一种基于神经网络的红外光谱反卷积方法.pdf
音景****ka
亲,该文档总共12页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
一种基于神经网络的红外光谱反卷积方法.pdf
本发明公开了信号处理技术领域的一种基于神经网络的红外光谱反卷积方法,旨在解决现有技术中由于非盲反卷积和半盲反卷积方法需要先验知识作为支撑,因而限制了其在红外光谱信号处理实际场景中的应用;全盲反卷积处理效果的准确性以及效率不佳,容易受到自然界中的随机噪声影响的技术问题。所述方法包括如下步骤:基于初始红外光谱信号及其退化红外光谱信号构建样本集;利用所述样本集对预构建的神经网络进行训练,所述神经网络的损失函数引入有自步正则项;利用训练好的神经网络处理目标红外光谱信号。
一种基于卷积神经网络的近红外光谱波长选择方法.pdf
本发明提供一种基于卷积神经网络的近红外光谱波长选择方法,包括以下步骤,S1搭建CNN卷积神经网络;S2采用检测目标近红外光谱标样训练CNN模型,更新CNN卷积神经网络超参数;S3模拟正向传播过程,获取波长点权重大小。本发明优选波长后的模型性能明显由于全波长的情况,与iPLS相比,特征波长数更少,性能相当,略有优势。由于本专利为波长点选择算法,当阈值间隔粒度取值更小时,可以获得更高精度的特征波长选择结果。
一种基于深度学习神经网络的红外光谱盲自去卷积方法.pdf
本发明公开了一种基于深度学习神经网络的红外光谱盲自去卷积方法,包括:将退化的红外光谱输入构建的生成网络模型中,恢复潜在的干净红外光谱。构建生成网络模型,包括:建立生成网络模型;确立红外光谱退化公式,加入全变分正则化函数对生成网络模型进行优化;使用联合优化算法对包括原始红外光谱
一种盲目反卷积红外光谱图超分辨率复原方法.pdf
本发明公开了一种盲目反卷积红外光谱图超分辨率复原方法,该方法包括步骤:对红外光谱数据进行归一化处理;计算归一化后的光谱强度的一阶导数;根据光谱一阶导数估计出光谱的噪声强度,从而确定正则化参数的大小;建立红外光谱模型;利用Huber-Markov场、光谱反卷积和交替最小值最优迭代算法求解高分辨率的红外光谱。本发明在光谱平坦区域加强噪声抑制,在光谱陡峭区域加强光谱结构保存,对于所用的傅里叶红外光谱,空域迭代盲目反卷积算法效果良好,在信噪比高于30dB时,光谱分辨率提高约30%;本发明提出的方法有效利用了Hub
一种基于扁平混合卷积神经网络的高光谱图像分类方法.pdf
本申请涉及高光谱图像处理技术领域,尤其涉及一种基于扁平混合卷积神经网络的高光谱图像分类方法。本申请提供的方法利用多种维度的卷积,在初级神经网络模型的前几层引入三维卷积,对空间‑光谱特征进行提取和表示,后几层接上二维卷积层,对已经学习到的特征进一步整合,既避免了单一三维卷积大量的空间占用、耗时与收敛慢的缺点,又能比单一的二维卷积学习到更有效的特征;结合了多种类型的池化进行采样,在降低特征维度加速训练的同时尽可能地利用和保留学习到的有效特征,大大减少了模型的参数,缓和过拟合现象,使之在较少的训练样本下也能保持