基于高光譜成像技術(shù)的微量血跡檢測(cè)信息快速辨識(shí)_圖文

1、 1 之外的范圍。當(dāng)然，如果我們要使網(wǎng)絡(luò)的輸出落在 0 和 1 之間，輸出層就要使用對(duì)數(shù) S 形神經(jīng)元。圖 12 顯示了一個(gè)雙層的 BP 神經(jīng)網(wǎng)絡(luò)。 圖 12 雙層 BP 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu) 該網(wǎng)絡(luò)的隱含層采用了正切 S 形神經(jīng)元，輸出層采用了線性神經(jīng)元。這樣的 BP 神 經(jīng)網(wǎng)絡(luò)可以逼近任何的連續(xù)函數(shù)，如果隱含層包含足夠多的神經(jīng)元，它還可以逼近任何 具有有限個(gè)斷點(diǎn)的非連續(xù)函數(shù)。 6.3 主要特征參數(shù)提取 本文對(duì)于木頭上血跡檢測(cè)問題，使用 SPSS 軟件提取影響血跡和非血跡、人血和其 他血跡的主要特征參數(shù)。建立 SPSS 數(shù)據(jù)文件時(shí)，將非血跡編碼為 1，血跡編碼為 0。 建 立的 SPSS 數(shù)據(jù)文件見

2、附件文件“木頭 血跡與非血跡.sav”。將人血編碼為 1，兔血編 碼為 2，雞血編碼為 3。建立的 SPSS 數(shù)據(jù)文件見附件文件“木頭 人血與其他血跡.sav” 。 使用 SPSS 作相關(guān)性分析，獲得血跡和非血跡相關(guān)系數(shù)矩陣表、人血和其他血跡相關(guān)系 數(shù)矩陣表如表 3 和表 4 所示： 表3 血跡和非血跡相關(guān)系數(shù)矩陣表 表4 人血和其他血跡相關(guān)系數(shù)矩陣表 分析血跡和非血跡相關(guān)系數(shù)矩陣表發(fā)現(xiàn)： 與血跡與非血跡相關(guān)系數(shù)為 1 的特征參數(shù) 有是否超過量程、波峰波長值等。由于只用區(qū)分是否是血跡，即建立的 BP 神經(jīng)網(wǎng)絡(luò)模 型只有一個(gè)輸入節(jié)點(diǎn)，故本文只選用是否超過量程這一個(gè)特征參數(shù)作為主要特征參數(shù)。 分析

3、人血和其他血跡相關(guān)系數(shù)矩陣表發(fā)現(xiàn)與血跡編碼相關(guān)性較高的特征參數(shù)有波峰能 量值、波谷能量值、波峰個(gè)數(shù)、波谷個(gè)數(shù)等。本文選用波峰能量值、波谷能量值、波峰 個(gè)數(shù)作為主要特征參數(shù)。 6.4 BP 神經(jīng)網(wǎng)絡(luò)的建立、訓(xùn)練、測(cè)試 在 MATLAB 中利用 BP 神經(jīng)網(wǎng)絡(luò)工具箱，編制程序，建立基于 BP 神經(jīng)網(wǎng)絡(luò)算法的 識(shí)別模型詳見附件文件“Q2_BPNETtrain_01.m”和“Q2_BPNETtrain_02.m”。 對(duì)于木頭上血跡檢測(cè)問題，識(shí)別血跡和非血跡、人血和其他血跡的主要特征參數(shù)、識(shí)別 準(zhǔn)確率見表 5 所示： 表 5 主要特征參數(shù)及識(shí)別準(zhǔn)確率 血跡與非血跡 人血與其他血跡 主要特征參數(shù) IS_o

4、ver Max_H、Min_H、NO_crest 準(zhǔn)確率 100% 66.7% 問題三模型的建立與求解 7.1 BP 神經(jīng)網(wǎng)絡(luò)模型的建立 采用問題二中建立的模型對(duì)其他三種介質(zhì)的血跡高光譜數(shù)據(jù)進(jìn)行識(shí)別。相關(guān)代碼詳 見附件文件，各代碼名稱及識(shí)別對(duì)象說明見表 表6 代碼文件說明 代碼文件 Q3_BPNETtrain_01.m Q3_BPNETtrain_02.m Q3_BPNETtrain_03.m 7.2 不同介質(zhì)識(shí)別準(zhǔn)確率分析 識(shí)別對(duì)象說明 介質(zhì)為玻璃的識(shí)別代碼 介質(zhì)為布的識(shí)別代碼 介質(zhì)為紙的識(shí)別代碼 使用問題二中建立的識(shí)別模型在識(shí)別白板和非白板高光譜數(shù)據(jù)文件時(shí)發(fā)現(xiàn)：對(duì)于所 有介質(zhì)， 使用 IS

5、_over 特征參數(shù)對(duì)于識(shí)別白板和非白板的成功率均能達(dá)到 100%。 介質(zhì)中 分別為玻璃、布、紙，將其識(shí)別準(zhǔn)確率表示出來如表 7 所示。 表 7 不同介質(zhì)識(shí)別準(zhǔn)確率 介質(zhì)類別 不同類型識(shí)別準(zhǔn)確率 玻璃 60% 布 66.7% 紙 53.3% 問題四模型的建立與求解 8.1 BP 神經(jīng)網(wǎng)絡(luò)模型的建立 利用問題二中建立的識(shí)別模型，將所有數(shù)據(jù)和并，人血和其他血跡分開，50%數(shù)據(jù) 用作訓(xùn)練，50%數(shù)據(jù)用來測(cè)試。模型建立過程中使用最大波峰處波長值、最小波谷處波 長值作為主要的特征參數(shù)對(duì)人血和其他血跡進(jìn)行識(shí)別。 8.2 模型識(shí)別準(zhǔn)確率 血模型對(duì)于人血和其他血跡識(shí)別的準(zhǔn)確率如表 所示： 表 8 人血和其他血

