基于Voigt函数与生成对抗网络的光谱降噪方法及系统

本发明用于光谱检测及其信号处理领域，具体涉及一种基于voigt函数与生成对抗网络的光谱降噪方法及系统。

背景技术：

1、光谱(spectroscopy)技术是一种被广泛运用的检测技术，其可主要分为发射光谱、吸收光谱、拉曼散射光谱三种。其中拉曼光谱法因为其无损、可反映物质信息丰富、无需样品制备等优势被广泛应用。然而光谱数据的噪声水平直接影响物质成分的检测限，除了增大激光功率、使用更先进的光谱仪与传感器等，并无更好的提升检测灵敏度的方法。

2、由于光谱信号具有其信号特征，如，红外与拉曼光谱的峰信号服从voigt分布，其分布特性与噪声信号存在明显差异，利用数学方法识别此种差异，仅削弱噪声幅值，即可实现光谱降噪。目前业界针对红外、拉曼等光谱的降噪方法中包含传统的傅立叶滤波、多项式平滑等，其可以取得一定效果，但精度和速度并不理想。小波变换等算法近年来也被运用到光谱降噪中，它具有良好的时频局部化特性，可以较好地消除高频与低频噪声，但是其性能与实际需求仍然有一些差距。机器学习方法基于数据驱动，通过数据特征提取数据中的有效信息，近年来，基于机器学习方法的图像降噪、超分辨率方法等被广泛提出并应用，其有效性得到了各行业业内学者的广泛认可。

技术实现思路

1、为解决现有技术中存在的不足，本发明提供一种用于光谱数据的降噪方法，随机生成具有voigt峰特征的“虚拟”峰信号，叠加不同数量、峰形的voigt以及基线信号得到数据量巨大的“虚拟”纯净光谱数据集，可解决机器学习依赖大量数据集的难点。基于纯净光谱数据集，添加随机噪声训练生成对抗网络，经训练的生成对抗网络具有识别噪声信号、光谱信号的能力。据此实现对光谱数据的高性能降噪。

2、本发明采用如下的技术方案。

3、本发明提供了一种基于voigt函数与生成对抗网络的光谱降噪方法，包括：

4、步骤1，生成基于voigt峰形特征的光谱信号数据集；

5、步骤2，将光谱信号数据集中的低信噪比光谱输入生成对抗网络的生成器，得到降噪光谱；

6、步骤3，设定纯光谱标签为“1”，降噪光谱标签为“0”，将光谱信号数据集中的纯光谱与降噪光谱输入生成对抗网络的鉴别器，当鉴别器识别结果为纯光谱时，输出标签“1”；识别结果为降噪光谱时，输出标签“0”，计算输出标签与实际标签的误差，对鉴别器进行更新；

7、步骤4，计算降噪光谱和与其对应的纯光谱的平均平方误差，将步骤3中输出的降噪光谱标签与实际标签进行对比并计算，得到分类误差，对生成器进行更新；

8、步骤5，重复步骤2至步骤4，至生成器输出的降噪光谱与纯光谱的误差降至预定阈值或训练次数达到预设值，判定为完成了生成对抗网络的训练。

9、优选地，所述步骤1包括：

10、步骤1.1，生成一个随机整数n，此整数决定虚拟光谱的voigt峰数量；

11、步骤1.2，生成四个随机数值，输入

12、其中h为峰高，ω为峰中心位置，a为半高宽，θ为高斯峰与洛伦兹峰比例，获得一条具有voigt峰的曲线；

13、步骤1.3，执行步骤1.2至voigt峰数量达到n；

14、步骤1.4，将重复n次步骤2后得到的n条曲线进行叠加，得到一条没有基线的纯光谱特征曲线；

15、步骤1.5，随机生成十个二维点，使用多项式拟合该二维点组，得到一个随机参数的多项式函数，并按步骤1.4得到的数据长度采样得到等长的基线曲线；

16、步骤1.6，将步骤1.5与步骤1.4得到的基线与纯光谱特征曲线按随机比例相加，然后归一化到[0,1]，得到纯光谱数据；

17、步骤1.7，将步骤1.6得到的光谱叠加上与其等长的、服从高斯分布的噪声数据，该噪声幅值随机，得到低信噪比光谱数据。

18、优选地，所述步骤3中计算误差方式包括均方误差和均绝对误差。

19、本发明还提供了一种基于voigt峰与生成对抗网络的光谱降噪系统，所述系统为前述基于voigt峰与生成对抗网络的光谱降噪方法所使用的系统，包括：

20、生成器，包括编码模块、残差模块和解码模块，用于对输入的低信噪比光谱进行降噪；

21、鉴别器，用于对输入的光谱类型进行鉴别，并输出鉴别结果标签。

22、优选地，所述编码模块包括第一卷积层和第一激活层，用于接收含噪声的光谱信号并进行编码处理，将高维的光谱信号映射为低维的潜在空间表示，保留原始光谱信号的主要特征而减弱噪声，编码模块与残差模块相连接。

