CN117054396B - 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 - Google Patents
基于双路径无乘法神经网络的拉曼光谱检测方法及装置 Download PDFInfo
- Publication number
- CN117054396B CN117054396B CN202311308971.8A CN202311308971A CN117054396B CN 117054396 B CN117054396 B CN 117054396B CN 202311308971 A CN202311308971 A CN 202311308971A CN 117054396 B CN117054396 B CN 117054396B
- Authority
- CN
- China
- Prior art keywords
- path
- multiplication
- neural network
- raman spectrum
- dual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000001237 Raman spectrum Methods 0.000 title claims abstract description 105
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 94
- 238000001514 detection method Methods 0.000 title claims abstract description 55
- 238000001069 Raman spectroscopy Methods 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 22
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000009977 dual effect Effects 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000011176 pooling Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 3
- 239000000758 substrate Substances 0.000 claims 1
- 238000011897 real-time detection Methods 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000001228 spectrum Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Chemical & Material Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Pathology (AREA)
- Immunology (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本申请提供了一种基于双路径无乘法神经网络的拉曼光谱检测方法及装置,所述方法包括:获取通过手持拉曼光谱仪采集到的标准样品的拉曼光谱,并基于标准样品的拉曼光谱构建双路径无乘法神经网络;对构建好的双路径无乘法神经网络进行网络训练;获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于类别概率得到待测样品的种类。本申请所述的基于双路径无乘法神经网络的拉曼光谱检测方法及装置可方便部署在手持拉曼光谱仪上进行实时检测,无需外接计算服务器,从而降低***成本和检测时间。
Description
技术领域
本申请属于拉曼光谱检测技术领域,尤其涉及一种基于双路径无乘法神经网络的拉曼光谱检测方法及装置。
背景技术
拉曼光谱是一种可以反映出分子振动信息的散射光谱,能够提供物质分子“指纹”信息,作为一种重要的分析技术,拉曼光谱分析具有无损、快速、无污染的优势,被广泛应用于各个研究领域。传统的拉曼光谱仪造价高昂、体积庞大,只能在实验室里由专业人员操作。近年来发展出的手持拉曼光谱仪可以做到手机般大小,大大扩展了拉曼光谱检测的应用范围。
传统拉曼光谱检测过程繁琐、特征选择严重依赖人工经验等缺陷,深度学习方法的引入可以优化分析流程,提高分析效率,有助于拉曼光谱检测应用向自动化方向推进,大大提升了物质检测准确率,扩展了该技术在实际生产中的应用范围。
现有的深度学习拉曼光谱检测方法无法应用于手持设备,主要问题在于:现有拉曼光谱检测深度神经网络大都采用卷积神经网络结构,底层运算为矩阵乘法运算,计算复杂度高,需要大量计算资源和存储资源才能完成,现有拉曼光谱检测网络大都运行在服务器上或工作站上,无法部署在手持设备上。现有的手持拉曼检测设备大多只具有光谱采集功能,而关键的光谱检测算法仍需要运行在服务器上。因此,手持拉曼检测设备仍需要配置网络(用于光谱数据传输)或者大容量存储器(用于光谱数据拷贝),并需要较高算力的服务器配合才能完成整个检测流程,单独使用手持拉曼检测设备是无法完成整个检测流程的。
发明内容
有鉴于此,本申请旨在提出基于双路径无乘法神经网络的拉曼光谱检测方法及装置,以解决现有拉曼光谱检测深度神经网络大都采用卷积神经网络结构,底层运算为矩阵乘法运算,计算复杂度高的问题。
