基于深层信念网络的太赫兹光谱识别

摘要：

特征提取和分类是太赫兹光谱识别的关键。部分物质在太赫兹波段内没有明显的吸收峰，难以人工定义、提取特征及分类识别，为此，结合深度信念网络（deep belief network ，DBN）和K-Nearest Neighbors （KNN）分类器的优点，提出了一种基于DBN的太赫兹光谱识别方法。首先利用S-G滤波和三次样条插值对ATP ，acetylcholine-bromide ，bifenthrin ，buprofezin ，carbazole ，bleomycin ，buckminster 和 cylotriphosp-hazene在0.9～6 THz内的太赫兹透射光谱进行归一化处理；然后由两层受限波尔兹曼机（restricted Boltz-mann machine ，RBM ）构建DBN模型，并采用逐层无监督的方法训练模型，以自动提取太赫兹光谱特征；最后用KNN分类器对8种物质的太赫兹透射光谱进行分类。结果表明，使用DBN 自动提取的光谱特征， KNN分类器、BP神经网络、SOM神经网络和RBF神经网络的分类准确率达到了90％以上，且KNN分类器的识别率优于其他三种分类器；采用DBN自动提取物质的太赫兹光谱特征大大减少了工作量，在海量光谱数据识别中具有广阔的应用前景。

关键词：太赫兹光谱、深层信念网络、特征提取、KNN

所属期刊栏目：35

分类号：O59(应用物理学)

资助基金：国家自然科学基金项目61302042;昆明理工大学自然科学研究基金项目KKZ3201451015

在线出版日期：2016-04-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：3325-3329