23、优选地，所述第一卷积层，用于对含噪声的光谱信号进行特征提取，将接收到的光谱信号通过一系列卷积运算，捕捉并提取出光谱信号中的特征，第一卷积层位于编码模块的前端，作为第一步对光谱信号进行处理；

24、所述第一激活层，用于对第一卷积层输出的特征图进行非线性变换，第一激活层位于第一卷积层之后，引入非线性函数relu，sigmoid。

25、优选地，所述残差模块包括第二卷积层和第二激活层，用于对编码模块得到的潜在空间表示进行进一步的噪声削减处理；

26、所述第二卷积层，用于对来自编码模块的潜在空间表示进行卷积运算，提取和增强潜在空间表示中的特征，减小潜在空间表示中的噪声，第二卷积层位于残差模块的前端，接收并处理编码模块输出的潜在空间表示；

27、所述第二激活层，用于对第二卷积层输出的特征图进行非线性变换，第二激活层通常位于第二卷积层之后。

28、优选地，所述解码模块包括反卷积层和第三激活层，用于将残差模块输出的潜在空间表示解码为光谱信号，得到降噪后的光谱信号；

29、所述反卷积层，用于对来自残差模块的潜在空间表示进行反卷积运算，反卷积层位于解码模块的前端，用于扩大特征图的空间尺寸，得到与原始光谱信号相似的结构；

30、所述第三激活层，用于对反卷积层输出的特征图进行非线性变换，第三激活层位于反卷积层之后，引入非线性函数relu或sigmoid。

31、本发明还提供了一种终端，包括处理器及存储介质；其特征在于：

32、所述存储介质用于存储指令；

33、所述处理器用于根据所述指令进行操作以执行根据前述方法的步骤。

34、本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于：

35、该程序被处理器执行时实现前述方法的步骤。

36、本发明的有益效果在于，与现有技术相比，本发明所提出的基于voigt峰形特征与生成对抗网络的光谱降噪方法，能有效实现光谱信号的高性能降噪，从而提高现有仪器检测性能，有助于实现光谱设备应用于原本由于信号质量而未能应用的领域，如小型光谱设备的快速检测领域。

技术特征：

1.一种基于voigt函数与生成对抗网络的光谱降噪方法，包括：

2.根据权利要求1所述的一种基于voigt峰与生成对抗网络的光谱降噪方法，其特征在于：

3.根据权利要求2所述的一种基于voigt峰与生成对抗网络的光谱降噪方法，其特征在于：

4.一种基于voigt峰与生成对抗网络的光谱降噪系统，所述系统为前述权利要求1-3中所述的基于voigt峰与生成对抗网络的光谱降噪方法所使用的系统，包括：

5.根据权利要求4所述的一种基于voigt峰与生成对抗网络的光谱降噪系统，其特征在于：

6.根据权利要求5所述的一种基于voigt峰与生成对抗网络的光谱降噪系统，其特征在于：

7.根据权利要求6所述的一种基于voigt峰与生成对抗网络的光谱降噪系统，其特征在于：

8.根据权利要求7所述的一种基于voigt峰与生成对抗网络的光谱降噪系统，其特征在于：

9.一种终端，包括处理器及存储介质；其特征在于：

10.计算机可读存储介质，其上存储有计算机程序，其特征在于：

技术总结
本发明提供了一种基于Voigt函数与生成对抗网络的光谱降噪方法及系统，随机生成具有Voigt峰特征的“虚拟”峰信号，叠加不同数量、峰形的Voigt以及基线信号得到数据量巨大的“虚拟”纯净光谱数据集，可解决机器学习依赖大量数据集的难点。基于纯净光谱数据集，添加随机噪声训练生成对抗网络，经训练的生成对抗网络具有识别噪声信号、光谱信号的能力。据此实现对光谱数据的高性能降噪。能有效实现光谱信号的高性能降噪，从而提高现有仪器检测性能，有助于实现光谱设备应用于原本由于信号质量而未能应用的领域，如小型光谱设备的快速检测领域。

技术研发人员：宋睿敏,陈伟根,王建新,王子懿,田皓元
受保护的技术使用者：重庆大学
技术研发日：
技术公布日：2024/10/31