基于高光谱成像技术的微量血迹检测信息快速辨识_图文

1、 1 之外的范围。当然，如果我们要使网络的输出落在 0 和 1 之间，输出层就要使用对数 S 形神经元。图 12 显示了一个双层的 BP 神经网络。 图 12 双层 BP 神经网络结构 该网络的隐含层采用了正切 S 形神经元，输出层采用了线性神经元。这样的 BP 神 经网络可以逼近任何的连续函数，如果隐含层包含足够多的神经元，它还可以逼近任何 具有有限个断点的非连续函数。 6.3 主要特征参数提取 本文对于木头上血迹检测问题，使用 SPSS 软件提取影响血迹和非血迹、人血和其 他血迹的主要特征参数。建立 SPSS 数据文件时，将非血迹编码为 1，血迹编码为 0。 建 立的 SPSS 数据文件见

2、附件文件“木头 血迹与非血迹.sav”。将人血编码为 1，兔血编 码为 2，鸡血编码为 3。建立的 SPSS 数据文件见附件文件“木头 人血与其他血迹.sav” 。 使用 SPSS 作相关性分析，获得血迹和非血迹相关系数矩阵表、人血和其他血迹相关系 数矩阵表如表 3 和表 4 所示： 表3 血迹和非血迹相关系数矩阵表 表4 人血和其他血迹相关系数矩阵表 分析血迹和非血迹相关系数矩阵表发现： 与血迹与非血迹相关系数为 1 的特征参数 有是否超过量程、波峰波长值等。由于只用区分是否是血迹，即建立的 BP 神经网络模 型只有一个输入节点，故本文只选用是否超过量程这一个特征参数作为主要特征参数。 分析

3、人血和其他血迹相关系数矩阵表发现与血迹编码相关性较高的特征参数有波峰能 量值、波谷能量值、波峰个数、波谷个数等。本文选用波峰能量值、波谷能量值、波峰 个数作为主要特征参数。 6.4 BP 神经网络的建立、训练、测试 在 MATLAB 中利用 BP 神经网络工具箱，编制程序，建立基于 BP 神经网络算法的 识别模型详见附件文件“Q2_BPNETtrain_01.m”和“Q2_BPNETtrain_02.m”。 对于木头上血迹检测问题，识别血迹和非血迹、人血和其他血迹的主要特征参数、识别 准确率见表 5 所示： 表 5 主要特征参数及识别准确率 血迹与非血迹 人血与其他血迹 主要特征参数 IS_o

4、ver Max_H、Min_H、NO_crest 准确率 100% 66.7% 问题三模型的建立与求解 7.1 BP 神经网络模型的建立 采用问题二中建立的模型对其他三种介质的血迹高光谱数据进行识别。相关代码详 见附件文件，各代码名称及识别对象说明见表 表6 代码文件说明 代码文件 Q3_BPNETtrain_01.m Q3_BPNETtrain_02.m Q3_BPNETtrain_03.m 7.2 不同介质识别准确率分析 识别对象说明 介质为玻璃的识别代码 介质为布的识别代码 介质为纸的识别代码 使用问题二中建立的识别模型在识别白板和非白板高光谱数据文件时发现：对于所 有介质， 使用 IS

5、_over 特征参数对于识别白板和非白板的成功率均能达到 100%。 介质中 分别为玻璃、布、纸，将其识别准确率表示出来如表 7 所示。 表 7 不同介质识别准确率 介质类别 不同类型识别准确率 玻璃 60% 布 66.7% 纸 53.3% 问题四模型的建立与求解 8.1 BP 神经网络模型的建立 利用问题二中建立的识别模型，将所有数据和并，人血和其他血迹分开，50%数据 用作训练，50%数据用来测试。模型建立过程中使用最大波峰处波长值、最小波谷处波 长值作为主要的特征参数对人血和其他血迹进行识别。 8.2 模型识别准确率 血模型对于人血和其他血迹识别的准确率如表 所示： 表 8 人血和其他血

6、迹识别准确率 类别 识别准确率 人血与其他血迹 60% 六、模型评价与改进 本文先对高光谱数据作相关处理， 采用光谱微分和光谱二值、 四值编码技术提取高 光谱曲线相关特征参数，并建立基于 BP 神经网络的识别模型，分析的模型识别的准确 率。 1第一问中建立高光谱特征参数提取模型， 提取高光谱形貌特征等 12 个特征参数， 对个特征参数作统计分析，得出不同类别、不同介质上血迹光谱的特征的差异性； 2第二问中针对木头上的血迹检测问题，对提取的特征参数作相关性分析，获得影 响识别准确率的主要特征参数；根据提取的特征参数，建立基于 BP 神经网络的识别模 型，使用 50%数据训练，50%数据测试，计算

7、了识别准确率； 3. 第三问中利用问题二中建立的识别模型，识别其他三种介质的血迹高光谱数据， 计算了不同介质时模型识别准确率。分析识别结果发现：对于所有介质，使用 IS_over 特征参数对于识别白板和非白板的成功率均能达到 100%；当不考虑白板与非白板情况 时，使用 BP 神经网络识别不同介质不同类别的成功率会随着运行次数变化发生变化， 分析其原因在于神经网络在初始化时会自动的初始化各节点的权值和阈值，这就造成了 BP 神经网络运行结果的随机性，需要用更科学的算法提高模型识别率与准确率。 七、参考文献 1 王建宇,李春来,姬弘桢,袁立银 ,王跃明 ,吕刚 ,刘恩光. 热红外高光谱成像技术的

8、研究现状与展望 J. 红外与毫米波学报,2015,01:51-59. 2 冯小平. 基于高光谱成像技术的血迹形态特征检测研究D.重庆理工大学,2013. 3 MATLAB Users GuideM. Mathworks Inc, 2012. 4 陈 恬 , 孙 健 国 . 基 于 相 关 性 分 析 和 神 经 网 络 的 直 接 推 力 控 制 J. 南 京 航 空 航 天 大 学 学 报,2005,02:183-187. 5 王 晋 年 , 张 兵 , 刘 建 贵 , 等 . 以 地 物 识 别 和 分 类 为 目 标 的 高 光 谱 数 据 挖 掘 J. 中 国 图 像 图 形 学 报,

9、1999,4(A11:957-964. 6 黄大伟,戴吾蛟,刘斌. 相空间重构单通道 ICA 算法及其在变形监测数据去噪中的应用J. 测绘工 程,2014,06:38-42. 7 苏红军,杜培军. 高光谱数据特征选择与特征提取研究J. 遥感技术与应用,2006,04:288-293. 8 杜培军 , 陈云浩 , 方涛 , 陈雍业 . 高光谱遥感数据光谱特征的提取与应用 J. 中国矿业大学学 报,2003,05:34-38. 9 王吉权. BP 神经网络的理论及其在农业机械化中的应用研究D.沈阳农业大学,2011. 10 李英伟. 基于增量改进 BP 神经网络微波深度干燥模型及应用研究D.昆明理工大学,2011. 11 高鹏毅. BP 神经网络分类器优化技术研究D.华中科技大学,2012. 12 师洪涛,杨静玲,丁茂生,王金梅. 基于小波BP 神经网络的短期风电功率预测方法J. 电力系统 自动化,2011,16:44-48. 13 黄丽.