基于无监督学习的自干涉微环谐振腔传感分类识别方法技术

一种基于无监督学习的自干涉型微环谐振腔传感分类识别方法，包括以下步骤：(1)初始测试数据采集；(2)对测试数据用主成分分析法PCA降维；(3)聚类算法分类，利用机器学习中的聚类算法，即对PCA降维后的归一化测试数据进行识别分类。本发明专利技术提供一种分类精度较高的基于无监督学习的自干涉型微环谐振腔传感分类识别方法。

【技术实现步骤摘要】
基于无监督学习的自干涉微环谐振腔传感分类识别方法
本专利技术涉及一种基于无监督学习的自干涉微环谐振腔传感分类识别方法，属于光学微腔传感领域。
技术介绍
回音壁光学微腔传感能够极大增强光场与物质相互作用，有效提高探测灵敏度，在单纳米颗粒、生物分子等传感领域具有广阔的应用前景。回音壁模式光学微腔具有超高的Q因子和极小的模式体积，在有源光器件、光信号处理、光互联、低能量非线性光学、光和物质相互作用以及传感等领域都有广泛的应用。在回音壁光学微腔中，光场局限在共振微腔内，但仍有部分能量通过倏逝场泄漏到环境中，待测物质与倏逝场相互作用，将会导致光学模式的变化，包括共振模式移动、模式线宽加宽以及简并模式劈裂等。这些源自模场对探测物质变化的响应相互作用，统称为色散传感机理。当纳米颗粒可吸收时，其边缘散射使共振的能量损耗，将导致回音壁微腔模式线宽加宽。这种耗散的相互作用形成的传感机理称为耗散传感机理。现有结构的回音壁微腔用作传感器时，频谱移动在各个共振波长模式处几乎一致，因此对现有的回音壁微腔传感，无论是色散传感机理还是耗散传感机理，仅仅选择在某个模式实现传感测量，而不需要其他多个波长模式处的相关传感信息。然而这种单模式的传感测量显然不能分类和识别不同的目标物质。如对生物组成成分的识别和分类，在更复杂的生物组成成分测量中，不仅需要具体的测量值，更需要精确的识别和分类。基于回音壁微腔共振频率移动和这些生物组分自由谱区内回音壁模式数，结合神经网络，实现了对生物组分的分类，分类精度平均达到97.3％。但这个分类精度很显然不具有一般性，在实际中很难广泛采用。总之，在基于回音壁微腔的传感分类识别中，采用的仍然是单模探测方式，导致探测精度不高且不具有一般性。
技术实现思路
为了克服现有的自干涉型微环谐振腔传感分类识别方式的分类精度较低的不足，本专利技术提供一种分类精度较高的基于无监督学习的自干涉型微环谐振腔传感分类识别方法。为了解决上述技术问题本专利技术提供如下的技术方案：一种基于无监督学习的自干涉型微环谐振腔传感分类识别方法，包括以下步骤：(1)初始测试数据采集，过程如下：采集多组初始测试数据用于无监督学习的传感分类识别方法，每组测试数据由一定波长范围内的多个传输消光值构成，用可调激光激发传感探测系统，用光电探测器和示波器采集出射频谱，可从中提取一定波长范围的传输消光值，通过改变待测目标物质，采集相应一定波长范围内的传输消光值，可获取多组数据；(2)对测试数据用主成分分析法(PrincipalComponentAnalysis，PCA)降维，PCA的思想是将r维特征映射到k维上，k<n，这k维是全新的正交特征，这k维特征称为主成分，是重新构造出来的k维特征，假设原来的数据X是n×r维的，那么将通过以下步骤实现：2-1首先我们利用原数据矩阵X构建一个方阵A＝XTX2-2对方阵A进行特征值分解：Av＝λvA＝QΣQ-1其中Σ是一个对角阵，每一个对角线上的元素就是一个特征值。Q是这个方阵A的特征向量组成的方阵：Q＝{v1，v2，…vr}2-3将特征向量按照特征值大小进行降序并取前k个，得到变换矩阵：COEFFn×k＝{v1,v2,…vk}2-4利用变换矩阵COEFF对原数据进行降维操作：X′n×k＝Xn×rCOEFFr×k2-5将PCA降维后的测试数据根据以下公式进行归一化处理:上式中(x′,j)max和(x′,j)min分别代表某一特征下的样本的最大值和最小值，这一处理的作用就是保证了所使用的两个特征的贡献是一样的，有助于后面的分类；(3)聚类算法分类，利用机器学习中的聚类算法，如K-means聚类算法，即对PCA降维后的归一化测试数据进行识别分类，过程如下：3-1首先利用以下公式将数据集X分配给j个聚类中心，形成j个簇：其中训练数据集X＝{x1,x2,x3,…xn},xi表示数据集点的特征向量，n为数据点总数，k为类别总数。Sj为属于第j类的数据点集合，dist(·)表示欧式距离；3-2聚类中心更新其中card(·)表示集合中元素的个数；3-3通过以上两步的反复迭代直至聚类中心稳定就可以对数据进行准确的分类。本专利技术的有益效果是：本专利技术涉及的基于无监督学习的自干涉型微环谐振腔传感分类识别方法，是将相应的两种探测目标物质敏感材料分别涂敷在N段环形波导或者两段光探测臂波导的上表面。通过探测其出射频谱，提取在一定波长范围内有效传感信息(多个共振波长处传输消光)，经过PCA降维归一化后的测试数据用聚类算法实现识别分类，该基于无监督学习的自干涉型微环谐振腔传感分类识别方法，可实现N类基本物质形成的2N-1种不同组合组分的识别分类，相比监督学习方法，无需去获取巨量的训练数据，在实际应用中具有重要意义。附图说明图1自干涉型微环谐振腔传感器结构示意图图2自干涉型微环谐振腔传感器波长范围1400-1600nm的典型出射频谱图3自干涉型微环谐振腔传感器波长范围1520-1540nm的典型出射频谱图4对PCA降维后的数据进行归一化处理后显示在二维特征值空间图5对PCA降维后的归一化数据在二维特征值空间用K-means聚类算法进行分类的结果。具体实施方式下面结合实施例及附图对本专利技术作进一步详细地描述，但本专利技术的实施方式不限于此。参照图1～图5，一种适用基于自干涉型微环谐振腔传感器的无监督学习识别分类传感探测方法，包括以下步骤：(1)初始测试数据采集，过程如下：采集多组初始测试数据用于无监督学习的传感分类识别方法，每组测试数据由一定波长范围内的多个传输消光值构成，用可调激光激发传感探测系统，用光电探测器和示波器采集出射频谱，可从中提取一定波长范围的传输消光值，通过改变待测目标物质(如气体的浓度等)，采集相应一定波长范围内的传输消光值，可获取多组数据；(2)对测试数据用主成分分析法(PrincipalComponentAnalysis，PCA)降维，PCA的思想是将r维特征映射到k维上，k<n，这k维是全新的正交特征。这k维特征称为主成分，是重新构造出来的k维特征。假设我们原来的数据X是n×r维的，那么将通过以下步骤实现：2-1首先我们利用原数据矩阵X构建一个方阵A＝XTX2-2对方阵A进行特征值分解：Av＝λvA＝QΣQ-1其中Σ是一个对角阵，每一个对角线上的元素就是一个特征值。Q是这个方阵A的特征向量组成的方阵：Q＝{v1，v2，…vr}2-3将特征向量按照特征值大小进行降序并取前k个，得到变换矩阵：COEFFn×k＝{v1,v2,…vk}2-4利用变换矩阵COEFF对原数据进行降维操作：X′n×k＝Xn×rCOEFFr×k2-5将PCA降维后的测试数本文档来自技高网...

