上海应用技术大学计算机科学与信息工程学院, 上海 201418
矿物分析在地质勘测及工程应用中都是一项极为关键的工作,在矿物分析中,相比于传统的物理方法和化学方法,拉曼光谱检测能提供更快速的定性定量分析,最重要的是,它对矿物的损伤可以忽略不计。而基于拉曼光谱的数据分析,传统的机器学习方法效果并不理想,尤其在矿物种类极其庞大的情况下。为此,提出一种基于Siamese网络的相似性学习方法,采用Hungarian算法来优化负样本,与传统的机器学习算法相比,得到了鲁棒性最好的结果。Siamese网络计算出矿物之间的相似度,除了能对矿物进行识别,还可以在一定程度上为该矿物的替代材料提供参考。
视觉 拉曼光谱 机器学习 Siamese网络 相似性学习 矿物分析 激光与光电子学进展
2020, 57(9): 093301
1 上海应用技术大学计算机科学与信息工程学院, 上海 201418
2 吉林大学软件学院, 吉林 长春 130122
3 军事医学科学院军事兽医研究所吉林省人畜共患病预防与控制重点实验室, 吉林 长春 130122
食源性致病菌的快速识别是一项重要的工作,与传统检测方法相比,拉曼光谱能在无损检测的同时加快鉴别速度。为了提高大肠杆菌O157∶H7以及布鲁氏菌S2株拉曼光谱识别的准确性和效率,提出一种基于主成分分析与Stacking算法的集成判别模型,使用网格搜索以及K折交叉验证来提高模型的稳健性。与逻辑回归、K近邻、支持向量机等单一模型进行对比,实验结果证明PCA-Stacking集成模型有最高的准确率,达99.73%,达到了预期效果。
光谱学 拉曼光谱 机器学习 Stacking模型 食源性致病菌 激光与光电子学进展
2019, 56(4): 043003
