基于堆栈压缩自编码的近红外光谱药品鉴别方法

由于近红外光谱在药品鉴别应用中具有分析速度快、样品无损、可现场检测等突出优点,目前已在众多领域中广泛应用。但近红外光谱存在信噪比低,吸收强度弱且谱峰重叠等缺点,无法从光谱中直接得到定性/定量的物质信息,因而近红外光谱分析技术常作为一种间接分析技术,并且光谱的化学计量学建模方法成为近红外光谱分析的核心内容。深度学习是机器学习的一个新的分支,并已经成功运用于多个领域。深度学习的网络结构和非线性的激活能力,使其模型特别适合高维、非线性的大规模数据建模。为进一步丰富近红外光谱建模方法,并提高近红外光谱分析技术的回归精度或分类准确率,将深度学习方法应用于近红外光谱分析,发展新的建模方法十分必要。面向近红外光谱定性分析技术,提出一种基于堆栈压缩自编码网络(SCAE)光谱定性分析方法,并应用于多类别药品的光谱分析,以区分或鉴别不同厂家生产的同种药品。压缩自编码网络(CAE)以自编码网络(AE)为基础,进一步加入雅克比矩阵作为约束项。自编码网络最初是用实现数据降维,以学习数据内部特征,而雅克比矩阵包含数据在各个方向上的信息,将其作为AE的约束项则可使提取到的特征对输入数据在一定程度下的扰动具有不变性,从而提高AE提取特征的能力。SCAE是一种由多层CAE构成的神经网络。前一层CAE的隐藏层作为后一层CAE的输入层,网络的全部参数是通过采用逐层贪婪的训练方式来获取的,训练结束后将所有网络视为一个整体,通过反向传播算法进行微调,最后使用Logistic/Softmax分类器进行定性分析。实验数据均为中国食品药品检定研究院采集,以头孢克肟胶囊作为二分类实验数据,硝酸异山梨酯片作为多分类实验数据。通过Bruker Matrix光谱仪测定每个样本在不同波长下的吸光度值得到其光谱曲线,再通过OPUS软件消除漂移等因素对光谱样本之间产生的偏差。接下来通过实验确定约束项雅克比矩阵的系数λ为0.003之后建立模型。建模过程分为五个阶段,分别为:预处理阶段,预训练阶段,微调阶段,测试阶段和对比阶段。为了验证SCAE在分类准确性、算法稳定性和建模时间等方面的性能,与BP神经网络、SVM算法、稀疏自编码(SAE)和降噪自编码(DAE)开展对比实验研究。分类准确性方面,在不同的训练集与测试集的比例下,SCAE均有最佳的分类准确性与算法稳定性。建模时间方面,由于SVM算法不需要预训练和特征提取,所以运行时间方面比其他算法有大的优势,但是SCAE建模速度优于除SVM之外的其他对比算法。综合而言,使用SCAE进行药品鉴别有效可行。

基于压缩自编码融合极限学习机的柑橘黄龙病鉴别方法

针对柑橘黄龙病检测模型的准确度较低、可靠性较差等问题,提出了一种压缩自编码融合极限学习机(Contractive auto-encoder combined extreme learning machine,CAE-ELM)的柑橘黄龙病鉴别方法。此方法通过ELM代替CAE顶层的Softmax分类器和反向微调阶段,达到减少算法运行时间同时提高模型的稳定性及鉴别能力的目的。其中,CAE实现了样本深层特征提取,ELM可实现分类鉴别。为了评估CAE-ELM模型性能,以不同比例的柑橘叶片近红外光谱数据作为训练集进行实验,采用波形叠加极限学习机(Summation wavelet extreme learning machine, SWELM)、ELM、支持向量机(Support vector machine, SVM)、堆叠去噪自编码(Stacked denoising auto-encoder, SDAE)、反向传播模型(Back propagation, BP)、CAE作为对比方法。在柑橘黄龙病的鉴别实验中,无论训练集样本大小,CAE-ELM均能保持最高的分类准确度,尤其当训练集与测试集为1080/165时分类准确度达100.00。同时,CAE-ELM模型比SDAE、CAE和BP模型具有更快的训练速度,但慢于SVM、ELM和SWELM模型。结果表明,CAE-ELM模型可以准确鉴别柑橘黄龙病,且模型具有良好的鲁棒性和可扩展性。

一种基于栈式压缩自编码的高光谱图像分类方法

针对高光谱图像传统分类方法精度低、模型稳定性差而深度学习模型时间消耗大、计算成本高的问题,充分考虑高光谱图像的光谱信息和空间信息,提出了一种基于栈式压缩自编码的高光谱图像分类方法。将提取的邻域空间信息与待分类像素点的光谱信息融合,利用栈式压缩自编码提取融合后信息的深层特征,再利用逻辑回归确定高光谱图像中各像素点的类别。该方法在Indian Pines和Pavia University数据集上的总体分类精度分别达到了89.943%、93.949%。相比其他方法,该方法分类性能更优,可用于高光谱图像分类。