一种基于神经网络的红外光谱反卷积方法技术

本发明专利技术公开了信号处理技术领域的一种基于神经网络的红外光谱反卷积方法，旨在解决现有技术中由于非盲反卷积和半盲反卷积方法需要先验知识作为支撑，因而限制了其在红外光谱信号处理实际场景中的应用；全盲反卷积处理效果的准确性以及效率不佳，容易受到自然界中的随机噪声影响的技术问题。所述方法包括如下步骤：基于初始红外光谱信号及其退化红外光谱信号构建样本集；利用所述样本集对预构建的神经网络进行训练，所述神经网络的损失函数引入有自步正则项；利用训练好的神经网络处理目标红外光谱信号。

A deconvolution method of infrared spectrum based on Neural Network

【技术实现步骤摘要】
一种基于神经网络的红外光谱反卷积方法
本专利技术涉及一种基于神经网络的红外光谱反卷积方法，属于信号处理

技术介绍
随着光谱探测技术和光电成像技术的发展，红外光谱被广泛用于许多行业，特别是在化学分析和资源勘探中，例如化学物质识别技术、检测气体泄漏、表面化学物质检测和分类等。然而在获取红外光谱的过程中，红外光谱经常由于随机噪声和频带重叠而退化，特别是对于老化的红外光谱仪器，经常遭受频带重叠和随机噪声的干扰。因而反卷积问题被提出，传统的反卷积方法可以分为三类，即：全盲反卷积、非盲反卷积和半盲反卷积。非盲反卷积和半盲反卷积都需要一定的先验知识作为支撑，它们假定光谱的过程退化是固定的，因而限制了其在实际场景中的应用，并且这两个方法的处理性能对模型和参数的选择很敏感。全盲反卷积虽然不需要任何关于模糊核的先验知识，这一点可以满足在实际场景中的应用需求，但其处理效果的准确性以及效率方面都远远没有达到人们所预期效果，同时容易受到自然界中的随机噪声影响。
技术实现思路
针对现有技术的不足，本专利技术的目的在于提供一种基于神经网络的红外光谱反卷积方法，以解决现有技术中由于非盲反卷积和半盲反卷积方法需要先验知识作为支撑，因而限制了其在红外光谱信号处理实际场景中的应用；全盲反卷积处理效果的准确性以及效率不佳，容易受到自然界中的随机噪声影响的技术问题。为解决上述技术问题，本专利技术所采用的技术方案是：一种基于神经网络的红外光谱反卷积方法，包括如下步骤：基于初始红外光谱信号及其退化红外光谱信号构建样本集；利用所述样本集对预构建的神经网络进行训练，所述神经网络的损失函数引入有自步正则项；利用训练好的神经网络处理目标红外光谱信号。进一步地，所述神经网络的损失函数还引入有加权损失项。进一步地，引入自步正则项和加权损失项之前的损失函数为均方误差损失函数。进一步地，引入自步正则项和加权损失项之前的损失函数，其表达式如下：式中，loss为引入自步正则项和加权损失项之前的损失函数，T为红外光谱信号的点数，yi为第i个样本的标签，为第i个样本的预测值。进一步地，引入有自步正则项和加权损失项的损失函数，其表达式如下：式中，E(w,v；η)为引入有自步正则项和加权损失项的损失函数，n为样本集中的样本数，vi为加权损失项，即样本集中第i个样本所对应的加权系数，loss为引入自步正则项和加权损失项之前的损失函数，gL(vi,λ)为自步正则项，λ为阈值。进一步地，在利用所述样本集对预构建的神经网络进行训练之前，还包括：对样本集中的初始红外光谱信号及其退化红外光谱信号进行归一化处理。进一步地，所述归一化处理，其表达式如下：式中，x′为归一化处理之后的红外光谱信号，x为待归一化处理的红外光谱信号，xmin为样本集中红外光谱信号的最小值，xmax为样本集中红外光谱信号的最大值。进一步地，所述神经网络的激活函数为带泄露线性整流函数。进一步地，所述带泄露线性整流函数，其表达式如下：式中，f(n)为激活函数的因变量，n为激活函数的自变量，a为大于1的常数。与现有技术相比，本专利技术所达到的有益效果：本专利技术方法引入了自步长的学习方法去解决红外光谱信号的反卷积问题，不仅能够准确地从退化红外光谱信号中恢复出原始红外光谱信号，同时也解决了传统反卷积方法适用场景少的技术难题，让整个网络的训练过程更加合理有效，使整个网络训练模型收敛速度得到提升。综上所述，本专利技术方法具有更高的准确性和鲁棒性，并且实现简单，具有较快的计算速度。附图说明图1是本专利技术方法实施例的流程示意图；图2是本专利技术方法实施例中所述神经网络的结构示意图；图3是本专利技术方法实施例中所述激活函数的示意图；图4是本专利技术方法实施例中所述自步正则项的函数示意图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。本专利技术具体实施方式提供了一种基于神经网络的红外光谱反卷积方法，旨在实现对退化红外光谱信号的恢复，如图1所示，是本专利技术方法实施例的流程示意图。本专利技术方法技术方案以MATLAB为实现平台，包括如下步骤：步骤一，收集原始红外光谱信号及其产生的退化光谱信号，构建用于训练神经网络的样本集。具体包括：(1)初始红外光谱信号的获取：利用红外光谱仪发射红外信号至物体表面，发射形成初始红外光谱信号；(2)退化红外光谱信号的产生：将前述初始红外光谱信号通过与模糊核卷积并且加上加性噪声的用于产生退化的红外光谱信号，表达式为：Y＝X*K+N式中，Y为退化的红外光谱信号，X为初始红外光谱信号，K为模糊核，*为卷积操作，N为加性随机噪声。对于不同的模糊核，它遵循不同的密度分布函数，主要分为高斯核与洛伦兹核，其密度分布函数如下：式中，Lρ(u)、Gρ(u)分别代表洛伦兹分布和高斯分布，ρ代表模糊核的半高宽，u代表光谱信号的强度。步骤二，设计神经网络结构。具体包括：(1)网络结构的设计：将网络结构的按功能分为编码和解码两个部分，编码器将输入转换为更简单的内部表示，而解码器负责根据内部表示产生输出。网络输出结果在于恢复受模糊核退化的红外光谱信号，因此在输入层和输出层中具有相同数量的神经元。隐藏层必须具有较少的神经元，才能迫使网络学习数据中最重要的特征。如图2所示，是本专利技术方法实施例中所述神经网络的结构示意图。(2)激活函数的选取：将激活函数为带泄露线性整流函数(Leaky_ReLU)表达式如下：式中，f(n)为激活函数的因变量即输出变量，n为函数的自变量即输入变量，a为自定义大于1的常数。带泄露线性整流函数(Leaky_ReLU)是经典的线性整流函数(ReLU)的变体，解决了线性整流函数(ReLU)进入负区间后神经元不学习的问题。如图3所示，是本专利技术方法实施例中所述激活函数的示意图。(3)损失函数的选取：神经网络所使用的损失函数为均方误差损失函数(mean-squareerror,MSE)，表达式如下：式中，loss为均方误差损失函数，yi为样本集中第i个样本的标签，为第i个样本的预测值，T为红外光谱信号的点数。采用均方误差损失函数的好处在于，能够使神经网络通过反向传播过程求解梯度更加快速的修正神经网络中的模型参数。步骤三，预处理。具体包括：(1)光谱信号的归一化：对获取的原始光谱信号和退化红外光谱信号做归一化处理，以减小不同光谱信号之间的差异程度，提升训练模型收敛速度。具体的归一化操作表达式如下：式中，x′为归一化处理之后的红外光谱信号，x为待归一化处理的红外光谱信号，xmin为样本集中红外光谱信号的最小值，xmax为样本集中红外光谱信号的最大值。(2)光谱信号的本文档来自技高网...

