1 重庆理工大学光纤传感与光电检测重庆市重点实验室, 重庆 400054
2 重庆大学光电技术及系统教育部重点实验室, 重庆 400044
水质污染源的及时精确定位和精细化的污染防治措施是打赢水污染防治攻坚战的迫切需求, 为解决地表水实际水样高锰酸盐指数准确分类的实际问题, 以光谱降噪和光谱有效信息提取为切入点, 根据紫外-可见光谱数据的特点, 提出使用一维卷积神经网络处理紫外-可见光谱数据。 为验证检测一维卷积神经网络对地表水光谱信号分类的可行性, 选取长江的某段流域作为取样点。 采集当天的长江上游水、 某河水、 嘉陵江水, 生活污水、 500 mg·L-1邻苯二甲酸氢钾溶液来模拟污染水源。 将几种水样按不同的配比来模拟当天该流域的水污染变化情况。 采集现有的单一水样及混合配比水样的光谱数据, 根据各类水样的特征光谱信息进行区分, 实现地表水高锰酸盐指数的预测分类, 快速确定异常水样的污染来源, 通过仿真实验, 优化模型参数并完成优化训练。 与K最邻近法、 支持向量机等传统分类方法相比, 该算法在光谱预处理复杂度和定性分析准确度方面有较大优势, 在没有复杂的数据预处理前提下, 将获取的350条光谱数据建立水质分类模型, 随机选择其中245条数据作为训练集, 另105条数据作为测试集, 模型的混淆矩阵分类精度达99.0%。 不仅简化了整个光谱分析流程, 而且能保留更多的有效光谱信息, 减小人为预处理对紫外-可见光谱数据的影响, 实现地表水高锰酸盐指数的准确分类。 实验结果表明该方法可对不同水体水样进行准确分类, 快速定位污染源, 为无法激发荧光的污染物溯源提供了科学依据, 为与三维荧光技术辅助配合快速精确定位地表水污染源提供了可能, 同时表明了深度学习在紫外-可见光谱法测量实际水样领域有着巨大的应用潜力和研究价值。
水质 紫外-可见光谱 一维卷积神经网络 分类 Water quality UV-Vis spectrum One-dimensional convolution neural network Classification
1 燕山大学电气工程学院, 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
2 燕山大学信息科学与工程学院, 河北省特种光纤与光纤传感重点实验室, 河北 秦皇岛 066004
肺炎支原体是造成人类呼吸系统疾病的主要原因。 临床中, 患者感染不同肺炎支原体症状极为相似, 很难根据症状判别肺炎支原体类型并对症给药。 因此, 准确判别肺炎支原体菌株类型对于发病机理和疾病流行病学研究以及临床精准治疗具有重要意义。 拉曼光谱具有快速、 高效、 无污染等优点, 在生物医学领域逐渐得到越来越多研究者们的关注。 一维卷积神经网络(1D-CNN)是一类包含卷积运算且具有深度结构的前反馈网络, 在语音信号和振动信号分析等方面取得成功应用。 提出一维卷积神经网络与拉曼光谱技术结合, 针对肺炎支原体主要基因型M129型和FH型样本的拉曼光谱数据集, 实现肺炎支原体菌株分类。 利用光谱数据增强方法扩充原光谱数据集作为模型输入, 训练一维卷积神经网络模型, 解决由于小样本导致卷积神经网络数据饥渴问题; 为了得到最好的肺炎支原体分类效果并加速学习过程, 优化模型结构并确定最佳模型参数; 拉曼光谱测量时常混有高斯噪声、 泊松噪声和乘性噪声, 为优化模型抗噪能力, 将原光谱分别叠加高斯噪声、 泊松噪声和乘性噪声, 训练一维卷积神经网络模型并和LDA, KNN和SVM等传统算法进行比较。 实验结果表明基于1D-CNN方法, 对于叠加高斯噪声的光谱数据所建模型分类正确率为98.0%, 叠加泊松噪声的光谱数据分类正确率为97.0%, 叠加乘性噪声的光谱数据分类正确率为97.0%, 分类正确率远高于基于LDA, KNN和SVM等传统算法所建模型分类正确率; 同时构造叠加5, 15, 25, 35, 45和55 dBW不同强度噪声的光谱数据集, 当噪声达到55 dBW时, 1D-CNN模型仍能取得92.5%的分类正确率。 因此, 一维卷积神经网络结合拉曼光谱技术应用于肺炎支原体菌株类型分类是可行的, 具有抗噪声能力强和分类正确率高的优点, 该研究为肺炎支原体肺炎快速诊断提供新思路。
