[发明专利]一种基于深度学习的超材料太赫兹谱学识别方法

说明书

本发明公开了一种基于深度学习的超材料太赫兹谱学识别方法，使用太赫兹时域光谱仪对待测样品通过实验进行数据采集，把太赫兹透射不同材料后的时域数据经过傅里叶变换转变成频域数据，然后进入卷积神经网络训练。通过本发明的技术方案，无需人工特征提取，训练数据量小，识别准确度高。

技术领域

本发明属于太赫兹与人工智能技术领域，尤其涉及一种低成本、高精度的太赫兹信号识别方法。

背景技术

超材料是一种非自然界现有的人工制造材料，具有自然界普通材料无法获得或难以获得的出色电磁性能，存在宝贵的研究价值以及应用价值，经过几十年的迅速发展，超材料已经成为许多学科的研究热点，涉及物理学、材料科学、电子工程、光学、纳米科学等领域。超材料由周期分布或随机分布的人造结构组成，当与电磁辐射进行相互作用时，会产生与普通材料截然不同的异常性能。

太赫兹频段对应微波和红外之间，许多物质在这个频段都有自己的特征指纹光谱，基于此，过去三十多年的太赫兹科学与技术已经将这样的光谱识别从实验室研究阶段过渡到了大规模工业应用阶段。将太赫兹的谱学技术与人工智能分类技术相互结合，可以实现对物质的大致种类分类，该技术有望在未来的万物互联智能感知中发挥极大的积极作用。

但目前由于超材料性质的特殊性，即使使用太赫兹光谱技术，混合物中超材料的存在仍然是人类很难分辨的，因为随机放置样品会出现不同的方位角和入射角，可能导致光谱出现重叠的吸收峰，如何快速高效的从混合物质中分辨超材料的问题仍然一直困扰着研究人员。近年来随着人工智能技术的飞速进步，其在物质分类领域中的应用也越来越广泛，而且深度学习算法的逐渐成熟使得物质识别技术的发展和适应性大幅度提高，让深度学习技术应用在太赫兹领域实现物质的智能识别出现了可能性，不再需要人为提取太赫兹数据特征进行物质分辨，可极大提高物质分类的效率，使用太赫兹技术分辨超材料的问题也出现了转机。

目前实现基于太赫兹光谱进行物质分类的方案大约分为以下两种：

一种是基于若干组数据重复测量以及人工识别；另一种是人工提取数据特征分析后利用支持向量机(Support Vector Machine,SVM)方法实现对不同物质太赫兹光谱的基本分类。

以上两种方案都有自己的缺陷，对于第一种方法，重复测量数据费时费力，而且存在着极大的偶然性，实验误差不可避免，更换实验环境有可能导致原有分析结果出现偏差甚至失效，并且单纯靠人工提取和匹配太赫兹频谱特征很难保证效率，使用这样的方法进行实际工业应用更是难上加难，除此之外，超材料是一种特殊的物质，不同环境、不同入射角和方位角对超材料的太赫兹频谱都会造成极大的影响，将超材料与不同物质进行混合也必定会增加人工分析的困难。

第二类使用了机器学习的方法，在人工预提取特征的前提下，使用SVM方法对不同物质的太赫兹光谱进行判断，但目前存在的问题是SVM方法主要用于二分类，多种物质混合分类就要使用多个二分类支持向量机的组合完成，会给机器学习增加一些不必要的工作量，且超材料太赫兹频谱较为复杂，难以使用传统方法提取特征，也给SVM方法带来了一定难度，并且SVM方法对大规模训练样本难以实施，如果数据量很大，SVM的训练时间就会比较长，除此之外，每次训练都要选取不同形式的核函数和参数也给不同物质分类带来一定不便，很难投放在未来的大规模数据分类应用中。

发明内容

为了解决上述已有技术存在的不足，基于太赫兹TDS技术和卷积神经网络，分别测量了有超材料叠加与无超材料的各类物质的太赫兹光谱得到两类数据集，模拟实际情况、不同环境，对原有数据集进行了数据扩增，训练卷积神经网络模型，完成了混合物质中超材料的存在性识别，对比太赫兹领域传统物质分类方法有所突破。本发明的具体技术方案如下：

一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，包括以下步骤：

S1：通过太赫兹时域光谱仪对待测样品进行时域数据采集；

S2：数据预处理；