深度卷积网络的多品种多厂商药品近红外光谱分类

论文摘要

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。

论文目录

文章来源

类型: 期刊论文

作者: 李灵巧,潘细朋,冯艳春,尹利辉,胡昌勤,杨辉华

关键词: 深度卷积神经网络,近红外光谱,药品鉴别,多分类

来源: 光谱学与光谱分析 2019年11期

年度: 2019

分类: 基础科学,医药卫生科技,信息科技

专业: 物理学,药学,自动化技术

单位: 北京邮电大学自动化学院,桂林电子科技大学计算机与信息安全学院,中国食品药品检定研究院

基金: 国家自然科学基金项目(21365008,61562013)资助

分类号: O433.4;TP183;R927

页码: 3606-3613

总页数: 8

文件大小: 4075K

下载量: 214

相关论文文献

• [1].基于卷积核优化的运动图像盲去模糊算法[J]. 信息与控制 2014(01)
• [2].空间自适应卷积核滤波红外弱小目标检测[J]. 红外技术 2015(01)
• [3].基于边缘检测的卷积核数量确定方法[J]. 计算机应用研究 2018(11)
• [4].基于卷积核补偿ECG检测分类算法[J]. 自动化与仪器仪表 2009(04)
• [5].迭代重建算法联合不同卷积核应用于冠脉双低扫描支架显示的比较研究[J]. 中国临床医学影像杂志 2019(02)
• [6].基于改进卷积神经网络与听觉谱图的乐器识别[J]. 计算机工程 2019(01)
• [7].第3代双源CT卷积核的选择对肺磨玻璃结节图像质量的影响[J]. 中南大学学报(医学版) 2019(09)
• [8].卷积神经网络(CNN)训练中卷积核初始化方法研究[J]. 信号处理 2019(04)
• [9].基于卷积核网格化二维近程微波全息[J]. 微波学报 2014(05)
• [10].二维矩阵卷积的并行计算方法[J]. 浙江大学学报(工学版) 2018(03)
• [11].一种深度卷积自编码网络及其在滚动轴承故障诊断中的应用[J]. 西安交通大学学报 2018(07)
• [12].二维矩阵卷积在向量处理器中的设计与实现[J]. 国防科技大学学报 2018(03)
• [13].基于深度学习的医学目标检测与识别[J]. 信息技术 2018(10)
• [14].卷积网络深度学习算法与实例[J]. 广东工业大学学报 2017(06)
• [15].基于卷积核分解的深度CNN模型结构优化及其在小图像识别中的应用[J]. 井冈山大学学报(自然科学版) 2018(02)
• [16].GA-1DLCNN方法及其在轴承故障诊断中的应用（英文）[J]. Journal of Southeast University(English Edition) 2019(01)
• [17].地震油气储层的小样本卷积神经网络学习与预测[J]. 地球物理学报 2018(10)
• [18].基于PCA初始化卷积核的CNN手写数字识别算法[J]. 计算机工程与应用 2019(13)
• [19].基于自适应卷积核的改进CNN数值型数据分类算法[J]. 浙江理工大学学报(自然科学版) 2019(05)
• [20].改进卷积神经网络模型设计方法[J]. 计算机工程与设计 2019(07)
• [21].基于卷积核滤波器筛选的CNN模型精简方法[J]. 天津理工大学学报 2018(02)
• [22].基于稀疏局部嵌入深度卷积网络的冷水机组故障诊断方法[J]. 化工学报 2018(12)
• [23].基于全卷积网络的车道区域分割算法[J]. 汽车安全与节能学报 2019(03)
• [24].基于NiosⅡ内核的自定义图像卷积指令[J]. 电子技术与软件工程 2019(12)
• [25].融合权重与卷积核删减的SSD网络压缩[J]. 计算机科学 2019(11)
• [26].基于统计分析的卷积神经网络模型压缩方法[J]. 计算机系统应用 2018(08)
• [27].利用可分离卷积和多级特征的实例分割[J]. 软件学报 2019(04)
• [28].基于卷积神经网络的数字分类器的研究与优化[J]. 现代电子技术 2019(16)
• [29].磁共振电特性成像人体腹腔癌症仿真研究[J]. 浙江大学学报(工学版) 2016(10)
• [30].基于灰色关联分析的卷积神经网络模型裁剪方法[J]. 激光与光电子学进展 2020(04)

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;