论文部分内容阅读
近红外光谱技术具有的快速(在线)、无污染和无损等优点,被广泛应用在食品工业、农业、生物化工和医学等领域中对被测物进行含氢化合物的定性定量分析。便捷近红外光谱仪器的研发,让近红外光谱分析技术从工业技术走进大众生活,极大地丰富了近红外光谱数据库。传统的分析方法无法满足分析大量数据的要求,因此,对数据“敏感”的深度学习方法逐渐成为近红外光谱分析技术中的研究热点。本文针对建模数据不足时,深度学习方法表现不佳的问题,从提升深度学习算法性能和利用深度学习方法扩充建模数据规模的角度,展开深度学习在近红外光谱分析技术中的应用研究。(1)针对单个深度学习模型在建模数据量不足时预测效果不佳的问题,本文提出集成多个一维卷积神经网络(One-dimensional convolution neural network,1-d CNN),并利用负相关学习(Negative Correlation Learning,NCL)算法启发式得并行训练这些1-d CNN的方法(CNN＿NCL),用于构建近红外光谱定量分析模型。实验结果显示CNN＿NCL的预测能力始终优于单个的1-d CNN,且建模数据量越大,该优势越明显,这也进一步扩大深度学习方法在“大近红外光谱数据库”建模环境下的优势。(2)针对建模样本不足的问题,本文提出利用边界平衡生成对抗网络(Boundary Equilibrium Generation Adversarial Network,BEGAN)从已有的近红外光谱样本集中生成符合真实样本分布的虚拟光谱,从而在一定程度上丰富了小数据集中的样本数量。同时,成功地将虚拟光谱应用在融合算法中,提高了原始融合算法的性能。本文的研究成果丰富了深度学习在近红外光谱分析技术中的应用方式,为未来更深更广的应用提供了新思路。