为更准确鉴别藏柴胡、锥叶柴胡和北柴胡,本文首先对柴胡样本进行太赫兹光谱测定,然后用含Inception块的残差网络对光谱数据进行识别.本文方法将Inception块中的卷积核收缩成一维,通过一维Inception块堆叠及残差连接来构建残差网络的主...为更准确鉴别藏柴胡、锥叶柴胡和北柴胡,本文首先对柴胡样本进行太赫兹光谱测定,然后用含Inception块的残差网络对光谱数据进行识别.本文方法将Inception块中的卷积核收缩成一维,通过一维Inception块堆叠及残差连接来构建残差网络的主干部分.主干部分后面依次是全局平均池化(Global Average Pooling,GAP)层、全连接(Full Connection,FC)层和Softmax层,其中,网络的主干部分用于对输入的太赫兹光谱数据进行多尺度特征提取,GAP层用于汇聚多尺度特征,FC层和Softmax层用于实现最后的分类.本文算法与9种传统模式识别算法进行了对比实验.结果表明,本文算法鉴别精度达88.99%,优于9种传统模式识别算法.本文算法为北柴胡的鉴别提供了新的解决方案.展开更多
文摘为更准确鉴别藏柴胡、锥叶柴胡和北柴胡,本文首先对柴胡样本进行太赫兹光谱测定,然后用含Inception块的残差网络对光谱数据进行识别.本文方法将Inception块中的卷积核收缩成一维,通过一维Inception块堆叠及残差连接来构建残差网络的主干部分.主干部分后面依次是全局平均池化(Global Average Pooling,GAP)层、全连接(Full Connection,FC)层和Softmax层,其中,网络的主干部分用于对输入的太赫兹光谱数据进行多尺度特征提取,GAP层用于汇聚多尺度特征,FC层和Softmax层用于实现最后的分类.本文算法与9种传统模式识别算法进行了对比实验.结果表明,本文算法鉴别精度达88.99%,优于9种传统模式识别算法.本文算法为北柴胡的鉴别提供了新的解决方案.