留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
邮箱
手机号码
标题
留言内容
验证码

基于深度信念网络的烟叶部位近红外光谱分类方法研究

王静,  丁香乾,  王晓东,  韩凤,  韩冬,  曲晓娜

downloadPDF
文章导航 > 红外与激光工程  > 2019 >  48(4): 404001-0404001(7)
王静, 丁香乾, 王晓东, 韩凤, 韩冬, 曲晓娜. 基于深度信念网络的烟叶部位近红外光谱分类方法研究[J]. 红外与激光工程, 2019, 48(4): 404001-0404001(7). doi: 10.3788/IRLA201948.0404001
引用本文: 王静, 丁香乾, 王晓东, 韩凤, 韩冬, 曲晓娜. 基于深度信念网络的烟叶部位近红外光谱分类方法研究[J]. 红外与激光工程, 2019, 48(4): 404001-0404001(7). doi: 10.3788/IRLA201948.0404001
shu
Wang Jing, Ding Xiangqian, Wang Xiaodong, Han Feng, Han Dong, Qu Xiaona. Study of near infrared spectrum classification for tobacco leaf position based on deep belief network[J]. Infrared and Laser Engineering, 2019, 48(4): 404001-0404001(7). doi: 10.3788/IRLA201948.0404001
Citation: Wang Jing, Ding Xiangqian, Wang Xiaodong, Han Feng, Han Dong, Qu Xiaona. Study of near infrared spectrum classification for tobacco leaf position based on deep belief network[J]. Infrared and Laser Engineering, 2019, 48(4): 404001-0404001(7). doi: 10.3788/IRLA201948.0404001
shu

基于深度信念网络的烟叶部位近红外光谱分类方法研究

doi: 10.3788/IRLA201948.0404001
  • 1.

    中国海洋大学 信息科学与工程学院,山东 青岛 266100;

  • 2.

    青岛农业大学 理学与信息科学学院,山东 青岛 266109;

  • 3.

    山东烟草研究院有限公司,山东 济南 250101

基金项目: 

国家重点研发计划（2016YFB1001103）;中国烟草总公司山东省公司科技项目《基于近红外光谱的山东烟叶自动分选及化学成分协调性快速评价研究》

详细信息
    作者简介:

    王静(1978-),女,博士生,主要从事近红外光谱学、数据挖掘与人工智能等方面的研究。Email:163wjpost@163.com

  • 中图分类号: O433.4

Study of near infrared spectrum classification for tobacco leaf position based on deep belief network

  • 1.

    College of Information Science and Engineering,Ocean University of China,Qingdao 266100,China;

  • 2.

    Science and Information College,Qingdao Agricultural University,Qingdao 266109,China;

  • 3.

