基于多分支空洞卷积网络的光谱定量分析

卷积神经网络(CNN)近年来已经广泛应用在各种化学计量学任务中。然而,通过CNN从光谱中学习长程相关性仍然是一个挑战,为了避免过拟合,很多之前的工作中使用的CNN架构都很浅。本文提出了一种并行空洞卷积网络(ACPnet)的方法来学习定量光谱的长程相关性,该方法将具有不同空洞率的并行卷积分支组合在一起,以寻找近程和长程相关性的最佳平衡。并在片剂(拉曼光谱)、土壤(近红外光谱)和葡萄酒(核磁共振光谱)3个数据集上验证了该方法的通用性。结果表明,与偏最小二乘回归(PLS)、最小二乘支持向量机(LS-SVM)、常规CNN和级联模式空洞卷积网络(ACCnet)相比,ACPnet在3个数据集的回归精度都达到了最佳。此外,将ACPnet提取的特征输入到不同的回归器中进行分析,来评估该结构作为有监督特征提取器的性能。特征提取-回归模型的预测结果表明,ACPnet在3个数据集上提取的特征信息都要优于常规CNN。