【技术保护点】
1.一种基于无监督学习的自干涉型微环谐振腔传感分类识别方法，其特征在于，所述方法包括以下步骤：/n(1)初始测试数据采集，过程如下：/n采集多组初始测试数据用于无监督学习的传感分类识别方法，每组测试数据由一定波长范围内的多个传输消光值构成，用可调激光激发传感探测系统，用光电探测器和示波器采集出射频谱，可从中提取一定波长范围的传输消光值，通过改变待测目标物质，采集相应一定波长范围内的传输消光值，可获取多组数据；/n(2)对测试数据用主成分分析法PCA降维，将r维特征映射到k维上，k＜n，这k维是全新的正交特征，这k维特征称为主成分，是重新构造出来的k维特征，假设原来的数据X是n×r维的，那么将通过以下步骤实现：/n2-1首先我们利用原数据矩阵X构建一个方阵/nA＝X

【技术特征摘要】
1.一种基于无监督学习的自干涉型微环谐振腔传感分类识别方法，其特征在于，所述方法包括以下步骤：
(1)初始测试数据采集，过程如下：
采集多组初始测试数据用于无监督学习的传感分类识别方法，每组测试数据由一定波长范围内的多个传输消光值构成，用可调激光激发传感探测系统，用光电探测器和示波器采集出射频谱，可从中提取一定波长范围的传输消光值，通过改变待测目标物质，采集相应一定波长范围内的传输消光值，可获取多组数据；
(2)对测试数据用主成分分析法PCA降维，将r维特征映射到k维上，k＜n，这k维是全新的正交特征，这k维特征称为主成分，是重新构造出来的k维特征，假设原来的数据X是n×r维的，那么将通过以下步骤实现：
2-1首先我们利用原数据矩阵X构建一个方阵
A＝XTX
2-2对方阵A进行特征值分解：
Av＝λv
A＝Q∑Q-1
其中∑是一个对角阵，每一个对角线上的元素就是一个特征值，Q是这个方阵A的特征向量组成的方阵：
Q＝{v1，v2，...vr}
2-3将特征向量按照...

【专利技术属性】
技术研发人员：张昱路，卢瑾，任宏亮，邹长铃，乐孜纯，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江;33