    Shandong Tobacco Research Institute Co.,Ltd.,Jinan 250101,China

  • 摘要: 近红外检测作为一种快速无损的检测方法得到广泛关注。但光谱中存在大量噪声以及光谱数据的高维度和非线性等特点影响了分类模型的准确率。将深信网络（DBN）的理论改进并引入光谱特征学习中，解决高维特征间非线性关系的学习问题，采用逐层训练策略和随机梯度上升法分别进行网络预训练和微调获得网络权值；并结合支持向量机（SVM）建立近红外光谱多分类模型DBN-SVM。与基于主成分分析的分类模型PCA-SVM和基于线性判别分析的LDA-SVM分类模型进行应用比较。结果表明：DBN-SVM算法能有效地学习高维数据中的内在结构和非线性关系，由该算法构建的模型具有良好的特征学习能力和分类识别能力，而且在稳健性、各类别的灵敏度和特效度也更优。
    Abstract: As a fast and nondestructive detection method, near infrared detection has been widely concerned. But a lot of noises, high dimension and nonlinearity of the spectra affect the accuracy of classification model. In this study, deep belief network (DBN) theory was improved and introduced into spectral features learning to solve the difficulty of learning nonlinear relation of high dimensional data. The strategy based on layer by layer and stochastic gradient ascent algorithm were used for acquiring the network weights. Combined with the SVM method, the DBN-SVM multi classification model of tobacco leaf position was established. The proposed method, was compared with PCA-SVM method based on principal component analysis and LDA-SVM method based on linear discriminant analysis.The results show that DBN-SVM method may effectively learn the internal structure and nonlinear relationship of high dimensional data. The model constructed by this algorithm not only has excellent performance in identification and feature learning, but also is superior in robust, sensitivity and specificity.
  • [1] Mees C, Souard F, Delporte C, et al. Identification of coffee leaves using FT-NIR spectroscopy and SIMCA[J]. Talanta, 2018, 177:4.
    [2] Krepper G, Romeo F, Fernandes D, et al. Determination of fat content in chicken hamburgers using NIR spectroscopy and the Successive Projections Algorithm for interval selection in PLS regression (i SPA-PLS)[J]. Spectrochim Acta A Mol Biomol Spectrosc, 2017, 189:300-306.
    [3] Li Hua, Su Jianchun, Ke Huaxiang, et al. Study on fast assessment method of quality standard of Radix Scutellariae by near infrared spectroscopy and multivariate analysis[J]. Chinese Journal ofPharmaceutical Analysis, 2015(3):518-523. (in Chinese)李化, 苏建春, 柯华香,等. 基于近红外漫反射光谱和多元数据分析的黄芩质量标准的快速评价方法研究[J]. 药物分析杂志, 2015(3):518-523.
    [4] Xu Meiling, Xiao Bingguang, Jiao Fangchan. Evaluation on tobacco germplasm resources chemical quality based on principal components analysis and cluster analysis[J]. Journal of Southern Agriculture, 2017, 48(11):1937-1947. (in Chinese)许美玲, 肖炳光, 焦芳婵. 基于主成分和系统聚类分析的烤烟种质资源化学品质评价[J]. 南方农业学报, 2017, 48(11):1937-1947.
    [5] Qin Yuhua, Ding Xiangqian, Gong Huili. High dimensional feature selection in near infrared spectroscopy classification[J]. Infrared and Laser Engineering, 2013, 42(5):1355-1359. (in Chinese)秦玉华, 丁香乾, 宫会丽. 高维特征选择方法在近红外光谱分类中的应用[J]. 红外与激光工程, 2013, 42(5):1355-1359.
    [6] Sun Tong, Wu Yiqing, Xu Peng, et al. A new method combining LDA and PLS for dimension reduction[J]. Journal of Nuclear Agriculture, 2015, 29(5):925-931. (in Chinese)孙通, 吴宜青, 许朋, 等. 近红外光谱联合CARS-PLS-LDA的山茶油检测[J]. 核农学报, 2015, 29(5):925-931.
    [7] Luo Wei, Du Yanzhe, Zhang Hailiang. Discrimination of varieties of cabbage with near infrared spectra based on principal component analysis and successive projections algorithmy[J]. Spectroscopy and Spectral Analysis, 2016, 36(11):3536-3541. (in Chinese)罗微, 杜焱喆, 章海亮. PCA和SPA的近红外光谱识别白菜种子品种研究[J]. 光谱学与光谱分析, 2016, 36(11):3536-3541.
    [8] Materazzi S, Risoluti R, Pinci S, et al. New insights in forensic chemistry:NIR/Chemometrics analysis of toners for questioned documents examination.[J]. Talanta, 2017, 174:673-678.
