【技术实现步骤摘要】
一种卷积神经网络荧光光谱特征提取方法
[0001]本专利技术涉及荧光光谱的特征提取技术，尤其是一种卷积神经网络荧光光谱特征提取方法，用于图片及高光谱的特征提取领域。
技术介绍
[0002]近年来由于海水富营养化加剧，水体中浮游藻类大量繁殖，频繁引发藻华现象，已经成为海洋生态环境的主要污染，所以藻类种类和数量的测量对生态环境检测具有重要意义。浮游植物中含有的色素具有荧光效应，因此荧光光谱分析是一种有效的测量方法，其中三维荧光光谱法在藻类测量中应用广泛，但是三维荧光数据较多，但并不是光谱区域下的所有波长变量都含有有用信息，只有少数光谱区域含有物质特征。其冗余区域荧光信息参与建模会影响预测精度，增加模型的计算，有必要在建立模型之前对荧光数据进行特征提取。
[0003]相关概念包括以下内容：
[0004]EPLS：一种无元参数的、简单的无监督稀疏特征学习算法。该方法提供的鉴别特征对分类非常有用，因为它们联合捕获了相关的空间和光谱图像特征，该方法从一个层的输出迭代地构建一个稀疏目标，并对该特定目标进行优化。
[...
【技术保护点】
【技术特征摘要】
1.一种卷积神经网络荧光光谱特征提取方法，其特征在于：包括以下内容：首先在卷积神经网络的输入层做原始数据的预处理，通过特征区域积分找到重要光谱区域；其次卷积神经网络采用DeepSpectra模型，在增加网络深度的同时减少每个特征图的长度，在每个卷积层输入前加入EPLS算法作为网络的稀疏约束，提高特征提取的有效性，同时每个卷积层的卷积核采用大中小三个尺度进行特征提取，将融合后信息作为特征图来增强每层的提取效果。2.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法，其特征在于：包括以下步骤：(1)将测量得到的三维光谱数据通过激发波长首尾相连的形式展成一行，保留完整波长点的光谱信息；(2)根据光谱区域激发波长和发射波长的间隔将光谱区域划分为若干个单位区域，单位区域阈值设定为单位区域最大积分值的三分之一，保留积分值大于阈值的光谱数据作为网络的输入层；(3)设置卷积神经网络包括1个输入层、3个卷积层，2个全连接层、1个拉伸层，每个卷积层中都包括1个池化层，采用的最大池化法，采样窗口宽度为2，以采样窗口内的最大值作为特征值；所述3个卷积层为Conv1、Conv2、Conv3，所述2个全连接层为F1、F2，所述1个拉伸层为Flatten；(4)将步骤(2)的输出数据作为网络的输入，经过EPLS稀疏约束进行稀疏表示；(5)将稀疏表示的数据作为卷积层Conv1的输入，在Conv1中使用9个卷积核，3个卷积核的大小为3，作为小尺度特征提取，3个卷积核的大小为5，作为中尺度特征提取，3个卷积核的大小为8，作为大尺度特征提取，每个卷积核的步长为2，原始输入光谱的特征长度减小，由9个特征维度表示；Conv1从稀疏表示的含噪声的光谱数据中提取相关信息并去除噪声；(6)将Conv1的输出经过EPLS稀疏约束作为卷积层Conv2的输入，在Conv2中使用18个卷积核，6个卷积核的大小为3，作为小尺度特征提取，6个卷积核的大小为5，作为中尺度特征提取，6个卷积核的大小为8，作为大尺度特征提取，每个卷积核的步长为2；光谱数据的特征长度再次降低，由18个特征维度表示；Conv2学习到更复杂更抽象的特征；(7)将Conv2的输出经过EPLS稀疏约束作为卷积层Conv3的输入，在Conv3中使用36个卷积核，12个卷积核的大小为3，作为小尺度特征提取，12个卷积核的大小为5，作为中尺度特征提取，12个卷积核的大小为8，作为大尺度特征提取，每个卷积核的步长为2；光谱数据的特征长度再次降低，由36个特征维度表示；(8)通过拉伸层将卷积层Conv3输出的36个长度不等的特征图转换为一维向量，并将该向量输入到全连接层F1中，F1层包含134个神经元，最终输出134个特征，F2层有3神经元，对应3个光谱类别；(9)将LReLU函数作为Conv1、Conv2、Conv3、F1、F2的激活函数，加快收敛速度，使梯度下降和反向传播更高效，选择Adam作为梯度下降优化...
【专利技术属性】
技术研发人员：陈颖，张永彬，刘铮莹，朱奇光，刘俊飞，陈婷，
申请(专利权)人：燕山大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。