为达到上述目的,本申请的技术方案是这样实现的:
第一方面,本申请提供了一种基于双路径无乘法神经网络的拉曼光谱检测方法,所述方法包括:
获取通过手持拉曼光谱仪采集到的标准样品的拉曼光谱,并基于所述标准样品的拉曼光谱构建双路径无乘法神经网络;
对构建好的双路径无乘法神经网络进行网络训练;
获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将所述待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于所述类别概率得到待测样品的种类;其中,所述双路径无乘法神经网络部署在手持拉曼光谱仪上,且进行双路径无乘法计算得到输出结果。
第二方面,基于同一发明构思,本申请还提供了一种基于双路径无乘法神经网络的拉曼光谱检测装置,包括:
获取模块,被配置为获取通过手持拉曼光谱仪采集到的标准样品的拉曼光谱,并基于所述标准样品的拉曼光谱构建双路径无乘法神经网络;
网络训练模块,被配置为对构建好的双路径无乘法神经网络进行网络训练;
结果输出模块,被配置为获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将所述待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于所述类别概率得到待测样品的种类;其中,所述双路径无乘法神经网络部署在手持拉曼光谱仪上,且进行双路径无乘法计算得到输出结果。
第三方面,基于同一发明构思,本申请还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如第一方面所述的基于双路径无乘法神经网络的拉曼光谱检测方法。
第四方面,基于同一发明构思,本申请还提供了一种非暂态计算机可读存储介质,其中,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行如第一方面所述的基于双路径无乘法神经网络的拉曼光谱检测方法。
相对于现有技术,本申请所述的基于双路径无乘法神经网络的拉曼光谱检测方法及装置具有以下有益效果:
本申请所述的基于双路径无乘法神经网络的拉曼光谱检测方法及装置,所述方法使用手持拉曼光谱仪对待测样品进行测量,得到待测样品拉曼光谱,将待测样品拉曼光谱输入双路径无乘法神经网络,得到待测样品的种类,本实施例能够显著降低深度神经网络算力要求,可方便部署在手持拉曼光谱仪上进行实时检测,无需外接计算服务器,从而降低***成本和检测时间。
附图说明
构成本申请的一部分的附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请实施例所述的基于双路径无乘法神经网络的拉曼光谱检测方法流程示意图;
图2为本申请实施例所述的双路径无乘法神经网络示意图;
图3为本申请实施例所述的无乘法层OP1的电路设计示意图;
图4为本申请实施例所述的无乘法层OP2的电路设计示意图;
图5为本申请实施例所述的双路径无乘法神经网络在FPGA上的部署示意图;
图6为本申请实施例所述的基于双路径无乘法神经网络的拉曼光谱检测装置结构示意图;
图7为本申请实施例所述的电子设备硬件结构示意图。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本申请进一步详细说明。
需要说明的是,除非另外定义,本申请实施例使用的技术术语或者科学术语应当为本申请所属领域内具有一般技能的人士所理解的通常意义。本申请实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性,而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同,而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接,而是可以包括电性的连接,不管是直接的还是间接的。“上”、“下”、“左”、“右”等仅用于表示相对位置关系,当被描述对象的绝对位置改变后,则该相对位置关系也可能相应地改变。
以下结合附图详细说明本申请的实施例。
请参阅图1所示,本申请一个实施例的基于双路径无乘法神经网络的拉曼光谱检测方法,包括以下步骤:
步骤S101、获取通过手持拉曼光谱仪采集到的标准样品的拉曼光谱,并基于标准样品的拉曼光谱构建双路径无乘法神经网络。
具体地,如图2所示,获取采集到的标准样品的拉曼光谱,提取拉曼光谱的输入特征X,X是尺寸为N×1的矩阵;
将输入特征X输入至第一路径PATH1和第二路径PATH2,在各路径中交替使用无乘法层OP1和无乘法层OP2进行计算,在每层计算前,均通过降采样层将特征尺寸降低1/2;
第一路径PATH1将输入特征X进行降采样,并进行无乘法层OP1操作,其次进行降采样并进行无乘法层OP2操作,再次进行降采样并进行无乘法层OP1操作,操作流程可表示为:
PATH1(X)=OP1(DS(OP2(DS(OP1(DS(X))))));
无乘法层OP1表示不包含乘法运算的神经网络层,其将输入特征X和网络层权重W进行如下计算:
OP1(X,W)=SGN(X)·SGN(W)·MIN(|W|,|X|);
无乘法层OP1的梯度反向传播公式为:
;
;
其中,DS表示降采样操作,SGN表示取符号操作,MIN表示取最小值操作,| |表示取绝对值操作,降采样比率为2;