肺炎支原体 拉曼光谱 定性分类 一维卷积神经网络 Mycoplasma pneumoniae Raman spectroscopy Qualitative classification One dimensional convolution neural network 光谱学与光谱分析
2022, 42(5): 1439
1 上海交通大学自动化系, 上海 200000
2 海装驻上海地区军事代表局, 上海 201000
3 航天工程研究所, 北京 100000
针对复杂装备建立效能评估指标体系的难题, 引入了一维卷积神经网络模型, 构建了多形态卷积核并行处理框架;从多个观测角度自适应学习装备原始运行数据, 再对数据蕴含的特征加以整合, 进而建立新的效能评估指标体系, 避免了主观因素和计算难度的束缚, 为研究效能评估智能化方法奠定了基础。
一维卷积神经网络 多形态卷积核 指标体系 效能评估 one-dimensional convolution neural network multi-scale convolution kernel indicator system effectiveness evaluation
1 燕山大学电气工程学院, 河北省测试计量技术及仪器重点实验室, 河北 秦皇岛 066004
2 燕山大学信息科学与工程学院, 河北省特种光纤与光纤传感重点实验室, 河北 秦皇岛 066004
拉曼光谱物质定性鉴别已被广泛应用于诸多行业和研究领域, 但传统拉曼光谱分析过程中的预处理主要依赖人为经验, 光谱特征提取虽然能够降低信号维度, 同时也会造成部分光谱信息损失。 特性相近物质本身光谱相似度较高, 受到测量过程中环境干扰和分析过程中多种误差影响, 导致最终分类效果并不理想。 针对此问题, 提出基于一维卷积神经网络(one-dimensional convolution neural network, 1D-CNN)的拉曼光谱定性分类方法。 实验采集雌酮(Estrone)、 雌二醇(Estradiol), 雌三醇(Estriol)三种不同雌性激素粉末的拉曼光谱, 设计随机平移、 添加噪声和随机加权三种光谱数据增强方法, 构建数量充足的拉曼光谱数据库用于神经网络模型训练与测试; 基于拉曼光谱数据特点提出一维卷积神经网络分类模型, 将光谱预处理、 特征提取和定性分类的全过程融为一体。 通过大量仿真实验, 优化所提出的神经网络模型超参数和训练过程并测试分类效果, 从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉曼光谱分类算法对比, 评价模型性能。 实验结果表明, 本文提出的一维卷积神经网络模型可实现三类雌性激素粉末拉曼光谱快速准确分类, 分类正确率最高可达98.26%, 分析过程中无需光谱预处理和特征提取步骤, 简化了光谱分析流程, 并能保留更多有效信息。 同时, 当模拟测量噪声强度达到60 dBW时, 传统方法分类正确率均明显出现不同程度明显降低, 卷积神经网络模型依然能够取得96.81%的分类正确率, 说明相比对传统拉曼光谱分类方法, 所提出方法受光谱测量噪声影响更小, 鲁棒性更强, 适用于分析更复杂现场测量的强噪声拉曼光谱信号。 该研究结果表明深度学习方法在拉曼光谱的分析与处理领域具有很大的应用潜力和研究价值。
拉曼光谱 深度学习 一维卷积神经网络 雌性激素 定性分类 Raman spectroscopy Deep learning One-dimensional convolution neural network Estrogen Qualitative classification 光谱学与光谱分析
2019, 39(12): 3755
