欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2022105688741
申请人: 南京邮电大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种基于深度神经网络非配对学习的红外光谱盲去卷积方法,其特征在于,包括自监督学习和知识提取两阶段,其中自监督学习阶段包括以下步骤:步骤1:使用卷积盲点网络仅从真实红外光谱中学习去卷积;

步骤2:采用1×1卷积层叠加的网络来估计每条红外光谱的噪声级图;

步骤3:通过最大化约束对数似然,联合训练卷积盲点网络和1×1卷积的红外光谱噪声模型,在给定卷积盲点网络输出和估计的噪声水平图的情况下,基于贝叶斯规则进一步提高去卷积性能;

知识提取阶段包括以下步骤:

步骤4:将学习到的噪声模型应用于红外光谱去卷积,合成一组成对的训练红外光谱,并在第一阶段使用真实的噪声红外光谱和相应的去卷积结果形成另一组成对的训练红外光谱;

步骤5:通过使用这两个配对集训练去卷积网络,提取最终的去卷积模型;

步骤6:运行模型,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;

使用一种结合自监督学习和知识提取的两阶段去卷积方案,将每一组未配对的红外光谱输入网络模型中进行迭代训练,迭代训练获得最优模型,运行模型,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,具体包括以下流程:流程一:将第n组未配对的红外光谱输入网络模型中,n∈[1,n],n和N均为正整数;

流程二: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,运行流程一,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神经网络非配对学习的红外光谱盲去卷积方法,其特征在于,还设定有一个去卷积网络U‑Net包括:编码和解码模块,分别由三层卷积网络和Relu激活函数构成,每层的输入通道设置为

160,256,256,通过全连接的方式组合在一起,用卷积核大小为1×1,步长为1,使用这种网络保留光谱的结构特征,去除噪声影响。

3.根据权利要求2所述的一种基于深度神经网络非配对学习的红外光谱盲去卷积方法,其特征在于,所述步骤6中得到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用以下公式表示:其中N代表测试的光谱数,zj和zi分别代表原始干净光谱和重建光谱,和 则分别代表原始干净光谱和重建光谱的平均强度。

4.根据权利要求3所述的一种基于深度神经网络非配对学习的红外光谱盲去卷积方法,其特征在于,构造了两个不同的感知损失项来测量输出光谱Io和输入退化光谱Ic之间的结构差异,以及Io和输入干净光谱Is之间的特征差异;使用经过预训练的VGG19模型提取的特征图来构建之后的结构损失和特征损失。

5.根据权利要求4所述的一种基于深度神经网络非配对学习的红外光谱盲去卷积方法,其特征在于,所述结构损失Lc:

其中Φi(Io)表示从预训练VGG19中的第i层提取的特征,Nl表示层数;

特征损失Ls:

其中μ(Φi(Io))和δ(Φi(Io))分别表示提取特征的平均值和方差。

6.根据权利要求5所述的一种基于深度神经网络非配对学习的红外光谱盲去卷积方法,其特征在于,将两个相同结构的光谱放入去卷积网络,生成的输出Icc、Iss与输入Ic、Is,计算两个鉴别损失项来测量Ic、Is和Icc、Iss之间的差异:Lid1=||Icc‑Ic||2+||Iss‑Is||2

通过最小化以下函数来优化整个网络:

L=λcLc+λsLs+λid1Lid1+λid2Lid2。

7.根据权利要求6所述的一种基于深度神经网络非配对学习的红外光谱盲去卷积方法,其特征在于,λc、λs、λid1和λid2设置为10、7、50和1,以减轻较大差异的影响。