第二路径PATH2将输入特征X进行降采样,并进行无乘法层OP2操作,其次进行降采样并进行无乘法层OP1操作,再次进行降采样并进行无乘法层OP2操作,操作流程表示为:
PATH2(X)=OP2(DS(OP1(DS(OP2(DS(X))))));
无乘法层OP2表示不包含乘法运算的神经网络层,其将输入特征X和网络层权重W进行如下计算:
OP2(X,W)=SGN(X)·SGN(W)·(|W|+|X|);
无乘法层OP2的梯度反向传播公式为:
;
;
其中,DS表示降采样操作,SGN表示取符号操作,| |表示取绝对值操作,表示狄拉
克函数,降采样比率为2;
将第一路径PATH1和第二路径PATH2的输出结果连接到一起,经过全局最大池化和全连接层后,得到最终的输出结果,代表拉曼光谱的类别概率,流程可表示为;
OUT(X)=FC(MAXPOOL(CONCAT(PATH1(X),PATH2(X))));
其中,FC表示全连接层,MAXPOOL表示最大池化层,CONCAT表示将两条路径的输出连接。
步骤S102、对构建好的双路径无乘法神经网络进行网络训练。
在一些实施方式中,对双路径无乘法神经网络进行训练的流程,包括单次光谱采集、训练数据集构建、拉曼光谱预处理、神经网络训练四个步骤。
具体地,使用手持拉曼光谱仪采集标准样品的拉曼光谱,构造一条训练数据(X,C),其中X表示拉曼光谱数据,C表示对应的样品类别标签;重复多次采集,每次采集更换不同样品,构建包含多条训练数据的数据集,将数据集随机划分为训练集和验证集,训练集和验证集的划分比例为7:3;
对训练集中的拉曼光谱数据X进行预处理,包括滤波、基线校正、去除暗电流三个步骤;其中,滤波采用低通滤波,基线校正可采用多项式拟合、均匀B样条拟合、自适应迭代加权惩罚最小二乘法等,去除暗电流可采用谱减法,即样品光谱减去空采光谱。
将预处理后的训练集中的所有拉曼光谱数据X送入双路径无乘法神经网络,得到网络输出Y,计算Y与对应的样品类别标签C之间的交叉熵损失函数,即:
;
其中,Y表示网络输出,Y是一个尺寸为L×M的矩阵,C表示数据集中真实的样品类别标签,C是一个尺寸为L×M的矩阵,Y1c表示矩阵Y中第1行第c列的元素,Clc表示矩阵C中第1行第c列的元素,对于矩阵C中的元素Clc,如果c=1,则Clc=1,如果c≠l,则Clc=0。
计算出交叉熵损失后,采用随机梯度下降、Adam、AdamW等优化器进行误差反向传播计算,更新网络参数值,经过多轮迭代后,完成神经网络训练;
通过验证集对训练好的双路径无乘法神经网络进行验证,将待测样品的拉曼光谱输入至验证好的双路径无乘法神经网络中,得到输出结果。
双路径无乘法神经网络部署:
手持拉曼光谱仪上的计算资源有限,仅包含低算力的单片机或小规模的FPGA芯片,本实施例提出双路径无乘法神经网络的电路级部署方法,能够方便的部署到低算力的单片机或小规模的FPGA芯片上,在此以FPGA芯片为例,描述双路径无乘法神经网络部署方法。
无乘法层OP1的电路级实现方法如图3所示,其中,SGN取符号操作通过直接取出X和W的符号位实现,取绝对值操作通过三态门实现,以位宽为16的X取绝对值为例:
|X|=X[15] ? 1+(~X[14:0]):X[14:0];
取最小值通过数值比较器实现,最后将X和W的符号位做与运算,并赋给最小值的符号位,最终实现无乘法层OP1运算。
无乘法层OP2的电路级实现方法如图4所示,其中SGN取符号操作通过直接取出X和W的符号位实现,取绝对值操作通过三态门实现,将X的绝对值与W的绝对值通过加法器相加得到二者的加和值,最后将X和W的符号位做与运算,并赋给加和值的符号位,最终实现无乘法层OP2运算。
双路径无乘法神经网络在FPGA上的部署流程如图5所示,首先使用高级编程语言进行网络模型编程,在此以C++为例编写代码,之后使用高级综合工具对代码进行综合,得到Verilog文件,以.v文件表示,与此同时,对无乘法层OP1和无乘法层OP2的电路实现进行打包,加入生成的Verilog文件中。
进一步,将Verilog文件导出为RTL文件,将RTL文件通过Vivado转化为电路实现,最后,将电路部署到手持拉曼光谱仪上的FPGA芯片中。
步骤S103、获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于类别概率得到待测样品的种类;其中,双路径无乘法神经网络部署在手持拉曼光谱仪上,且进行双路径无乘法计算得到输出结果。
具体地,手持拉曼光谱仪部署双路径无乘法神经网络,即具备拉曼光谱实时检测功能。
检测步骤如下:首先,使用手持拉曼光谱仪对待测样品进行测量,得到待测样品拉曼光谱X;之后,将待测样品拉曼光谱X输入双路径无乘法神经网络进行片上计算,得到神经网络输出Y,即为待测样品的种类。
需要说明的是,手持拉曼光谱仪仅装配有低算力的单片机或小规模的FPGA芯片,算力有限,现有深度神经网络无法部署在手持拉曼光谱仪上进行实时检测。
本实施例所述的基于双路径无乘法神经网络的拉曼光谱检测方法使用手持拉曼光谱仪对待测样品进行测量,得到待测样品拉曼光谱,将待测样品拉曼光谱输入双路径无乘法神经网络,得到待测样品的种类,本实施例能够显著降低深度神经网络算力要求,可方便部署在手持拉曼光谱仪上进行实时检测,无需外接计算服务器,从而降低***成本和检测时间。
需要说明的是,上述对本申请的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在本申请中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
