用于基于卷积神经网络(CNN)的深度化学计量学的光谱数据增强
机器学习
2017-10-06 v1
摘要
深度学习方法被用于光谱数据，以从近红外(NIR)光谱预测片剂中的药物含量。利用卷积神经网络(CNN)，从光谱数据中提取特征。将扩展乘性散射校正(EMSC)和一种新颖的光谱数据增强方法作为预处理步骤进行基准测试。对于所有预处理组合，学习到的模型性能优于或等同于假设的最优偏最小二乘(PLS)模型。数据增强与后续EMSC的组合给出了最佳结果。在使用来自第二台仪器以及训练数据未涵盖的分析物浓度所创建的外推挑战中，深度学习模型CNN也优于PLS模型。对CNN核激活的定性研究表明，它们与众所周知的数据处理方法（如平滑、斜率/导数、阈值和光谱区域选择）具有相似性。
引用
@article{arxiv.1710.01927,
title = {Data Augmentation of Spectral Data for Convolutional Neural Network (CNN) Based Deep Chemometrics},
author = {Esben Jannik Bjerrum and Mads Glahder and Thomas Skov},
journal= {arXiv preprint arXiv:1710.01927},
year = {2017}
}