[发明专利]基于神经网络的太赫兹时域光谱物品分类方法

摘要

本发明公开了一种基于神经网络的太赫兹时域光谱物品分类方法，本方法实现步骤为：(1)测量待分类物品的太赫兹光谱数据；(2)计算待分类物品的光学常数；(3)提取泡利分解特征值；(4)构建卷积神经网络；(5)构建训练样本的特征矩阵和测试样本的特征矩阵；(6)训练卷积神经网络；(7)获取测试样本中每个数据点的类标；(8)根据类标的不同输出分类结果。本发明测量物品的太赫兹时域光谱，应用卷积神经网络，对物品进行分类，使得本发明具有使用场景广泛、不接触、无损伤以及分类精度高的优点。

主权项

1.一种基于神经网络太赫兹时域光谱的物品分类方法，其特征在于，测量待分类物品的太赫兹光谱数据，构建卷积神经网络，该方法的步骤包括如下：(1)测量待分类物品的太赫兹光谱数据：用太赫兹频谱测量仪测量每类物品，得到由多个频率点的太赫兹时域光谱组成数据序列，将所有数据序列组成数据矩阵；(2)计算待分类物品的复折射率矩阵：(2a)利用菲涅耳公式，分别计算待分类物品中每个物品每个频率点的折射率和消光系数，将所有频率点的折射率组成折射率矩阵，将所有频率点的消光系数组成消光系数矩阵；(2b)用待分类物品中每个物品的折射率矩阵减去虚数部分的待分类物品中每个物品的消光系数矩阵,得到待分类物品中每个物品的复折射率矩阵；(3)提取泡利分解特征值：(3a)在复折射率矩阵中以每一个数据元素为中心，选取一个3×3大小的正方形矩阵，将每个正方形矩阵与其转置矩阵相乘，得到相干矩阵；(3b)将相干矩阵中的第一行第一列的元素值分别除以2，得到每一个数据元素奇次散射的散射能量；(3c)将相关矩阵中的第二行第二列的元素值分别除以2，得到每一个数据元素偶次散射的散射能量；(3d)将相关矩阵中的第三行第三列的元素值分别除以2，得到每一个数据元素度角偶次散射的散射能量；(4)构建训练样本的特征矩阵和测试样本的特征矩阵：(4a)以复折射率矩阵中的每个数据元素为中心，选取该中心周围的14×14大小的正方形邻域中的所有数据元素，与该正方形区域中的每个数据元素提取的泡利分解的三个特征值，组成每个数据元素的14×14×3大小的特征矩阵块；(4b)从特征矩阵块中随机选取3000个数据组成训练样本的特征矩阵，其余的数据组成测试样本的特征矩阵；(5)构建卷积神经网络：(5a)搭建一个7层的卷积神经网络，其中，第1层为输入层，第2层和第4层为卷积层，第3层和第5层为下采样层，第6层为全连接层，第7层为线性回归分类器，所述的每个卷积层均由高斯滤波器组成；(5b)按照下式，计算高斯滤波器：y＝‑[rand(4,4)‑0.5*2*sqrt(6/f)]*exp{‑[rand(4,4)‑0.5*2*sqrt(6/f)]2}其中，y表示高斯滤波器，rand表示产生随机矩阵操作，*表示相乘操作，sqrt表示开平方根操作，f表示随机矩阵中所有元素中的最大值，exp表示以自然常数e为底的指数操作；(5c)按照下式，将高斯滤波器逆时针旋转不同的角度，得到卷积神经网络中每个卷积层的高斯滤波器；其中，zi表示卷积神经网络中第i个卷积层的高斯滤波器，rot0(y)表示逆时针旋转0度操作，rot90(y)表示逆时针旋转90度操作，rot180(y)表示逆时针旋转180度操作，％表示取余操作；(5d)设置卷积神经网络中各层的参数；(6)训练卷积神经网络：将训练样本中的每个数据元素的14×14×3大小的特征矩阵输入到构建卷积神经网络中，输出训练好的卷积神经网络；(7)获取测试样本中每个数据点的类标：将测试样本中的每个数据元素的特征矩阵，输入到训练好的卷积神经网络中，得到测试样本中每个数据元素的类标；(8)根据类标的不同输出物品的分类结果。