基于同一发明构思,与上述任意实施例方法相对应的,本申请的实施例还提供了一种基于双路径无乘法神经网络的拉曼光谱检测装置。
如图6所示,所述基于双路径无乘法神经网络的拉曼光谱检测装置,包括:
获取模块11,被配置为获取通过手持拉曼光谱仪采集到的标准样品的拉曼光谱,并基于所述标准样品的拉曼光谱构建双路径无乘法神经网络;
网络训练模块12,被配置为对构建好的双路径无乘法神经网络进行网络训练;
结果输出模块13,被配置为获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将所述待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于所述类别概率得到待测样品的种类;其中,所述双路径无乘法神经网络部署在手持拉曼光谱仪上,且进行双路径无乘法计算得到输出结果。
为了描述的方便,描述以上装置时以功能分为各种模块分别描述。当然,在实施本申请的实施例时可以把各模块的功能在同一个或多个软件和/或硬件中实现。
上述实施例的装置用于实现前述任一实施例中相应的基于双路径无乘法神经网络的拉曼光谱检测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请的实施例还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上任意一实施例所述的基于双路径无乘法神经网络的拉曼光谱检测方法。
图7示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图,该设备可以包括:处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。
处理器1010可以采用通用的CPU(Central Processing Unit,中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit,ASIC)、或者一个或多个集成电路等方式实现,用于执行相关程序,以实现本说明书实施例所提供的技术方案。
存储器1020可以采用ROM(Read Only Memory,只读存储器)、RAM(Random AccessMemory,随机存取存储器)、静态存储设备,动态存储设备等形式实现。存储器1020可以存储操作***和其他应用程序,在通过软件或者固件来实现本说明书实施例所提供的技术方案时,相关的程序代码保存在存储器1020中,并由处理器1010来调用执行。
输入/输出接口1030用于连接输入/输出模块,以实现信息输入及输出。输入/输出模块可以作为组件配置在设备中(图中未示出),也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等,输出设备可以包括显示器、扬声器、振动器、指示灯等。
通信接口1040用于连接通信模块(图中未示出),以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(例如USB、网线等)实现通信,也可以通过无线方式(例如移动网络、WIFI、蓝牙等)实现通信。
总线1050包括一通路,在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。
需要说明的是,尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050,但是在具体实施过程中,该设备还可以包括实现正常运行所必需的其他组件。此外,本领域的技术人员可以理解的是,上述设备中也可以仅包含实现本说明书实施例方案所必需的组件,而不必包含图中所示的全部组件。
上述实施例的电子设备用于实现前述任一实施例中相应的基于双路径无乘法神经网络的拉曼光谱检测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
基于同一发明构思,与上述任意实施例方法相对应的,本申请还提供了一种非暂态计算机可读存储介质,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行如上任一实施例所述的基于双路径无乘法神经网络的拉曼光谱检测方法。
本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于双路径无乘法神经网络的拉曼光谱检测方法,并且具有相应的方法实施例的有益效果,在此不再赘述。
所属领域的普通技术人员应当理解:以上任何实施例的讨论仅为示例性的,并非旨在暗示本申请的范围被限于这些例子;在本申请的思路下,以上实施例或者不同实施例中的技术特征之间也可以进行组合,步骤可以以任意顺序实现,并存在如上所述的本申请实施例的不同方面的许多其它变化,为了简明它们没有在细节中提供。
另外,为简化说明和讨论,并且为了不会使本申请实施例难以理解,在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外,可以以框图的形式示出装置,以便避免使本申请实施例难以理解,并且这也考虑了以下事实,即关于这些框图装置的实施方式的细节是高度取决于将要实施本申请实施例的平台的(即,这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如,电路)以描述本申请的示例性实施例的情况下,对本领域技术人员来说显而易见的是,可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本申请实施例。因此,这些描述应被认为是说明性的而不是限制性的。
