smax n и минимальными Smin n значениями разброса значений амплитуд всех компонент (n=1, 2, …, N), а отсчеты первого дискретного опорного сигнала WX=(wX1, wX2, …, wXN)T формируют путем первой режекторной фильтрации с помощью первого порога Δ1thr в виде единичных орт:
3. Способ нейроподобного снижения размерности оптических спектров по п. 2, отличающийся тем, что с помощью Гильберт-фильтрации формируют первый вспомогательный дискретный сигнал W1=(w11, w12 …, w1N)T:
где 
- импульсная характеристика фильтра Гильберта, регистрируют его абсолютные значения |w1n|, формируют путем второй режекторной фильтрации с помощью второго порога Δ2thr отсчеты второго вспомогательного дискретного сигнала W2=(w21, w22, …, w2N)T в виде единичных орт:
а отсчеты опорных дискретных сигналов WY=(wY1, wY2, …, wYN)T и WZ=(wZ1, wZ2, …, wZN)T второго и третьего каналов формируют на основе процесса ортогонализации Грамма-Шмидта:
где W- любой начальный дискретный сигнал, например, W=(1, 2, 3, …, N).
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2016140726A RU2635331C1 (ru) | 2016-10-18 | 2016-10-18 | Способ нейроподобного снижения размерности оптических спектров |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| RU2016140726A RU2635331C1 (ru) | 2016-10-18 | 2016-10-18 | Способ нейроподобного снижения размерности оптических спектров |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| RU2635331C1 true RU2635331C1 (ru) | 2017-11-10 |
Family
ID=60263829
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| RU2016140726A RU2635331C1 (ru) | 2016-10-18 | 2016-10-18 | Способ нейроподобного снижения размерности оптических спектров |
Country Status (1)
| Country | Link |
|---|---|
| RU (1) | RU2635331C1 (ru) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5841651A (en) * | 1992-11-09 | 1998-11-24 | The United States Of America As Represented By The United States Department Of Energy | Closed loop adaptive control of spectrum-producing step using neural networks |
| RU2390051C2 (ru) * | 2008-07-09 | 2010-05-20 | Государственное образовательное учреждение высшего профессионального образования "Северо-Кавказский государственный технический университет" | Устройство спектрального обнаружения и коррекции ошибок в кодах полиномиальной системы классов вычетов |
| US20110078224A1 (en) * | 2009-09-30 | 2011-03-31 | Wilson Kevin W | Nonlinear Dimensionality Reduction of Spectrograms |
| US20130129256A1 (en) * | 2011-11-22 | 2013-05-23 | Raytheon Company | Spectral image dimensionality reduction system and method |
-
2016
- 2016-10-18 RU RU2016140726A patent/RU2635331C1/ru not_active IP Right Cessation
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5841651A (en) * | 1992-11-09 | 1998-11-24 | The United States Of America As Represented By The United States Department Of Energy | Closed loop adaptive control of spectrum-producing step using neural networks |
| RU2390051C2 (ru) * | 2008-07-09 | 2010-05-20 | Государственное образовательное учреждение высшего профессионального образования "Северо-Кавказский государственный технический университет" | Устройство спектрального обнаружения и коррекции ошибок в кодах полиномиальной системы классов вычетов |
| US20110078224A1 (en) * | 2009-09-30 | 2011-03-31 | Wilson Kevin W | Nonlinear Dimensionality Reduction of Spectrograms |
| US20130129256A1 (en) * | 2011-11-22 | 2013-05-23 | Raytheon Company | Spectral image dimensionality reduction system and method |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110109060B (zh) | 一种基于深度学习网络的雷达辐射源信号分选方法及系统 | |
| Moorthy et al. | Statistics of natural image distortions | |
| CN111582320A (zh) | 一种基于半监督学习的动态个体识别方法 | |
| CN110827330A (zh) | 一种时序集成的多光谱遥感图像变化检测方法及系统 | |
| Velasco-Forero et al. | Learnable empirical mode decomposition based on mathematical morphology | |
| RU2635331C1 (ru) | Способ нейроподобного снижения размерности оптических спектров | |
| Vassilas et al. | Delineation of lineaments from satellite data based on efficient neural network and pattern recognition techniques | |
| Fisher et al. | Entropy manipulation of arbitrary nonlinear mappings | |
| CN113052130A (zh) | 基于深度残差网络和边缘保护滤波的高光谱影像分类方法 | |
| Gabarda et al. | On the use of a joint spatial-frequency representation for the fusion of multi-focus images | |
| Villmann et al. | Processing Hyperspectral Data in Machine Learning. | |
| Ng et al. | Effect of neighbourhood size selection in SOM-based image feature extraction | |
| CN110335225B (zh) | 红外光图像与可见光图像融合的方法 | |
| Franchi et al. | A deep spatial/spectral descriptor of hyperspectral texture using scattering transform | |
| Campos et al. | Adaptive target enhancer: Bridging the gap between synthetic and measured SAR images for automatic target recognition | |
| Naji et al. | Image Segmentation Using Discrete Wavelets Transform | |
| Kotwal et al. | A fast approach for fusion of hyperspectral images through redundancy elimination | |
| Pacifici | Change detection algorithms: State of the art | |
| Lavangnananda et al. | Effectiveness of Different Preprocessing Techniques on Classification of Various Lengths of Control Charts Patterns | |
| Mohamed et al. | Automated classification of galaxies using transformed domain features | |
| Seresht et al. | Remote sensing panchromatic images classification using moment features and decision fusion | |
| Ali et al. | Facial emotion recognition based on empirical mode decomposition and discrete wavelet transform analysis | |
| Kim et al. | Quality determination of steel surfaces based on best feature selection | |
| Jiang et al. | Study on pretreatment methods of stellar spectral data | |
| Lam | Non-negative matrix factorization for images with Laplacian noise |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| MM4A | The patent is invalid due to non-payment of fees |
Effective date: 20181019 |