【技术保护点】
1.一种基于神经网络的红外光谱反卷积方法，其特征是，包括如下步骤：/n基于初始红外光谱信号及其退化红外光谱信号构建样本集；/n利用所述样本集对预构建的神经网络进行训练，所述神经网络的损失函数引入有自步正则项；/n利用训练好的神经网络处理目标红外光谱信号。/n

【技术特征摘要】
1.一种基于神经网络的红外光谱反卷积方法，其特征是，包括如下步骤：
基于初始红外光谱信号及其退化红外光谱信号构建样本集；
利用所述样本集对预构建的神经网络进行训练，所述神经网络的损失函数引入有自步正则项；
利用训练好的神经网络处理目标红外光谱信号。


2.根据权利要求1所述的基于神经网络的红外光谱反卷积方法，其特征是，所述神经网络的损失函数还引入有加权损失项。


3.根据权利要求2所述的基于神经网络的红外光谱反卷积方法，其特征是，引入自步正则项和加权损失项之前的损失函数为均方误差损失函数。


4.根据权利要求3所述的基于神经网络的红外光谱反卷积方法，其特征是，引入自步正则项和加权损失项之前的损失函数，其表达式如下：



式中，loss为引入自步正则项和加权损失项之前的损失函数，T为红外光谱信号的点数，yi为第i个样本的标签，为第i个样本的预测值。


5.根据权利要求2所述的基于神经网络的红外光谱反卷积方法，其特征是，引入有自步正则项和加权损失项的损失函数，其表达式如下：









式中，E(w,v；η...

【专利技术属性】
技术研发人员：朱虎，代言玉，邓丽珍，
申请(专利权)人：南京邮电大学，
类型：发明
国别省市：江苏;32