1.一种基于深度学习神经网络的红外光谱盲自去卷积方法,其特征在于,包括:将退化的红外光谱输入构建的生成网络模型中,恢复潜在的干净红外光谱;
构建生成网络模型,包括:
建立生成网络模型;
确立红外光谱退化公式,加入全变分正则化函数对生成网络模型进行优化;
使用联合优化算法对包括原始红外光谱x和模糊核k的参数进行更新;
将退化的红外光谱输入生成网络模型中进行迭代训练;
迭代训练直到满足条件才能停止,获得潜在的干净红外光谱,以及潜在的干净红外光谱与原始红外光谱的误差率均方根误差RMSE、相关系数CC和自加权相关系数WCC;
红外光谱退化公式为:
公式中,y为模糊的红外光谱,k代表模糊核,x代表原始红外光谱,n代表加性噪声, 代表卷积操作;
加入全变分正则化函数对生成网络模型进行优化,包括:通过一个额外的全变分正则和一个正则化参数来明确生成网络模型中的噪声水平,为了防止全连通网络在估计模糊核中出现过拟合的情况,引入一个额外针对模糊核的全变分正则,公式(1)变换为(3):其中,中λ和τ表示由噪声水平σ控制的正则化参数,TV()表示全变分正则函数;
使用联合优化算法对包括原始红外光谱x和模糊核k的参数进行更新,将每一根退化的红外光谱输入生成网络模型中进行t次迭代训练;迭代训练直到满足条件才能停止,获得潜在的干净红外光谱,以及潜在的干净红外光谱与原始红外光谱的误差率均方根误差RMSE、相关系数CC和自加权相关系数WCC,包括:
4.1,将第n个退化的红外光谱输入生成网络模型中,n∈[1,N],n和N均为正整数;
4.2,初始化均匀分布的红外光谱样本数据zx和模糊核样本数据zk,使其恢复默认值;
多次迭代,直到满足迭代次数达到所设置的数值T为止;
多次迭代为:
t从1至T依次累加,迭代次数从1至T进行循环求解梯度,每次迭代均对目标函数(3)进行梯度下降操作,第t次迭代时计算t‑1次迭代的梯度 和 通过交替方向乘子法算法更新 和 根据公式 和 计算出参数k和x,计算出所有迭代的潜在的干净红外光谱与原始红外光谱的误差率均方根误差RMSE、相关系数CC和自加权相关系数WCC;
判断输入生成网络模型中的退化的红外光谱是否为最后一个退化的红外光谱,如果不是则n的值加1,运行步骤4.1,如果是则结束运行。
2.根据权利要求1所述的一种基于深度学习神经网络的红外光谱盲自去卷积方法,其特征在于,建立生成网络模型,包括:生成网络模型公式为:
公式中,Gx为潜在的干净红外光谱的生成网络,Gk为模糊核生成网络,zx为退化的红外光谱的样本数据,zk模糊核的样本数据,y为模糊的红外光谱, 和 表示第i个生成的潜在干净红外光谱和第j个获得的模糊核。
3.根据权利要求1所述的一种基于深度学习神经网络的红外光谱盲自去卷积方法,其特征在于,λ设置为0.1×σ。