尽管已经结合了本申请的具体实施例对本申请进行了描述,但是根据前面的描述,这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如,其它存储器架构(例如,动态RAM(DRAM))可以使用所讨论的实施例。
本申请实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此,凡在本申请实施例的精神和原则之内,所做的任何省略、修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于双路径无乘法神经网络的拉曼光谱检测方法,其特征在于,所述方法包括:
获取通过手持拉曼光谱仪采集到的标准样品的拉曼光谱,并基于所述标准样品的拉曼光谱构建双路径无乘法神经网络;
获取采集到的标准样品的拉曼光谱,提取拉曼光谱的输入特征X;
将输入特征X输入至第一路径PATH1和第二路径PATH2,在各路径中交替使用无乘法层OP1和无乘法层OP2进行计算;
第一路径PATH1将输入特征X进行降采样,并进行无乘法层OP1操作,其次进行降采样并进行无乘法层OP2操作,再次进行降采样并进行无乘法层OP1操作,操作流程表示为:
PATH1(X)=OP1(DS(OP2(DS(OP1(DS(X))))));
无乘法层OP1表示不包含乘法运算的神经网络层,其将输入特征X和网络层权重W进行如下计算:
OP1(X,W)=SGN(X)·SGN(W)·MIN(|W|,|X|);
无乘法层OP1的梯度反向传播公式为:
其中,DS表示降采样操作,SGN表示取符号操作,MIN表示取最小值操作,||表示取绝对值操作;
第二路径PATH2将输入特征X进行降采样,并进行无乘法层OP2操作,其次进行降采样并进行无乘法层OP1操作,再次进行降采样并进行无乘法层OP2操作,操作流程表示为:
PATH2(X)=OP2(DS(OP1(DS(OP2(DS(X))))));
无乘法层OP2表示不包含乘法运算的神经网络层,其将输入特征X和网络层权重W进行如下计算:
OP2(X,W)=SGN(X)·SGN(W)·(|W|+|X|);
无乘法层OP2的梯度反向传播公式为:
其中,DS表示降采样操作,SGN表示取符号操作,||表示取绝对值操作,δ表示狄拉克函数;
将第一路径PATH1和第二路径PATH2的输出结果连接到一起,经过全局最大池化和全连接层后,得到最终的输出结果;
对构建好的双路径无乘法神经网络进行网络训练;
获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将所述待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于所述类别概率得到待测样品的种类;其中,所述双路径无乘法神经网络部署在手持拉曼光谱仪上,且进行双路径无乘法计算得到输出结果。
2.根据权利要求1所述的基于双路径无乘法神经网络的拉曼光谱检测方法,其特征在于,所述将第一路径PATH1和第二路径PATH2的输出结果连接到一起,经过全局最大池化和全连接层后,得到最终的输出结果,包括:
OUT(X)=FC(MAXPOOL(CONCAT(PATH1(X),PATH2(X))));
其中FC表示全连接层,MAXPOOL表示最大池化层,CONCAT表示将两条路径的输出连接。
3.根据权利要求1所述的基于双路径无乘法神经网络的拉曼光谱检测方法,其特征在于,所述获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将所述待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于所述类别概率得到待测样品的种类;其中,所述双路径无乘法神经网络部署在手持拉曼光谱仪上,且进行双路径无乘法计算得到输出结果,包括:
获取采集到的标准样品的拉曼光谱,构建训练数据,其中训练数据包括拉曼光谱数据、以及与所述拉曼光谱数据对应的样品类别标签;
构建包含有多条训练数据的数据集,将所述数据集划分为训练集和验证集;
对训练集中的拉曼光谱数据进行数据预处理;
利用数据预处理后的训练集对双路径无乘法神经网络进行训练,并通过验证集对训练好的双路径无乘法神经网络进行验证;
将待测样品的拉曼光谱输入至验证好的双路径无乘法神经网络中,得到输出结果。
4.根据权利要求3所述的基于双路径无乘法神经网络的拉曼光谱检测方法,其特征在于,所述利用数据预处理后的训练集对双路径无乘法神经网络进行训练,并通过验证集对训练好的双路径无乘法神经网络进行验证,包括:
将预处理后的训练集中的拉曼光谱数据输入至双路径无乘法神经网络中,得到网络输出结果,计算网络输出结果与对应的样品类别标签之间的交叉熵损失函数,其中,交叉熵损失函数计算公式如下:
其中,Y表示网络输出,Y是一个尺寸为L×M的矩阵,C表示数据集中真实的样品类别标签,C是一个尺寸为L×M的矩阵,Ylc表示矩阵Y中第l行第c列的元素,Clc表示矩阵C中第l行第c列的元素,对于矩阵C中的元素Clc,如果c=1,则Clc=1,如果c≠l,则Clc=0;
利用优化器进行误差反向传播计算,更新网络参数值,经过多轮更新迭代后,完成双路径无乘法神经网络训练。
5.一种基于双路径无乘法神经网络的拉曼光谱检测装置,其特征在于,包括:
