一个神经网络计算光谱仪由一个小数据集训练,具有高相关性光学波器
Haojie Liao1, Lin Yang1,2, Yuanhao Zheng1
1Institute of Frontier and Interdisciplinary Science, Shandong University, Qingdao 266237, China.
Sensors (Basel, Switzerland)
|March 13, 2024
概括
这项研究引入了一个神经网络计算光谱仪,使用小数据集和高相关性光学波器实现高精度. 这种方法克服了传统光谱仪设计和实时测量的挑战.
科学领域:
- 频谱学是一种光谱学.
- 光学工程是指光学工程.
- 机器学习 机器学习
背景情况:
- 计算光谱仪提供便携式现场分析,但在过器设计和重建准确性方面面临挑战.
- 目前的方法需要非相关过器和高效的算法实时应用程序.
研究的目的:
- 开发一个神经网络计算光谱仪 (NNCS),使用小数据集和高相关性光学波器进行准确的性能.
- 挑战 NNCS 传统依赖大型数据集和非相关过器的传统依赖.
主要方法:
- 对于大数据集来说,确定了一个新的分布规律,以提取一个小的,代表性的训练集.
- 一个完全连接的神经网络被设计用于光谱重建.
- 薄膜过器被用作编码层.
主要成果:
- 在使用小数据集和高相关性过器的模拟和实验中,NNCS表现出高性能.
- 经过训练的神经网络成功重建了光谱,验证了方法.
结论:
- 这项工作为使用高相关性过器和有限的训练数据的计算光谱仪提供了一种可行的方法.
- 这些发现为设计高效准确的便携式光谱仪提供了一个新的范式.
