[发明专利]基于GAF图像和四元数卷积的光谱定性建模方法

说明书

本申请公开了一种基于GAF图像和四元数卷积的光谱定性建模方法，属于近红外光谱分析领域，该方法包括以下步骤：测得待测样本的近红外光谱数据；对原始光谱进行多元散射矫正，一阶导数等预处理；将处理后的光谱进行归一化；将归一化后的光谱数据在极坐标中进行表示；将处理后的光谱数据转换成格拉姆彩色图像；将彩色图像基于四元数理论表示生成四元数彩色图像矩阵；建立四元数卷积神经网络模型并优化模型参数建立定性模型。本发明利用格拉姆角场图像、四元数和深度学习算法对近红外光谱进行特征提取，充分挖掘原始光谱数据的深层特征，建立性能更优的近红外光谱定性分析模型。

技术领域

本发明属于近红外光谱分析领域，尤其涉及一种基于GAF图像和四元数卷积的光谱定性建模方法。

背景技术

近红外光谱(Near Infrared Spectroscopy,NIRS)分析技术具有无需前处理、简便快捷、适用样品范围广、多组分同时检测等优点，在农产、食品、医学等领域得到了广泛应用。近红外光谱结合有效的化学计量学方法是建立高性能的近红外光谱定性和定量模型的重要技术。

目前，深度学习技术在图像识别、视频处理等领域得到不断发展和广泛应用，为了实现对一维数据更深层次信息的挖掘，已有学者提出一种图像编码方法，该方法将一维数据编码为格拉姆角场(Gramian Angular Field,GAF)图像，将一维数据转化为二维图像，结合深度学习技术在图像上的应用，应用于数据的分类和识别，利用图像领域的识别网络分类一维数据。

基于四元数理论的彩色图像识别技术已经得到一定发展和实际应用，通常是将彩色图像的RGB通道编码在四元数的三个虚轴上，并利用四元数理论进行数学分析。

发明内容

本发明的发明目的是：提出一种基于格拉姆角场图像和四元数卷积神经网络的近红外光谱定性建模方法，以提高定性模型的预测精度。

为实现上述目的，本发明提供一种基于GAF图像和四元数卷积的光谱定性建模方法，包括以下步骤：

步骤1、基于样本的原始光谱数据，采用多元散射矫正和一阶导数的预处理方法对原始光谱进行预处理，并选取特征波段；

步骤2、对处理好的光谱数据进行格拉姆角场图像转换，首先，通过式(1)将一维光谱X＝{x₁,x₂,…,x_n}缩放至区间[-1,1]，将吸光度值编码为角余弦，将波数编码为半径r，利用式(2)重新转化为极坐标的光谱序列其中t_i为波长数，N为正则化极坐标系统生成空间的常数因子。

通过上述变换将原始一维光谱转换为沿对角线对称的特征图，并通过式(3)和式(4)生成基于正弦函数或余弦函数转换的格拉姆角差场图(Gramian Angular DifferenceField,GADF)，格拉姆角和场图(Gramian Angular Summation Field,GASF)。

式(3)和式(4)中，I为单位行向量[1,1,…，1]；为的转置向量，得到GADF彩色图像；

步骤3、将生成的GADF彩色图像的R，G，B三通道信息分别对应四元数的i，j，k三个虚部，四元数实部为零，嵌入四元数空间表示成纯四元数光谱矩阵形式；

步骤4、在一维卷积神经网络模型基础上，以所述纯四元数光谱矩阵作为输入数据，建立四元数卷积神经网络模型；

步骤5、对所述四元数卷积神经网络模型进行训练，通过参数寻优确定所述四元数卷积神经网络模型中参数的最优值；

步骤6、根据训练好的四元数卷积神经网络模型进行样本的定性判别预测，得到样本的定性分类结果。