10 потрясающих проигрывателей с Bluetooth на 2023 год
Jun 26, 202311 невероятных цифровых часов Timex 2023 года
Aug 29, 202312 лучших кондиционеров для бороды для мужчин 2023 года
Jan 12, 202413 лучших масел для волос для здоровых и увлажненных волос
May 27, 202314 потрясающих беспроводных наушников Beats 2023 года
Jun 21, 2023Предварительная обработка кривых поглощения терагерцового диапазона с помощью узкого ограничения волнистости и ее быстрая реализация, предложенная выпуклой оболочкой.
Том 12 научных отчетов, номер статьи: 17806 (2022) Цитировать эту статью
378 Доступов
Подробности о метриках
В данной работе предложен метод предварительной обработки кривой ТГц поглощения, который приводит к минимальному диапазону поглощения, сохраняя необходимую волнистость кривой для идентификации с помощью сверточной нейронной сети. Суть предлагаемого метода заключается в ограничении волнистости кривой парой узких параллельных линий и определении их оптимального положения путем последовательного вращения нормализованной кривой в двух фиксированных точках. Далее предлагается быстрый алгоритм, основанный на особенностях выпуклой оболочки, процедура которого подробно описана. Алгоритм включает в себя определение некоторых важных наборов точек, расчет и сравнение наклонов и определение лучшего выбора из 4 потенциальных поворотов. Рациональность поиска критической точки иллюстрируется геометрическим образом. Кроме того, обсуждается адаптация метода и приводятся реальные примеры, показывающие способность метода извлекать нелинейную информацию о кривой. Исследование предполагает, что методы компьютерной графики также способствуют извлечению признаков ТГц кривой и распознаванию образов.
Терагерцевая спектроскопия во временной области широко используется для обнаружения и идентификации материалов1,2,3,4. Кривая коэффициента поглощения или затухания настолько связана с составляющими материала, что распознавание образов проводится на различном фоне5,6,7,8,9. Пики поглощения не наблюдаются для чистого вещества с симметричной молекулярной структурой (например, полиэтилена). Кроме того, пики менее заметны из-за перекрытия спектров компонентов. Таким образом, согласно предыдущим отчетам, машинное обучение имеет важное значение для интеллектуального анализа данных в исследованиях, связанных, помимо прочего, с травами, мясом, чаем и крупами. Предполагается, что предварительная обработка кривых улучшает производительность модели и снижает сложность обучения удовлетворительной модели. Обычная предварительная обработка включает сглаживание Савицкого-Голея, фильтрацию в частотной области, коррекцию многомерного рассеяния (MSC) и т. д., которые сохраняют важные функции для идентификации, но корректируют значение при каждой выборке частоты10,11,12. Эти алгоритмы математически принимают форму шума, и все точки обрабатываются одинаково. Однако функция идентификации кривых может быть ослаблена, и некоторые параметры настраиваются эмпирически для получения хороших результатов. Кроме того, методы, использующие компьютерную графику, редко изучаются в качестве связующего звена с последующими методами идентификации.
Сверточная нейронная сеть (CNN) использовалась для идентификации объекта на изображении как эффективная и популярная модель13,14,15,16. Когда CNN связан с терагерцовой кривой, перед обучением модели необходимо преобразование (или сопоставление) терагерцовой кривой в изображение. Кривая спектра рассматривается как значимая граница на изображении, разделяющая верхнюю и нижнюю части, которые, однако, бессмысленны, поскольку на них не попадает никакое фактическое значение. В результате каждый пиксель изображения участвует в обучении модели CNN. Сжатие диапазона поглощения для заданной полосы частот соответствует ожиданиям снижения вычислительных затрат, тогда как трудность состоит в том, чтобы зарезервировать важные функции для идентификации. Как показано на рис. 1а, схематическая ТГц кривая имеет диапазон, равный разнице смещения1 и смещения2. Линия 2 и линия 1 представляют собой параллельные линии с осью частот, обозначающие верхнюю и нижнюю границы поглощения. Если для ограничения кривой используются еще две параллельные линии, волнистость (разница смещения по оси Y) между ними изменяется (как показано на рис. 1b и рис. 1c). Таким образом, мы ищем оптимальные параллельные линии, чтобы ограничить кривую на минимальном расстоянии, и выполняем сдвиговое преобразование для создания изображения, которое соответствует продолжающейся кривой с минимальной избыточностью в направлении Y (размерность поглощения). В соответствии с основной идеей предлагаемый метод назван узким ограничением волнистости (NUC).