1.一种药用真菌近红外光谱分析方法,包括以下步骤:
1)数据源
采集、存储药用真菌的近红外光谱图,记录药用真菌内活性成分的含量值,并保存为excel表格形式作为实验数据集;
2)构建ABRN
ABRN主体分为两个部分,即Attention模块和残差网络,在传统残差网络的输入层之前,加入Attention模块进行对原始光谱数据的自动预处理,得到预处理后的数据直接作为残差网络的新输入:
a.Attention模块Attention模块作为特征权重重新分配的自动预处理,由输入层,特征分布比例重分配层,相似度计算层以及矩阵变维层构成;
原始长序列光谱输入向量XSD定义为:(1)式中:XSD表示原始输入向量;
num表示样本的数量;
k表示样本序号;
将原始输入向量先输入至Attention模块的输入层中,然后通过特征分布比例重分配层中的softmax函数重新计算原始输入向量中各个特征所占比重,softmax函数如下所示:(2)式中:i表示向量维度序号;
softmax表示归一化指数函数;
表示XSD经过softmax函数计算得到的输出;
将特征分布比例重分配层的输出与原始输入向量共同输入至相似度计算层,通过如下函数计算二者的相似度:
(3)式中: 表示特征权重方阵;
i,j均表示向量维度序号;
n表示向量总维度;
exp表示以自然常数e为底的指数函数;
将特征权重方阵与XSD进行矩阵乘法操作,计算与XSD的每个维度相对应的特征权重重分配向量,如下所示:
(4)式中: 表示原始光谱输入向量XSD经过重新分配权重后得到的新向量Catn的第j维:
将Attention模块的自动预处理之后的特征增强噪声减弱的新向量,通过矩阵变维层将一维光谱向量转换为二维光谱矩阵,该矩阵作为Attention模块最终的输出;
b.残差网络
Attention模块的输出向量直接作为第二部分残差网络输入层的输入向量,残差网络主要由两种残差块组成,即identity块和convolution块:残差网络共分为五个不同的阶段,每个阶段的输入均为前一阶段的输出,阶段1的输入即为Attention模块的输出:阶段1是标准卷积层;
阶段2是一个convolution块后添加两个identity块;
阶段3是一个convolution块后添加三个identity块;
阶段4是一个convolution块后添加五个identity块;
阶段5与阶段2相同;
最后将阶段5的输出矩阵经过均值池化操作后,展开为一维向量输入至最后的全连接网络,进行最终的非线性预测,最终输出对药用真菌中活性成分的预测值。