    [9] Lecun Y, Bengio Y, Hinton G. Deep learning[J]. Nature, 2015, 521(7553):436.
    [10] Chai Ruimin, Cao Zhenji. Face recognition algorithm based on Gabor wavelet and deep belief networks[J]. Journal of Computer Applications, 2014, 34(9):2590-2594. (in Chinese)柴瑞敏, 曹振基. 基于Gabor小波与深度信念网络的人脸识别方法[J]. 计算机应用, 2014, 34(9):2590-2594.
    [11] Zhang Limin, Liu Kai. Document features extraction based on DBM[J]. Microelectronics Computer, 2015(2):142-147. (in Chinese)张立民, 刘凯. 基于深度玻尔兹曼机的文本特征提取研究[J]. 微电子学与计算机, 2015(2):142-147.
    [12] Huang Chenchen, Gong Wei, Fu Wenlong, et al. Research of speech emotion recognition based DBNs[J]. Journal of Computer Research and Development, 2014(s1):75-80. (in Chinese)黄晨晨, 巩微, 伏文龙,等. 基于深度信念网络的语音情感识别的研究[J]. 计算机研究与发展, 2014(s1):75-80.
    [13] Hinton G E, Osindero S, Teh Y W. A fast learning slgorithm for feep belief nets[J]. Neural Computation, 2006, 18(7):1527-1554.
    [14] Hannes Schulz, Andreas Mller, Sven Behnke. Investigating convergence of restricted boltzmann machine learning[J]. Textile Research Journal, 2010, 55(12):713-717.
  • [1] 张颖, 李河申, 王昊, 孙军华, 张晞, 刘惠兰, 吕妍红.  基于神经网络的典型地物的偏振多光谱图像分类（特邀） . 红外与激光工程, 2022, 51(6): 20220249-1-20220249-8. doi: 10.3788/IRLA20220249
    [2] 王鹏翔, 张兆基, 杨怀.  结合多特征融合和极限学习机的红外图像目标分类方法 . 红外与激光工程, 2022, 51(6): 20210597-1-20210597-6. doi: 10.3788/IRLA20210597
    [3] 刘云朋, 霍晓丽, 刘智超.  基于深度学习的光纤网络异常数据检测算法 . 红外与激光工程, 2021, 50(6): 20210029-1-20210029-6. doi: 10.3788/IRLA20210029
    [4] 邓人隽, 史坦, 李向平, 邓子岚.  基于全局拓扑优化深度学习模型的超构光栅分束器 . 红外与激光工程, 2021, 50(5): 20211028-1-20211028-4. doi: 10.3788/IRLA20211028
    [5] 杨彦伟, 张丽丽, 郝晓剑, 张瑞忠.  机器学习结合激光诱导击穿光谱技术铁矿石分类方法 . 红外与激光工程, 2021, 50(5): 20200490-1-20200490-8. doi: 10.3788/IRLA20200490
    [6] 盛家川, 陈雅琦, 王君, 韩亚洪.  深度学习结构优化的图像情感分类 . 红外与激光工程, 2020, 49(11): 20200269-1-20200269-10. doi: 10.3788/IRLA20200269
    [7] 唐聪, 凌永顺, 杨华, 杨星, 路远.  基于深度学习的红外与可见光决策级融合检测 . 红外与激光工程, 2019, 48(6): 626001-0626001(15). doi: 10.3788/IRLA201948.0626001
    [8] 胡善江, 贺岩, 陶邦一, 俞家勇, 陈卫标.  基于深度学习的机载激光海洋测深海陆波形分类 . 红外与激光工程, 2019, 48(11): 1113004-1113004(8). doi: 10.3788/IRLA201948.1113004
    [9] 贾鑫, 张惊雷, 温显斌.  双监督信号深度学习的电气设备红外故障识别 . 红外与激光工程, 2018, 47(7): 703003-0703003(7). doi: 10.3788/IRLA201847.0703003
    [10] 李博, 徐晓婷, 郑雪晴.  脂肪测量的近红外光谱研究 . 红外与激光工程, 2018, 47(S1): 50-54. doi: 10.3788/IRLA201847.S104003
    [11] 张秀玲, 侯代标, 张逞逞, 周凯旋, 魏其珺.  深度学习的MPCANet火灾图像识别模型设计 . 红外与激光工程, 2018, 47(2): 203006-0203006(6). doi: 10.3788/IRLA201847.0203006
    [12] 裴晓敏, 范慧杰, 唐延东.  时空特征融合深度学习网络人体行为识别方法 . 红外与激光工程, 2018, 47(2): 203007-0203007(6). doi: 10.3788/IRLA201847.0203007
    [13] 耿磊, 梁晓昱, 肖志涛, 李月龙.  基于多形态红外特征与深度学习的实时驾驶员疲劳检测 . 红外与激光工程, 2018, 47(2): 203009-0203009(9). doi: 10.3788/IRLA201847.0203009
    [14] 王安静, 方勇华, 李大成, 崔方晓.  基于物理模型的污染云团红外光谱精细仿真 . 红外与激光工程, 2017, 46(1): 104002-0104002(9). doi: 10.3788/IRLA201746.0104002
    [15] 吴佳彬, 陈云善, 高世杰, 吴志勇.  高精度近红外光斑位置检测模型研究 . 红外与激光工程, 2016, 45(7): 717001-0717001(7). doi: 10.3788/IRLA201645.0717001
    [16] 陈媛媛, 王志斌, 王召巴.  思维进化蝙蝠算法及其在混合气体红外光谱特征选择中的应用 . 红外与激光工程, 2015, 44(3): 845-851.
    [17] 陈媛媛, 王志斌, 王召巴.  基于改进蝙蝠算法的红外光谱特征选择 . 红外与激光工程, 2014, 43(8): 2715-2721.
    [18] 樊书祥, 黄文倩, 张保华, 郭志明, 赵春江.  便携式苹果糖度光谱检测仪的设计与试验 . 红外与激光工程, 2014, 43(S1): 219-224.
    [19] 陈彬, 刘阁, 张贤明.  连续投影算法的润滑油中含水量近红外光谱的分析 . 红外与激光工程, 2013, 42(12): 3168-3174.
    [20] 秦玉华, 丁香乾, 宫会丽.  高维特征选择方法在近红外光谱分类中的应用 . 红外与激光工程, 2013, 42(5): 1355-1359.
  • 加载中
WeChat 点击查看大图
计量
  • 文章访问数:  567
  • HTML全文浏览量:  124
  • PDF下载量:  81
  • 被引次数: 0
出版历程
  • 收稿日期:  2018-11-18
  • 修回日期:  2018-12-22
  • 刊出日期:  2019-04-25

