کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
7224633 1470570 2018 10 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Low-rank based infrared spectral feature extraction framework for quantitative analysis
ترجمه فارسی عنوان
چارچوب استخراج ویژگی طیفی مادون قرمز پایین برای تجزیه و تحلیل کمی
کلمات کلیدی
کم رتبه هنجار هسته ای، استخراج ویژگی، تجزیه و تحلیل کمی،
ترجمه چکیده
استخراج ویژگی یک مشکل کلیدی در تجزیه و تحلیل طیفی است. طیفی که با استفاده از طیف سنج جمع آوری شده اند دارای جزء پایین رتبه پایین هستند. اگر طیف را می توان به عنوان یک ابرنواختر از مولفه های کم رتبه و یک اصطلاح تقریبی نشان داد، ویژگی طیف به دست می آید. در این مقاله، روش استخراج ویژگی طیفی مادون قرمز جدید مبتنی بر رتبه پایین ارائه شده است. با استفاده از یک پنجره اسلاید برای تبدیل یک طیف تک به یک ماتریس، که می تواند به عنوان ابراز یک جزء و ویژگی پایین رتبه تجزیه شود. در یادگیری ماشین، هنجارهای هسته ای برای تقلیل به کمینه کردن رتبه پایین استفاده می شود. بنابراین، مدل می تواند به عنوان ترکیبی از هسته هسته ای و یک اصطلاح تقریبی نوشته شود. ما یک الگوریتم کارا با تقسیم ارزش منحصر به فرد برای مدل ارائه کرده ایم. در حل مدل، مولفه پنهان پایین رتبه در طیف را بدست می آوریم. این ویژگی از طریق مشتق تقریبی اصلی و کمینه به دست می آید. سپس مدل تحلیلی کمی با این ویژگی به طور مستقیم ساخته شده است. مزیت روش پیشنهادی این است که روش استخراج یک طیف توسط طیف دیگر تحت تاثیر قرار نمی گیرد. آزمایش های گسترده با چهار مجموعه داده های عمومی انجام شده و نتایج تجربی نشان می دهد که روش استخراج ویژگی های پیشنهاد شده ما می تواند به بهبود روش های دقیق تر از روش های پیشرفته تبدیل شود.
موضوعات مرتبط
مهندسی و علوم پایه سایر رشته های مهندسی مهندسی (عمومی)
پیش نمایش مقاله
چارچوب استخراج ویژگی طیفی مادون قرمز پایین برای تجزیه و تحلیل کمی
چکیده انگلیسی
Feature extraction is a key problem in spectral analysis. Spectrum collected with spectrometer have latent low-rank component. If spectrum can be represented as a superposition of low-rank component and an approximation term, the spectrum feature is obtained. In this paper, a novel low-rank based infrared spectral feature extraction method is proposed. Employing a slide window to convert a single spectrum into a matrix, which can be decomposed as the superposition of a low-rank component and feature. In machine learning, nuclear norm is employed to approximate to low-rank minimization. Thus, the model can be written as a combination of the nuclear norm and an approximation term. We have proposed an efficient algorithm with singular value decomposition to the model. Solving the model, we obtain the latent low-rank component in spectrum. The feature is obtained via derivative of original and low-rank approximation. Then the quantitative analysis model is directly built with the feature. The advantage of proposed method is that extraction procedure of one spectrum is not affected by other spectrum. Extensive experiments are conducted with four public data sets and experimental results demonstrate that our proposed feature extraction method can lead to accuracy improvements over state-of-the-art methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Optik - Volume 157, March 2018, Pages 343-352
نویسندگان
, , , , ,