[发明专利]光谱检测方法、装置及计算机可读存储介质

说明书

本发明公开了一种光谱检测方法、装置及计算机可读存储介质，其方法包括：获取光谱特征矩阵对应的光谱第一角相似度矩阵，并获取所述光谱第一角相似度矩阵对应的正则化拉普拉斯矩阵；基于所述光谱特征矩阵、正则化拉普拉斯矩阵、辅助变量以及稀疏约束噪声，确定光谱检测模型，其中，所述光谱检测模型的输出为去噪光谱特征矩阵；将所述光谱训练数据输入所述光谱检测模型进行迭代训练；若训练后的光谱检测模型收敛，则将训练后的光谱检测模型作为目标光谱检测模型，并将当前迭代的去噪光谱特征矩阵作为目标去噪光谱特征矩阵。本发明通过引入辅助变量对多个约束进行交替迭代优化，以从光谱数据中抽取出有效信息，可以准确地滤除光谱中的噪声。

技术领域

本发明涉及产品检测技术领域，尤其涉及一种光谱检测方法、装置及计算机可读存储介质。

背景技术

光谱分析是进行物质鉴别的有效手段。相比于传统的光谱分析方法而言，应用机器学习算法，对光谱进行分析能够显著降低成本、提高效率。然而，光谱也是一种典型的高维数据，数据中充斥着大量噪声。滤除光谱中噪声，得到有效的表示（representation），也是提升模型性能的要素。这有赖于对光谱特征矩阵中的低秩约束（low-rank constraint）和流形约束（manifold constraint）进行优化。现有的联合优化低秩流形约束的主要方式是GNMF（Graph-regularized non-negative matrix factorization，图正则化非负矩阵分解），这一方式对迭代初值敏感，收敛速度慢，可扩展性低，缺乏对于复杂数据的自适应学习能力，从光谱数据中抽取出有效信息的能力有限，无法准确地滤除光谱中的噪声。

上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。

发明内容

本发明的主要目的在于提供一种光谱检测方法、装置及计算机可读存储介质，旨在解决现有的光谱分析难以准确滤除光谱中的噪声的技术问题。

为实现上述目的，本发明提供一种光谱检测方法，所述光谱检测方法包括以下步骤：

获取光谱训练数据对应的光谱特征矩阵，获取光谱特征矩阵对应的光谱第一角相似度矩阵，并获取所述光谱第一角相似度矩阵对应的正则化拉普拉斯矩阵；

基于所述光谱特征矩阵、正则化拉普拉斯矩阵、辅助变量以及稀疏约束噪声，确定光谱检测模型，其中，所述光谱检测模型的输出为去噪光谱特征矩阵；

将所述光谱训练数据输入所述光谱检测模型进行迭代训练，以获得所述光谱训练数据对应的去噪光谱特征矩阵以及训练后的光谱检测模型；

若基于当前迭代的去噪光谱特征矩阵以及上一次迭代的去噪光谱特征矩阵，确定训练后的光谱检测模型收敛，则将训练后的光谱检测模型作为目标光谱检测模型，并将当前迭代的去噪光谱特征矩阵作为目标去噪光谱特征矩阵。

进一步地，所述基于所述光谱特征矩阵、正则化拉普拉斯矩阵、辅助变量以及稀疏约束噪声，确定光谱检测模型，其中，所述光谱检测模型的输出为去噪光谱特征矩阵的步骤包括：

确定所述光谱特征矩阵、所述去噪光谱特征矩阵以及所述稀疏约束噪声，确定第一F-范数；

基于所述正则化拉普拉斯矩阵以及所述光谱特征矩阵，确定矩阵的迹；

确定所述辅助变量对应的核范数，并基于所述稀疏约束噪声确定1-范数；

基于所述第一F-范数、矩阵的迹、核范数以及1-范数，确定光谱检测模型。

进一步地，所述将所述光谱训练数据输入所述光谱检测模型进行迭代训练，以获得所述光谱训练数据对应的去噪光谱特征矩阵以及训练后的光谱检测模型的步骤包括：

对于每一次迭代训练，通过光谱检测模型根据线性最小二乘法计算所述光谱特征矩阵对应的当前迭代的去噪光谱特征矩阵；