基于深度信念网络的烟叶部位近红外光谱分类方法研究

doi: 10.3788/IRLA201948.0404001
  • 1. 中国海洋大学 信息科学与工程学院,山东 青岛 266100;
  • 2. 青岛农业大学 理学与信息科学学院,山东 青岛 266109;
  • 3. 山东烟草研究院有限公司,山东 济南 250101
    • 作者简介:

    王静(1978-),女,博士生,主要从事近红外光谱学、数据挖掘与人工智能等方面的研究。Email:163wjpost@163.com

  • 收稿日期: 2018-11-18
  • 修回日期: 2018-12-22
  • 刊出日期: 2019-04-25
基金项目:

国家重点研发计划（2016YFB1001103）;中国烟草总公司山东省公司科技项目《基于近红外光谱的山东烟叶自动分选及化学成分协调性快速评价研究》

  • 中图分类号: O433.4

摘要: 近红外检测作为一种快速无损的检测方法得到广泛关注。但光谱中存在大量噪声以及光谱数据的高维度和非线性等特点影响了分类模型的准确率。将深信网络（DBN）的理论改进并引入光谱特征学习中，解决高维特征间非线性关系的学习问题，采用逐层训练策略和随机梯度上升法分别进行网络预训练和微调获得网络权值；并结合支持向量机（SVM）建立近红外光谱多分类模型DBN-SVM。与基于主成分分析的分类模型PCA-SVM和基于线性判别分析的LDA-SVM分类模型进行应用比较。结果表明：DBN-SVM算法能有效地学习高维数据中的内在结构和非线性关系，由该算法构建的模型具有良好的特征学习能力和分类识别能力，而且在稳健性、各类别的灵敏度和特效度也更优。

English Abstract

    全文HTML

参考文献 (14)

目录

    /

    返回文章
    返回

    版权所有 © 2019 《红外与激光工程》编辑部｜ 地址: 天津市空港经济区中环西路58号｜ 邮政编码: 300308

    津ICP备19007885号-1

    本系统由 北京仁和汇智信息技术有限公司 开发    百度统计