一种基于神经网络的红外光谱反卷积方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111104876A(43)申请公布日2020.05.05(21)申请号201911224458.4(22)申请日2019.12.04(71)申请人南京邮电大学地址210023江苏省南京市栖霞区文苑路9号(72)发明人朱虎代言玉邓丽珍(74)专利代理机构南京纵横知识产权代理有限公司32224代理人董建林(51)Int.Cl.G06K9/00(2006.01)G06K9/62(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图3页(54)发明名称一种基于神经网络的红外光谱反卷积方法(57)摘要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。CN111104876ACN111104876A权利要求书1/2页1.一种基于神经网络的红外光谱反卷积方法，其特征是，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。2.根据权利要求1所述的基于神经网络的红外光谱反卷积方法，其特征是，所述神经网络的损失函数还引入有加权损失项。3.根据权利要求2所述的基于神经网络的红外光谱反卷积方法，其特征是，引入自步正则项和加权损失项之前的损失函数为均方误差损失函数。4.根据权利要求3所述的基于神经网络的红外光谱反卷积方法，其特征是，引入自步正则项和加权损失项之前的损失函数，其表达式如下：式中，loss为引入自步正则项和加权损失项之前的损失函数，T为红外光谱信号的点数，yi为第i个样本的标签，为第i个样本的预测值。5.根据权利要求2所述的基于神经网络的红外光谱反卷积方法，其特征是，引入有自步正则项和加权损失项的损失函数，其表达式如下：式中，E(w,v；η)为引入有自步正则项和加权损失项的损失函数，n为样本集中的样本数，vi为加权损失项，即样本集中第i个样本所对应的加权系数，loss为引入自步正则项和L加权损失项之前的损失函数，g(vi,λ)为自步正则项，λ为阈值。6.根据权利要求1所述的基于神经网络的红外光谱反卷积方法，其特征是，在利用所述样本集对预构建的神经网络进行训练之前，还包括：对样本集中的初始红外光谱信号及其退化红外光谱信号进行归一化处理。7.根据权利要求6所述的基于神经网络的红外光谱反卷积方法，其特征是，所述归一化处理，其表达式如下：式中，x′为归一化处理之后的红外光谱信号，x为待归一化处理的红外光谱信号，xmin为样本集中红外光谱信号的最小值，xmax为样本集中红外光谱信号的最大值。8.根据权利要求1所述的基于神经网络的红外光谱反卷积方法，其特征是，所述神经网络的激活函数为带泄露线性整流函数。2CN111104876A权利要求书2/2页9.根据权利要求8所述的基于神经网络的红外光谱反卷积方法，其特征是，所述带泄露线性整流函数，其表达式如下：式中，f(n)为激活函数的因变量，n为激活函数的自变量，a为大于1的常数。3CN111104876A说明书1/6页一种基于神经网络的红外光谱反卷积方法技术领域[0001]本发明涉及一种基于神经网络的红外光谱反卷积方法，属于信号处理技术领域。背景技术[0002]随着光谱探测技术和光电成像技术的发展，红外光谱被广泛用于许多行业，特别是在化学分析和资源勘探中，例如化学物质识别技术、检测气体泄漏、表面化学物质检测和分类等。然而在获取红外光谱的过程中，红外光谱经常由于随机噪声和频带重叠而退化，特别是对于老化的红外光谱仪器，经常遭受频带重叠和随机噪声的干扰。因而反卷积问题被提出，传统的反卷积方法可以分为三类，即：全盲反卷积、非盲反卷积和半盲反卷积。非盲反卷积和半盲反卷积都需要一定的先验知识作为支撑，它们假定光谱的过程退化是固定的，因而限制了其在实际场景中的应用，并且这两个方法的处理性能对模型和参数的选择很敏感。全盲反卷积虽然不需要任何关于模糊核的先验知识，这一点可以满足在实际场景中的应用需求，但其处理效果的准确性以及效率方面都远远没有达到人们所预期效果，同时容易受到自然界中的随机噪声影响。发明内容[0003]针对现有技术的不足，本发明的目