基于新型多标签深度神经网络的拉曼光谱复杂混合物识别方案
信号处理
2020-10-30 v1 机器学习
图像与视频处理
化学物理
摘要
在荧光和加性白噪声造成的噪声环境以及复杂的光谱指纹下，复杂混合物材料的识别仍是拉曼光谱应用中的一大挑战。本文提出一种基于常数小波变换（CWT）和深度网络的复杂混合物分类新方案。该方案首先利用 CWT 将含噪拉曼光谱转换为二维尺度图，然后应用多标签深度神经网络模型（MDNN）进行材料分类。所提模型通过全局平均池化层加速特征提取并扩展特征图。模型最后一层采用 Sigmoid 函数。MDNN 模型使用棕榈油中物质制备的样品所采集的数据进行训练、验证与测试。在训练和验证过程中，应用数据增强以克服数据不平衡并丰富拉曼光谱的多样性。测试结果表明，MDNN 模型在汉明损失、one error、覆盖度、排序损失、平均精度、F1 宏平均和 F1 微平均方面均优于先前提出的深度神经网络模型。本模型所得平均检测时间为 5.31 s，远快于先前提出模型的检测时间。
引用
@article{arxiv.2010.15654,
title = {Identification of complex mixtures for Raman spectroscopy using a novel scheme based on a new multi-label deep neural network},
author = {Liangrui Pan and Pronthep Pipitsunthonsan and Chalongrat Daengngam and Mitchai Chongcheawchamnan},
journal= {arXiv preprint arXiv:2010.15654},
year = {2020}
}