获取模块,被配置为获取通过手持拉曼光谱仪采集到的标准样品的拉曼光谱,并基于所述标准样品的拉曼光谱构建双路径无乘法神经网络;
获取采集到的标准样品的拉曼光谱,提取拉曼光谱的输入特征X;
将输入特征X输入至第一路径PATH1和第二路径PATH2,在各路径中交替使用无乘法层OP1和无乘法层OP2进行计算;
第一路径PATH1将输入特征X进行降采样,并进行无乘法层OP1操作,其次进行降采样并进行无乘法层OP2操作,再次进行降采样并进行无乘法层OP1操作,操作流程表示为:
PATH1(X)=OP1(DS(OP2(DS(OP1(DS(X))))));
无乘法层OP1表示不包含乘法运算的神经网络层,其将输入特征X和网络层权重W进行如下计算:
OP1(X,W)=SGN(X)·SGN(W)·MIN(|W|,|X|);
无乘法层OP1的梯度反向传播公式为:
其中,DS表示降采样操作,SGN表示取符号操作,MIN表示取最小值操作,||表示取绝对值操作;
第二路径PATH2将输入特征X进行降采样,并进行无乘法层OP2操作,其次进行降采样并进行无乘法层OP1操作,再次进行降采样并进行无乘法层OP2操作,操作流程表示为:
PATH2(X)=OP2(DS(OP1(DS(OP2(DS(X))))));
无乘法层OP2表示不包含乘法运算的神经网络层,其将输入特征X和网络层权重W进行如下计算:
OP2(X,W)=SGN(X)·SGN(W)·(|W|+|X|);
无乘法层OP2的梯度反向传播公式为:
其中,DS表示降采样操作,SGN表示取符号操作,||表示取绝对值操作,δ表示狄拉克函数;
将第一路径PATH1和第二路径PATH2的输出结果连接到一起,经过全局最大池化和全连接层后,得到最终的输出结果;
网络训练模块,被配置为对构建好的双路径无乘法神经网络进行网络训练;
结果输出模块,被配置为获取通过手持拉曼光谱仪采集到的待测样品的拉曼光谱,将所述待测样品的拉曼光谱输入至预先训练好的双路径无乘法神经网络中,输出代表拉曼光谱的类别概率,基于所述类别概率得到待测样品的种类;其中,所述双路径无乘法神经网络部署在手持拉曼光谱仪上,且进行双路径无乘法计算得到输出结果。
6.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-4任一项所述的基于双路径无乘法神经网络的拉曼光谱检测方法。
7.一种非暂态计算机可读存储介质,其特征在于,其中,所述非暂态计算机可读存储介质存储计算机指令,所述计算机指令用于使计算机执行权利要求1-4任一项所述的基于双路径无乘法神经网络的拉曼光谱检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308971.8A CN117054396B (zh) | 2023-10-11 | 2023-10-11 | 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311308971.8A CN117054396B (zh) | 2023-10-11 | 2023-10-11 | 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117054396A CN117054396A (zh) | 2023-11-14 |
CN117054396B true CN117054396B (zh) | 2024-01-05 |
Family
ID=88669581
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311308971.8A Active CN117054396B (zh) | 2023-10-11 | 2023-10-11 | 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117054396B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411952A (zh) * | 2013-08-08 | 2013-11-27 | 浙江大学 | 一种基于拉曼光谱技术的藻种分类识别方法 |
CN105893477A (zh) * | 2016-03-25 | 2016-08-24 | 中国科学技术大学 | 一种基于双路神经网络的保距哈希方法 |
CN107860473A (zh) * | 2017-10-25 | 2018-03-30 | 暨南大学 | 一种基于云数据的智能手持光谱仪 |
CN107886081A (zh) * | 2017-11-23 | 2018-04-06 | 武汉理工大学 | 双路U‑Net深度神经网络矿山井下危险行为智能分级辨识方法 |
CN108088834A (zh) * | 2017-09-13 | 2018-05-29 | 新疆大学 | 基于优化反向传播神经网络的包虫病血清拉曼光谱诊断仪 |
WO2019192121A1 (zh) * | 2018-04-04 | 2019-10-10 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
CN110458801A (zh) * | 2019-06-24 | 2019-11-15 | 深圳市未来媒体技术研究院 | 一种3d双路径神经网络及基于该网络的肺部结节检测方法 |
CN111582401A (zh) * | 2020-05-15 | 2020-08-25 | 中原工学院 | 一种基于双分支卷积神经网络的向日葵种子分选方法 |
