光谱处理与分类方法综述.docVIP

光谱处理与分类方法综述 　　摘 要 ??物质与辐射能相互作用时，其内部的电子、质子等粒子发生能级跃迁，对所产生的辐射能强度随波长变化作图，所得到的谱图称为光谱。而光谱分析法主要通过物质光谱作出定性、定量及结构分析。光谱技术和光谱检测技术是操作简单、快速、无污染、高效、低成本的无损检测技术。光谱也常用于物质识别领域，对物质识别的前提是对不同光谱进行分类。由于不同光谱产生的机理不同，所产生的物理现象也不同。因此，光谱分析方法的分析方法也多种多样。本文主要对比一些光谱分析中涉及的数据处理，特征提取方法及其优缺点。 　　关键词 光谱分析；分类方法；比较 　　中图分类号 O4 文献标识码 A 文章编号 2095-6363（2017）15-0122-03 　　当前光谱分析法在各个领域得到了广泛应用，优势比较明显，包括样品无损、前处理快速、分析效率较高、有良好的重复性及能够实现在线分析等，在工业、农业、烟草、医药和食品等方面发挥着重要作用。支持向量机具有相对较高的精度；小波变换可以实现多尺度局域分析信号，基本上不会受到续谱带来的营销，在光谱处理领域应用很多。以建立分类面形式对光谱进行分类，广义判别分析中结合了核技巧和Fisher判别分析，以非线性映射的方式把样本集映射至高位特征空间F，同时作出线性判别分析。现阶段BP神经网络被使用很多，非线性映射能力很强，可以在训练后让输入和输出两种变量具备非线性关系。在Bayes决策中， 需要估计类条件概率密度函数。 　　1 光谱数据的预处理 　　通过仪器将原始光谱采集起来，其中不仅有和样品构成相关信息，并具备其他方面因素形成的噪音信号。数据预处理过程中，一般会用到光谱数据平滑、基线校正、求导及归一化处理等方法。 　　为将噪声完全消除，一般会首选信号平滑方法，假设为光谱中存在噪声等于零均随机白噪声，要多测量几次求出平均值，这样能够让噪声降低，并实现信噪比提升。光谱数据的平滑处理也叫数字滤波器，其一般可用式子表示为： 　　通过选取不同的脉冲函数进行卷积可得到不同的光谱分辨率，因而高频率随机噪声可通过选用较窄的脉冲函数卷积而滤掉。对傅里叶变换而言，即时间域函数和频率域函数存在如下关系： 　　通过傅里叶变换可以加快提取信息的过程，同时可以去掉干扰信号和噪声。由于傅里叶变换具有极强的数据压缩能力，因此，在近红外光谱的分析中其也被用于特征提取[1]。 　　近红外分析会受到仪器背景和样品粒度等方面的影响，容易发生基线漂移、倾斜等情况，利用基线校正，能够避免出现以上情况。对此要采取谷峰点扯平、偏移扣减、微分处理及基线倾斜等方式，这里面一阶与二阶微分使用较多，不过对微分处理而言，应合理选用微分级数及数据点[2]。 　　2 特征提取 　　在一条曲线表征中，不用将该曲线上全部点均进行表示，很多时候只需要将其中部分特殊点确定下来即可。对此，在两条光谱曲线相似性判断过程中，通常比较其拐点的位置及大小的相似性就可以了[3]。对于光谱的特征提取常用的方法有：小波变换（wavelet）、覆盖算法和广义判别分析等方法等[4]。 　　2.1 小波变换 　　小波变换能够对信号进行处理，主要在传统Fourier分析基础上发展而成。傅里叶变换属于整体上进行的变换，对非平稳信号最关键的时频局域性质而言，是不能表征的。使用小波分析方法，可以将信号各尺度信息提取出来。光谱不一样，谱线类型、位置及强度也存在很大差异，对此光谱信息也可以看作是局部信息。连续谱与光谱内缓变的低频成份相对应，谱线与噪声与光谱内高频成份相对应，光谱小波系数能够将谱线与噪声信息反映出来。利用小波分解的高频分量的局部极值点将各种矿物光谱的吸收特征比较精确地提取出来[5]。 　　数学上离散小波变换表示一个有限长序列与一个离散小波基的内积，所有内积因子均为一个离散的小波变化值，可用以下公式进行表达： 　　其中是一个离散小波变换值，是一个长度为的序列。 　　是离散小波基，与为对应的离散小波尺度与平移参数，*为复数共轭。 　　它在特征提取阶段并没有使用训练数据的类别信息， 能够对信号进行多尺度局域分析，受连续谱的影响较小。分类器对噪声的敏感性就会大大降低。对存在突变非平稳函数进行处理的过程中，具备极高分辨率，可以让时域与频域分析一起进行。但是小波基的选取在实际应用中比较困难。 　　2.2 覆盖算法 　　把分类问题转化成集覆盖问题，以最少数目的覆盖集为优化目标，不用考虑特征空间是否具备线性可分性特征。利用覆盖算法，可以把分类面计算问题变成基于样本点距离的覆盖问题。因为覆盖算法具备构造性特征，不会出现收敛性与收敛速度问题，从而便于计算。 　　其原理如下：假设在N维特征空间中有两类训练样本：，。若存在，和一组正数，使得并且，则称，为训练样本的覆盖集，集