基于小波变换与深度神经网络的含噪拉曼光谱分类方法
信号处理
2020-09-10 v1 机器学习
化学物理
摘要
本文提出一种基于小波变换与深度神经网络的框架用于识别含噪拉曼光谱，因为实际上在基线噪声和加性白高斯噪声环境下对光谱进行分类相对困难。该框架由两个主要引擎组成。提出将小波变换作为框架前端，用于将一维含噪拉曼光谱转换为二维数据。该二维数据将被馈送到作为分类器的框架后端。通过实现若干传统机器学习（ML）和深度学习（DL）算法来选择最优分类器，然后我们考察它们的分类准确率和鲁棒性表现。我们选择的四种 ML 包括朴素贝叶斯（NB）、支持向量机（SVM）、随机森林（RF）和 K 近邻（KNN），其中深度卷积神经网络（DCNN）被选为 DL 分类器。无噪声、高斯噪声、基线噪声和混合噪声拉曼光谱被用于训练和验证 ML 与 DCNN 模型。通过使用若干含噪拉曼光谱（10-30 dB 噪声功率）测试 ML 和 DCNN 模型获得最优后端分类器。基于仿真，DCNN 分类器的准确率比 NB 分类器高 9%，比 RF 分类器高 3.5%，比 KNN 分类器高 1%，比 SVM 分类器高 0.5%。在混合噪声场景的鲁棒性方面，带 DCNN 后端的框架表现出优于其他 ML 后端的性能。DCNN 后端在 3 dB 信噪比下达到 90% 准确率，而 NB、SVM、RF 和 K-NN 后端分别需要 27 dB、22 dB、27 dB 和 23 dB 信噪比。此外，在低噪声测试数据集中，DCNN 后端的 F-measure 分数超过 99.1%，而其他 ML 引擎的 F-measure 分数低于 98.7%。
引用
@article{arxiv.2009.04078,
title = {Method for classifying a noisy Raman spectrum based on a wavelet transform and a deep neural network},
author = {Liangrui Pan and Pronthep Pipitsunthonsan and Chalongrat Daengngam and Sittiporn Channumsin and Suwat Sreesawet and Mitchai Chongcheawchamnan},
journal= {arXiv preprint arXiv:2009.04078},
year = {2020}
}