本文主要研究内容
作者李灵巧,潘细朋,冯艳春,尹利辉,胡昌勤,杨辉华（2019）在《深度卷积网络的多品种多厂商药品近红外光谱分类》一文中研究指出：近红外光谱(NIR)分析具有分析高效、样品无损、环境无污染以及可现场检测等优点,特别适合药品的快速建模分析。但NIR存在吸收强度弱以及谱带重叠等缺点,需要建立稳健可靠的化学计量学模型对其进行分析。深度卷积神经网络是深度学习方法中一个重要分支,它通过逐层抽取数据特征并进行组合、转换,形成更高层的语义特征,具有极强的建模能力,广泛应用于计算机视觉、语音识别等领域,而在药品NIR分析方面尚未见报道。基于深度卷积网络模型,对药品NIR多分类建模进行研究。针对药品NIR数据的特点,设计若干个面向多品种、多厂商药品NIR分类的一维深度卷积网络模型。模型中卷积层和池化层交叠排列用于逐层抽取NIR数据特征,输出层连接softmax分类器,对药品NIR数据进行分类概率预测。在输出层之前采用全局最大池化层,将特征图进行整体池化,形成一个特征点,用于解决全连接层存在的限制输入维度大小,参数过多的问题。同时,在网络模型中引入批处理操作和dropout机制,以防止梯度消失和减小网络过拟合的风险。在网络模型的设计过程中,通过设计不同的卷积网络层数以及不同的卷积核尺寸大小,分析其对建模效果的影响,同时分析五种经典数据预处理方法对NIR分析的影响。以我国7个厂商生产的头孢克肟片和11个厂商生产的苯妥英钠片样本NIR为实验对象,建立药品的多品种、多厂商分类模型,该模型在二分类、多分类实验中取得了良好的分类效果。在十八分类实验中,当训练集与测试集比例为7∶3时,分类准确率为99.37±0.45,比SVM, BP, AE和ELM算法取得更优的分类性能。同时,深度卷积神经网络模型推理速度较快,优于SVM和ELM算法,但训练速度慢于二者。大量实验结果表明,深度卷积神经网络可对多品种、多厂商药品NIR数据准确、可靠地判别分类,且模型具有良好的鲁棒性和可扩展性。该方法也可推广到烟草、石化等其他领域的NIR数据分类应用中。
Abstract
jin gong wai guang pu (NIR)fen xi ju you fen xi gao xiao 、yang pin mo sun 、huan jing mo wu ran yi ji ke xian chang jian ce deng you dian ,te bie kuo ge yao pin de kuai su jian mo fen xi 。dan NIRcun zai xi shou jiang du ruo yi ji pu dai chong die deng que dian ,xu yao jian li wen jian ke kao de hua xue ji liang xue mo xing dui ji jin hang fen xi 。shen du juan ji shen jing wang lao shi shen du xue xi fang fa zhong yi ge chong yao fen zhi ,ta tong guo zhu ceng chou qu shu ju te zheng bing jin hang zu ge 、zhuai huan ,xing cheng geng gao ceng de yu yi te zheng ,ju you ji jiang de jian mo neng li ,an fan ying yong yu ji suan ji shi jiao 、yu yin shi bie deng ling yu ,er zai yao pin NIRfen xi fang mian shang wei jian bao dao 。ji yu shen du juan ji wang lao mo xing ,dui yao pin NIRduo fen lei jian mo jin hang yan jiu 。zhen dui yao pin NIRshu ju de te dian ,she ji re gan ge mian xiang duo pin chong 、duo an shang yao pin NIRfen lei de yi wei shen du juan ji wang lao mo xing 。mo xing zhong juan ji ceng he chi hua ceng jiao die pai lie yong yu zhu ceng chou qu NIRshu ju te zheng ,shu chu ceng lian jie softmaxfen lei qi ,dui yao pin NIRshu ju jin hang fen lei gai lv yu ce 。zai shu chu ceng zhi qian cai yong quan ju zui da chi hua ceng ,jiang te zheng tu jin hang zheng ti chi hua ,xing cheng yi ge te zheng dian ,yong yu jie jue quan lian jie ceng cun zai de xian zhi shu ru wei du da xiao ,can shu guo duo de wen ti 。tong shi ,zai wang lao mo xing zhong yin ru pi chu li cao zuo he dropoutji zhi ,yi fang zhi ti du xiao shi he jian xiao wang lao guo ni ge de feng xian 。zai wang lao mo xing de she ji guo cheng zhong ,tong guo she ji bu tong de juan ji wang lao ceng shu yi ji bu tong de juan ji he che cun da xiao ,fen xi ji dui jian mo xiao guo de ying xiang ,tong shi fen xi wu chong jing dian shu ju yu chu li fang fa dui NIRfen xi de ying xiang 。yi wo guo 7ge an shang sheng chan de tou bao ke wo pian he 11ge an shang sheng chan de ben tuo ying na pian yang ben NIRwei shi yan dui xiang ,jian li yao pin de duo pin chong 、duo an shang fen lei mo xing ,gai mo xing zai er fen lei 、duo fen lei shi yan zhong qu de le liang hao de fen lei xiao guo 。zai shi ba fen lei shi yan zhong ,dang xun lian ji yu ce shi ji bi li wei 7∶3shi ,fen lei zhun que lv wei 99.37±0.45,bi SVM, BP, AEhe ELMsuan fa qu de geng you de fen lei xing neng 。tong shi ,shen du juan ji shen jing wang lao mo xing tui li su du jiao kuai ,you yu SVMhe ELMsuan fa ,dan xun lian su du man yu er zhe 。da liang shi yan jie guo biao ming ,shen du juan ji shen jing wang lao ke dui duo pin chong 、duo an shang yao pin NIRshu ju zhun que 、ke kao de pan bie fen lei ,ju mo xing ju you liang hao de lu bang xing he ke kuo zhan xing 。gai fang fa ye ke tui an dao yan cao 、dan hua deng ji ta ling yu de NIRshu ju fen lei ying yong zhong 。
论文参考文献
论文详细介绍
论文作者分别是来自光谱学与光谱分析的李灵巧,潘细朋,冯艳春,尹利辉,胡昌勤,杨辉华，发表于刊物光谱学与光谱分析2019年11期论文，是一篇关于深度卷积神经网络论文,近红外光谱论文,药品鉴别论文,多分类论文,光谱学与光谱分析2019年11期论文的文章。本文可供学术参考使用，各位学者可以免费参考阅读下载，文章观点不代表本站观点，资料来自光谱学与光谱分析2019年11期论文网站，若本站收录的文献无意侵犯了您的著作版权，请联系我们删除。
标签：深度卷积神经网络论文; 近红外光谱论文; 药品鉴别论文; 多分类论文; 光谱学与光谱分析2019年11期论文;