CN113128675A (zh) * | 2021-04-21 | 2021-07-16 | 南京大学 | 一种基于脉冲神经网络的无乘法卷积调度器及其硬件实现方法 |
WO2021174774A1 (zh) * | 2020-07-30 | 2021-09-10 | 平安科技(深圳)有限公司 | 神经网络关系抽取方法、计算机设备及可读存储介质 |
CN114154409A (zh) * | 2021-11-24 | 2022-03-08 | 灵译脑科技(上海)有限公司 | 一种基于浅深皮层双路径构架的卷积神经网络模型压缩优化方法 |
CN115630329A (zh) * | 2022-08-23 | 2023-01-20 | 北京信息科技大学 | 一种基于卷积神经网络的食用香精分类方法 |
CN116012657A (zh) * | 2023-02-14 | 2023-04-25 | 南京大学 | 一种基于神经网络的3d点云数据处理方法及加速器 |
WO2023144519A1 (en) * | 2022-01-25 | 2023-08-03 | Oxford University Innovation Limited | Determining optical aberration |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2018004557A1 (en) * | 2016-06-29 | 2018-01-04 | Intel Corporation | Multiplication-free approximation for neural networks and sparse coding |
US10540589B2 (en) * | 2017-10-24 | 2020-01-21 | Deep North, Inc. | Image quality assessment using similar scenes as reference |
US20210209475A1 (en) * | 2018-05-18 | 2021-07-08 | Google Llc | Deep Neural Networks with No Multiplications and No Floating Point Operations |
US10789462B2 (en) * | 2019-01-15 | 2020-09-29 | International Business Machines Corporation | Weakly and fully labeled mammogram classification and localization with a dual branch deep neural network |
US11976972B2 (en) * | 2019-05-21 | 2024-05-07 | Ohio State Innovation Foundation | Portable spectrometer system and methods for determining nutritional and quality traits |
-
2023
- 2023-10-11 CN CN202311308971.8A patent/CN117054396B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103411952A (zh) * | 2013-08-08 | 2013-11-27 | 浙江大学 | 一种基于拉曼光谱技术的藻种分类识别方法 |
CN105893477A (zh) * | 2016-03-25 | 2016-08-24 | 中国科学技术大学 | 一种基于双路神经网络的保距哈希方法 |
CN108088834A (zh) * | 2017-09-13 | 2018-05-29 | 新疆大学 | 基于优化反向传播神经网络的包虫病血清拉曼光谱诊断仪 |
CN107860473A (zh) * | 2017-10-25 | 2018-03-30 | 暨南大学 | 一种基于云数据的智能手持光谱仪 |
CN107886081A (zh) * | 2017-11-23 | 2018-04-06 | 武汉理工大学 | 双路U‑Net深度神经网络矿山井下危险行为智能分级辨识方法 |
WO2019192121A1 (zh) * | 2018-04-04 | 2019-10-10 | 平安科技(深圳)有限公司 | 双通道神经网络模型训练及人脸比对方法、终端及介质 |
CN110458801A (zh) * | 2019-06-24 | 2019-11-15 | 深圳市未来媒体技术研究院 | 一种3d双路径神经网络及基于该网络的肺部结节检测方法 |
CN111582401A (zh) * | 2020-05-15 | 2020-08-25 | 中原工学院 | 一种基于双分支卷积神经网络的向日葵种子分选方法 |
WO2021174774A1 (zh) * | 2020-07-30 | 2021-09-10 | 平安科技(深圳)有限公司 | 神经网络关系抽取方法、计算机设备及可读存储介质 |
CN113128675A (zh) * | 2021-04-21 | 2021-07-16 | 南京大学 | 一种基于脉冲神经网络的无乘法卷积调度器及其硬件实现方法 |
