详情

原文传递基于神经网络及宽带滤波调制的分光方法

专利名称：	基于神经网络及宽带滤波调制的分光方法
摘要：	本发明公开了一种基于神经网络及宽带滤波调制的分光方法，主要解决现有技术在有噪声时无法使用最小二乘法进行准确分光的问题。其实现步骤是：1)设计一组调制片作为滤镜，安装到探测器上，并组成探测器矩阵；2)用探测器矩阵，探测已知入射光源，得到各探测器探测的数据，并进行预处理；3)构建神经网络；4)用已知入射光源光谱和经预处理后的探测数据，对神经网络进行训练；4)用探测器矩阵探测未知光源，并对探测的未知光源数据经预处理后输入到训练好的神经网络模型，即可计算未知光源光谱数据，完成分光。本发明充分融合了宽带滤波的光谱复用的特征以及神经网络的学习能力，提高了分光的准确率，可应用于光谱现场检测。
专利类型：	发明专利
国家地区组织代码：	陕西;61
申请人：	西安电子科技大学
发明人：	刘德连;张建奇;董存泉;施富凯;黄曦;王晓蕊
专利状态：	有效
申请日期：	2018-12-26T00:00:00+0800
发布日期：	2019-05-07T00:00:00+0800
申请号：	CN201811599624.4
公开号：	CN109724917A
代理机构：	陕西电子工业专利中心
代理人：	王品华;朱红星
分类号：	G01N21/01(2006.01);G;G01;G01N;G01N21
申请人地址：	710071 陕西省西安市雁塔区太白南路2号
主权项：	1.一种基于神经网络及宽带滤波调制的分光方法，包括如下步骤： (1)设计一组nA个作用于nλ个波段的光谱透过率不同的调制片，并将其制作成滤镜，将这些滤镜安装在nA个相应的探测器上，组成探测器阵列； (2)用探测器阵列分别探测m个已知入射光源，得到m个光谱经过各个滤镜调制后的数据矩阵并将m个已知入射光源光谱向量I(1),I(2),...,I(m)按照与滤镜调制后的数据矩阵相同的顺序排列成光谱矩阵 (3)对滤镜调制后的数据矩阵进行归一化预处理，得到预处理后的数据矩阵F； (4)将预处理后的数据矩阵F作为训练的输入数据和将光谱矩阵作为训练标签，共同传入神经网络进行有监督训练，得到训练好的模型； (5)用探测器阵列探测未知光源，得到未知光源经nA个滤镜调制后的探测数据并对进行归一化预处理，得到预处理后的未知光源探测数据向量Ftest，再将预处理后的未知光源探测数据向量Ftest传入到训练好的模型，计算得到未知光源的光谱数据Itest，实现分光。 2.根据权利要求1所述的方法，其中(1)中设计一组nA个作用于nλ个波段的光谱透过率不同的调制片，并将其制作成滤镜，其实现如下： (1a)生成一个nλ个谱段都为0的初始透过率向量Ainit； (1b)生成3到12范围内的随机数p作为高斯峰的个数，生成p个2到22范围内的随机数σ1,σ2,...,σp，并在应用的波段中采用随机抽取不放回的方式生成p个位置； (1c)在初始透过率向量Ainit的p个位置上分别加上标准差为随机数σ1,σ2,...,σp的高斯峰，得到处理后的透过率向量A，将其线性缩放到0.1到1之间，得到第一个设计好的调制片透过率向量a(1)； (1d)重复(1a)到(1c)操作，生成nA个设计好的调制片的透过率向量 (1e)应用微纳结构技术，依照nA个设计好的调制片的透过率向量制作nA个滤镜。 3.根据权利要求1所述的方法，其中(2)中用探测器阵列分别探测m个已知入射光源，得到m个光谱经过各个滤镜调制后的数据矩阵其实现如下： (2a)第i个已知光源的光谱数据经探测器阵列中nA个滤镜分别调制，得到第i个光源光谱数据I(i)经nA个滤镜调制后的探测数据其中i＝1,2,...,m； (2b)将第i个已知光源光谱经过nA个滤镜调制后的探测数据组成第i个光谱经探测器阵列调制后的探测数据向量 (2c)将m个光谱经探测器矩阵调制的探测数据向量F(1),F(2),...,F(m)，按如下公式排列，得到m个光谱经过各个滤镜调制后的数据矩阵 4.根据权利要求1所述的方法，其中(3)中对滤镜调制后的数据矩阵进行归一化预处理，得到预处理后的数据矩阵F，按如下步骤进行： (3a)将nλ个波段光谱数据全为1的光谱I1经nA个滤镜调制，得到I1经nA个滤镜调制的探测数据 (3b)按如下公式，对滤镜调制后的数据矩阵进行最大最小值归一化处理，得到预处理后的数据矩阵F：其中，j＝1,2,...,nA，为滤镜调制后的数据矩阵中的第j列。 5.根据权利要求1所述的方法，其中所述步骤(4)按如下步骤进行： (4a)按如下公式建立一个由隐藏层和输出层两层结构的神经网络模型： H＝tanh(X·W(1)+b(1))， Ip＝H·W(2)+b(2)，其中，H表示隐藏层的输出结果，X表示神经网络接收的训练的输入数据，Ip表示经神经网络计算的输出数据；W(1)为输入与隐藏层之间的权重矩阵，其维度为nA×N，N为隐藏层的神经元个数；W(2)为隐藏层与输出层之间的权重矩阵，其维度为N×nλ；b(1)为隐藏层的偏置值，b(2)为输出层的偏置值，tanh(·)为双曲正切函数； (4b)用截断的正太分布随机初始化(4a)中的两个权重矩阵W(1)、W(2)和两个偏置值b(1)、b(2)； (4c)用预处理后的数据矩阵F作为训练的输入数据，输入到(4a)构建的神经网络模型的X中，得到经神经网络计算的输出数据Ip； (4d)用传入的光谱矩阵按如下公式，计算代价函数J：其中，i＝1,2,...,m，表示经神经网络计算的输出数据Ip的第i行，表示传入的光谱矩阵的第i行，\|\|·\|\|2表示2范数； (4e)使用学习率为0.001的Adam优化算法对代价函数J进行最小化优化，以更新两个权重矩阵W(1)、W(2)和两个偏置值b(1)和b(2)； (4f)重复(4c)到(4e)操作，直至代价函数J小于0.002，得到输入与隐藏层之间训练好的权重矩阵θ(1)、隐藏层与输出层之间训练好的权重矩阵θ(2)、隐藏层训练好的偏置值B(1)和输出层训练好的偏置值B(2)； (4g)用训练好的权重矩阵θ(1)、θ(2)分别替换神经网络模型中的W(1)、W(2)，用训练好的偏置值B(1)、B(2)替换神经网络模型中的b(1)、b(2)，得到如下训练好的神经网络模型： L＝tanh(Y·θ(1)+B(1))， I＝L·θ(2)+B(2)，其中，L表示训练好的神经网络模型中隐藏层的输出结果，Y表示训练好的神经网络模型接收的输入数据，I表示接收的输入数据Y经训练好的神经网络模型计算的输出结果。 6.根据权利要求1所述的光谱分光方法，所述步骤(5)得到预处理后的未知光源探测数据向量Ftest，表示如下：其中，为未知光源经nA个滤镜调制后的数据，为I1经nA个滤镜调制后的探测数据。
所属类别：	发明专利