基于多分支空洞卷积网络的光谱定量分析

作者：陈国喜; 刘忆森^*; 周松斌; 赵路路

来源：激光与光电子学进展, 2023, 60(09): 440-448.

• 光谱学
• 空洞卷积神经网络
• 定量光谱分析
• 短程和长程相关性

卷积神经网络（CNN）近年来已经广泛应用在各种化学计量学任务中。然而，通过CNN从光谱中学习长程相关性仍然是一个挑战，为了避免过拟合，很多之前的工作中使用的CNN架构都很浅。本文提出了一种并行空洞卷积网络（ACPnet）的方法来学习定量光谱的长程相关性，该方法将具有不同空洞率的并行卷积分支组合在一起，以寻找近程和长程相关性的最佳平衡。并在片剂（拉曼光谱）、土壤（近红外光谱）和葡萄酒（核磁共振光谱）3个数据集上验证了该方法的通用性。结果表明，与偏最小二乘回归（PLS）、最小二乘支持向量机（LS-SVM）、常规CNN和级联模式空洞卷积网络（ACCnet）相比，ACPnet在3个数据集的回归精度都达到了最佳。此外，将ACPnet提取的特征输入到不同的回归器中进行分析，来评估该结构作为有监督特征提取器的性能。特征提取-回归模型的预测结果表明，ACPnet在3个数据集上提取的特征信息都要优于常规CNN。

• 单位
  昆明理工大学; 广东省科学院; 自动化学院