10.3964/j.issn.1000-0593(2015)12-3325-05
基于深层信念网络的太赫兹光谱识别
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。
太赫兹光谱、深层信念网络、特征提取、KNN
35
O59(应用物理学)
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
2016-04-25(万方平台首次上网日期,不代表论文的发表时间)
共5页
3325-3329