【技术实现步骤摘要】
本专利技术涉及光谱检测，具体为融合幅、频、域特征的光谱诊断模型构建方法。
技术介绍
1、光谱诊断技术具有无损、快速、非接触、可视化等优点，已广泛应用于农业、化工、医药等行业的检测领域。传统的化学计量学方法一般采用光谱预处理、特征提取/选择、构建模型的思路，具有方便处理、可解释性强的优点，对于简单检测环境下光谱分布特征一致性程度高的样本较为适用。但在实际生产中，检测环境与样本模式通常较为复杂，传统基于特征工程的化学计量学方法容易导致所提取的特征信息不能完整且稳定解释样本的标签信息，因此，建立的诊断模型容错性低、泛化能力差。深度学习方法采用端到端的学习方式，直接面向任务进行特征提取，并且通过多层神经网络的不断抽象，所提取的特征具有高层语义特征，通过进一步融合底层基础特征，可使所建立的诊断模型具有更好的泛化能力、更高的精确度和稳定性，因此，诸多基于深度学习的光谱检测方案被提出。但由于原始光谱数据本质上是一维的实数向量，现有的深度神经网络难以直接从中抽取稳定、全面的特征。对于光谱数据而言，包含从单个波段幅值至整个区间波形的不同尺度上的特征、频率组成及频率变化特征、光谱间相互关系的非线性特征，如何获取并合理运用这些不同类型的特征信息，目前还缺乏可行的方案。
2、本专利技术旨在提出一种融合幅、频、域特征的光谱诊断模型构建方法，该方法通过对原始光谱数据进行信息增强、二维转换、幅频转换拓展光谱不同尺度、不同角度的信息，构建多通道深度卷积神经网络并引入多元数卷积运算对不同通道的信息进行有效融合，提高光谱诊断模型的精度、泛化能力和稳定性
技术实现思路
1、本专利技术的目的在于提供一种融合幅、频、域特征的光谱诊断模型构建方法。为实现目的，本方案采用的技术方案为：
2、s1：采集待测物的原始光谱数据与标签信息。
3、利用光谱仪或高光谱成像系统采集待测物的原始光谱数据，并采集其标签信息：如果是回归任务，测定待测物的浓度值；如果是分类任务，标记待测物的类别。
4、s2：对s1获取的原始光谱数据进行增强处理。
5、原始的光谱信息携带了反映待测物内部化学属性的全局信息，利用分数阶微分对原始光谱进行增强处理，以挖掘或凸显出能够更加精确表达待测物具体浓度值或类别的有效信息。
6、所采用的分数阶微分处理公式如下：
7、
8、
9、其中，x是在光谱特定波段处的辐照值、反射率、吸收率或透射率，v是微分阶数，γ表示伽马函数，n表示记忆长度，xl表示微分上限位置，a表示微分下限位置，h表示记忆步长，中括号[]表示取整。
10、s3：对s1获取的待测物原始光谱进行二维转换，生成交互关系矩阵。
11、针对每条光谱数据的横坐标或波长，利用线性转换和非线性转换公式逐坐标点计算其与其他所有坐标点之间的结果，完成对所有横坐标点的遍历，即生成横纵坐标相等的二维线性光谱交互关系矩阵、二维非线性光谱交互关系矩阵或二维混合型光谱交互关系矩阵。
12、所采用的线性光谱交互关系矩阵生成公式如下：
13、
14、所采用的非线性光谱交互关系矩阵生成公式如下：
15、
16、所采用的混合型光谱交互关系矩阵生成公式如下：
17、
18、其中，bi和bj表示波段i和波段j的反射率，i、j表示在波长区间的取值，系数λ、α、β用于调整转换公式的幅度值及变化剧烈程度，按照上述函数分别对所有波段进行遍历。
19、s4：对s1获取的待测物原始光谱进行幅频转换，生成频率特征矩阵。
20、先将光谱视作静态平稳信号，对全波段光谱信号进行傅里叶变换，获取整体的频率分量信息；再将光谱视作动态非平稳信号，对光谱信号进行短时离散傅里叶变换，获取各波长区间的频率分量信息；将获取的整体频率特征信息与各波长区间频率特征信息进行整合，生成频率特征矩阵。
21、所采用的离散傅里叶变换公式如下：
22、
23、其中，x表示原始光谱，n表示序列长度，即离散傅里叶变换的窗口长度，n为光谱频率点序号，k为光谱时间点序号，即光谱的波段序号；通过窗口的移动，获取不同光谱区间的频率及相位特征。