CN114154409A (zh) * | 2021-11-24 | 2022-03-08 | 灵译脑科技(上海)有限公司 | 一种基于浅深皮层双路径构架的卷积神经网络模型压缩优化方法 |
WO2023144519A1 (en) * | 2022-01-25 | 2023-08-03 | Oxford University Innovation Limited | Determining optical aberration |
CN115630329A (zh) * | 2022-08-23 | 2023-01-20 | 北京信息科技大学 | 一种基于卷积神经网络的食用香精分类方法 |
CN116012657A (zh) * | 2023-02-14 | 2023-04-25 | 南京大学 | 一种基于神经网络的3d点云数据处理方法及加速器 |
Non-Patent Citations (3)
Title |
---|
Mallah,Maen M.A.A.MULTIPLICATION FREE NEURAL NETWORKS.《Bilkent Universities》.2023,第13、31-39页. * |
基于一维卷积神经网络的***粉末拉曼光谱定性分类;赵勇;荣康;谈爱玲;;光谱学与光谱分析(第12期);全文 * |
面向短文本情感分析的多特征融合方法研究;陶永才;张鑫倩;石磊;卫琳;;小型微型计算机***(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117054396A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Banerjee et al. | Nearest neighbour distributions: New statistical measures for cosmological clustering | |
Zhang et al. | Machine learning on FPGAs to face the IoT revolution | |
WO2014205167A1 (en) | Apparatus and methods of spectral searching using wavelet transform coefficients | |
CN107229731A (zh) | 用于分类数据的方法和装置 | |
US20130197861A1 (en) | Method for spectrometric analysis and related device | |
CN117054396B (zh) | 基于双路径无乘法神经网络的拉曼光谱检测方法及装置 | |
CN115839344B (zh) | 一种用于渣浆泵的磨损监管方法、装置、设备及存储介质 | |
Men et al. | PulsarX: a new pulsar searching package-I. A high performance folding program for pulsar surveys | |
CN112016636A (zh) | 一种基于Hadoop框架的作物光谱聚类分析处理方法 | |
CN111798263A (zh) | 一种交易趋势的预测方法和装置 | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
CN114067169A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
Ticco et al. | Keeping computational performance analysis simple: an evaluation of the NEMO BENCH test | |
US20200013061A1 (en) | System and method for measuring user behavior consistency based on complex correspondence system | |
CN115994235B (zh) | 色谱分析方法库构建方法、装置、设备和计算机介质 | |
CN114528907B (zh) | 工业异常数据检测方法及装置 | |
CN114580064B (zh) | 一种用于地质建模的数据分析方法、装置及存储介质 | |
CN113239237B (zh) | 跨媒体大数据搜索方法及装置 | |
CN117934019B (zh) | 一种基于深度学习的铜精矿样品溯源方法及*** | |
CN117250521B (zh) | 充电桩电池容量监测***及方法 | |
CN117917678A (zh) | 辅助工程检查验收的方法及相关设备 | |
CN117273260A (zh) | 基于大数据的多功能智能杆监管方法、装置、设备及介质 | |
CN117648630A (zh) | 输电线路的故障识别方法、装置、设备及介质 | |
CN118260155A (zh) | 基于业务中台的微服务监测方法及相关设备 | |
CN114419404A (zh) | 基于多模态紧致双线性池的图像分类方法及相关设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |