一种基于物理引导神经网络的光谱仪光谱重构方法技术

本发明专利技术公开了一种基于物理引导神经网络的光谱仪光谱重构方法，是将光谱仪测量模型融入到一个神经网络中，利用模型和神经网络的相互作用，随机初始化的网络参数的估计值可以由梯度下降法迭代获得，损失函数选择均方误差函数与全变分正则化项相结合，以实现对神经网络输出结果的约束；当迭代过程结束，神经网络的输出即为输入测量光谱对应的重构光谱

【技术实现步骤摘要】
一种基于物理引导神经网络的光谱仪光谱重构方法


[0001]本专利技术涉及一种基于物理引导神经网络的光谱仪光谱重构方法，属于光电测量

。

技术介绍

[0002]光谱仪通过对入射光光谱的检测与分析，可实现对目标成分
、
物质属性的测量，是一种基本的光学检测仪器
。
随着光电子
、
计算机
、
激光和先进制造等技术的不断发展，光谱仪的性能不断提高，应用领域得到广泛扩展
。
目前，光谱仪已广泛应用于食品安全
、
生化分析
、
工业自动监测
、
深空探测等领域
。
然而，由于光谱仪仪器函数和噪声的影响，测量光谱通常会发生光谱失真，从而影响光谱分辨率，并导致一定的光谱测量误差
。
为了获得更为准确的测量结果，使用光谱重构算法对光谱仪测量光谱进行重构是一种有效的方法
。
[0003]光谱重构算法是一类经典的求解反问题方法，通过已知的测量光谱及仪器函数，求出对真实光谱的估本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于物理引导神经网络的光谱仪光谱重构方法，其特征是，包括以下步骤：步骤1，通过光谱仪采集线状谱光源的输出光，并得到线状谱后进行面积归一化处理，获得所述光谱仪对应的仪器函数
b
，从而得到光谱仪测量模型
H
；步骤2，构建深度神经网络
R
θ
，并初始化
R
θ
中包含的网络参数
θ
，构建
R
θ
的损失函数
L
为均方误差函数
MSELoss
与全变分正则化项
TV
的加权和；步骤3，获取光谱仪的测量光谱
M
并输入所述深度神经网络
R
θ
中进行处理，输出测量光谱
M
的估计重构光谱
R
θ
(M)
；将估计重构光谱
R
θ
(M)
带入光谱仪测量模型
H
中，并得到估计的测量光谱
H(R
θ
(M))
；通过损失函数
L
计算所述估计的测量光谱
H(R
θ
(M))
与真实的测量光谱
M
之间的损失值，并利用梯度下降法对网络参数
θ
进行迭代更新，直到满足迭代停止条件为止，从而获得优化后的网络参数
θ
*
；步骤4，将优化后的网络参数
θ
*
带入深度神经网络
R
θ
中，得到物理引导神经网络
R
θ
*
，用于建立测量光谱到重构光谱的...

【专利技术属性】
技术研发人员：黄禅，刘焕文，张瀚元，周雷鸣，胡继刚，
申请(专利权)人：合肥工业大学，
类型：发明
国别省市：