6、跡識(shí)別準(zhǔn)確率 類別 識(shí)別準(zhǔn)確率 人血與其他血跡 60% 六、模型評(píng)價(jià)與改進(jìn) 本文先對(duì)高光譜數(shù)據(jù)作相關(guān)處理， 采用光譜微分和光譜二值、 四值編碼技術(shù)提取高 光譜曲線相關(guān)特征參數(shù)，并建立基于 BP 神經(jīng)網(wǎng)絡(luò)的識(shí)別模型，分析的模型識(shí)別的準(zhǔn)確 率。 1第一問中建立高光譜特征參數(shù)提取模型， 提取高光譜形貌特征等 12 個(gè)特征參數(shù)， 對(duì)個(gè)特征參數(shù)作統(tǒng)計(jì)分析，得出不同類別、不同介質(zhì)上血跡光譜的特征的差異性； 2第二問中針對(duì)木頭上的血跡檢測(cè)問題，對(duì)提取的特征參數(shù)作相關(guān)性分析，獲得影 響識(shí)別準(zhǔn)確率的主要特征參數(shù)；根據(jù)提取的特征參數(shù)，建立基于 BP 神經(jīng)網(wǎng)絡(luò)的識(shí)別模 型，使用 50%數(shù)據(jù)訓(xùn)練，50%數(shù)據(jù)測(cè)試，計(jì)算

7、了識(shí)別準(zhǔn)確率； 3. 第三問中利用問題二中建立的識(shí)別模型，識(shí)別其他三種介質(zhì)的血跡高光譜數(shù)據(jù)， 計(jì)算了不同介質(zhì)時(shí)模型識(shí)別準(zhǔn)確率。分析識(shí)別結(jié)果發(fā)現(xiàn)：對(duì)于所有介質(zhì)，使用 IS_over 特征參數(shù)對(duì)于識(shí)別白板和非白板的成功率均能達(dá)到 100%；當(dāng)不考慮白板與非白板情況 時(shí)，使用 BP 神經(jīng)網(wǎng)絡(luò)識(shí)別不同介質(zhì)不同類別的成功率會(huì)隨著運(yùn)行次數(shù)變化發(fā)生變化， 分析其原因在于神經(jīng)網(wǎng)絡(luò)在初始化時(shí)會(huì)自動(dòng)的初始化各節(jié)點(diǎn)的權(quán)值和閾值，這就造成了 BP 神經(jīng)網(wǎng)絡(luò)運(yùn)行結(jié)果的隨機(jī)性，需要用更科學(xué)的算法提高模型識(shí)別率與準(zhǔn)確率。 七、參考文獻(xiàn) 1 王建宇,李春來,姬弘楨,袁立銀 ,王躍明 ,呂剛 ,劉恩光. 熱紅外高光譜成像技術(shù)的

8、研究現(xiàn)狀與展望 J. 紅外與毫米波學(xué)報(bào),2015,01:51-59. 2 馮小平. 基于高光譜成像技術(shù)的血跡形態(tài)特征檢測(cè)研究D.重慶理工大學(xué),2013. 3 MATLAB Users GuideM. Mathworks Inc, 2012. 4 陳 恬 , 孫 健 國 . 基 于 相 關(guān) 性 分 析 和 神 經(jīng) 網(wǎng) 絡(luò) 的 直 接 推 力 控 制 J. 南 京 航 空 航 天 大 學(xué) 學(xué) 報(bào),2005,02:183-187. 5 王 晉 年 , 張 兵 , 劉 建 貴 , 等 . 以 地 物 識(shí) 別 和 分 類 為 目 標(biāo) 的 高 光 譜 數(shù) 據(jù) 挖 掘 J. 中 國 圖 像 圖 形 學(xué) 報(bào),

9、1999,4(A11:957-964. 6 黃大偉,戴吾蛟,劉斌. 相空間重構(gòu)單通道 ICA 算法及其在變形監(jiān)測(cè)數(shù)據(jù)去噪中的應(yīng)用J. 測(cè)繪工 程,2014,06:38-42. 7 蘇紅軍,杜培軍. 高光譜數(shù)據(jù)特征選擇與特征提取研究J. 遙感技術(shù)與應(yīng)用,2006,04:288-293. 8 杜培軍 , 陳云浩 , 方濤 , 陳雍業(yè) . 高光譜遙感數(shù)據(jù)光譜特征的提取與應(yīng)用 J. 中國礦業(yè)大學(xué)學(xué) 報(bào),2003,05:34-38. 9 王吉權(quán). BP 神經(jīng)網(wǎng)絡(luò)的理論及其在農(nóng)業(yè)機(jī)械化中的應(yīng)用研究D.沈陽農(nóng)業(yè)大學(xué),2011. 10 李英偉. 基于增量改進(jìn) BP 神經(jīng)網(wǎng)絡(luò)微波深度干燥模型及應(yīng)用研究D.昆明理工大學(xué),2011. 11 高鵬毅. BP 神經(jīng)網(wǎng)絡(luò)分類器優(yōu)化技術(shù)研究D.華中科技大學(xué),2012. 12 師洪濤,楊靜玲,丁茂生,王金梅. 基于小波BP 神經(jīng)網(wǎng)絡(luò)的短期風(fēng)電功率預(yù)測(cè)方法J. 電力系統(tǒng) 自動(dòng)化,2011,16:44-48. 13 黃麗.