24、s5：设计四通道卷积神经网络结构、损失函数与训练策略，将s1-4获得的原始光谱信息、增强光谱信息、交互关系矩阵、频率特征矩阵分别作为四个通道的输入变量；同时，引入四元数卷积操作以融合光谱不同维度的幅、频、域特征，挖掘不同特征之间的互补关系：
25、
26、
27、
28、w×q＝(wjqk-wkqj,wkqi-wiqk,wiqj-wjqi)
29、其中，q＝(qi,qj,qk)表示作为四元数三个虚部的光谱特征(即增强光谱信息、交互关系矩阵、频率特征矩阵)，w＝(wi,wj,wk)表示三个虚部对应的卷积核参数，ri,j(x,y)表示第i层第j个特征，f()表示激活函数，表示连接第i层第j个特征和第i-1层第p个特征的卷积核在(n,m)处的权重，n、m分别表示卷积核的长和宽，bi,j表示卷积偏置量。
30、s6：将所采集的样本划分为训练集和测试集，按照s5设计好的神经网络结构、损失函数与训练策略，反复训练、测试神经网络直至达到预设预测精度或预设循环次数，最终构建出融合幅、频、域特征的光谱诊断模型。
31、可选的，s2中对原始光谱进行有效信息增强时，还可以采用滚轮法、去趋势法、基线校正法、多元散射校正法、正交信号校正法或其组合。
32、可选的，s3中对原始光谱进行二维转换时，还可以扩展至三个及以上坐标点或波段之间的交互关系，如生成三个波段之间的混合型交互关系矩阵：
33、
34、其中，bi、bj和bk表示波段i、波段j和波段k的反射率，i、j和k表示在波长区间的取值，系数λ1、λ2、η1、η2、α、β1、β2、β3用于调整转换公式的幅度值及变化剧烈程度，按照上述函数分别对所有波段进行遍历。
35、可选的，s4中对原始光谱进行幅频转换时，还可以采用特定基函数的小波变换：
36、
37、其中，x表示原始光谱，n表示序列长度，即离散小波变换的窗口长度，n为光谱频率点序号，ψ()为特定的小波基函数或根据光谱具体分布情况自定义满足小波变换条件的基函数，2j为小波基函数的伸缩系数，k为小波基函数的平移参数。
38、在生成频率矩阵时，既可以将整体频率特征信息作为矩阵的一行或一列，也可以将整体频率特征信息放置在矩阵的对角线上。
39、与现阶段的光谱诊断技术相比，本专利技术的有益效果在于：
40、(1)原始光谱信号以一维向量形式作为输入变量，对挖掘光谱间协同作用以及提取不同尺度特征是不利的。本专利技术对原始光谱信号进行转换以挖掘或增强其潜藏的特征，不同的特征对不同的检测任务具有不同的潜在贡献，有利于提高模型的本文档来自技高网...
【技术保护点】
1.一种融合幅、频、域特征的光谱诊断模型构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种融合幅、频、域特征的光谱诊断模型构建方法，其特征在于，S2中对原始光谱进行有效信息增强时，还可以采用滚轮法、去趋势法、基线校正法、多元散射校正法、正交信号校正法或其组合。
3.如权利要求1所述的一种融合幅、频、域特征的光谱诊断模型构建方法，其特征在于，S3中对原始光谱进行二维转换时，还可以扩展至三个及以上坐标点或波段之间的交互关系，如生成三个波段之间的混合型交互关系矩阵：
4.如权利要求1所述的一种融合幅、频、域特征的光谱诊断模型构建方法，其特征在于，S4中对原始光谱进行幅频转换时，还可以采用特定基函数的小波变换：
【技术特征摘要】
1.一种融合幅、频、域特征的光谱诊断模型构建方法，其特征在于，包括以下步骤：
2.如权利要求1所述的一种融合幅、频、域特征的光谱诊断模型构建方法，其特征在于，s2中对原始光谱进行有效信息增强时，还可以采用滚轮法、去趋势法、基线校正法、多元散射校正法、正交信号校正法或其组合。
3.如权利要求1所述的一种融合...
【专利技术属性】
技术研发人员：魏玉震，胡文军，占鹏飞，张雄涛，余强国，
申请(专利权)人：湖州师范学院，
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。