[发明专利]一种基于机器学习的太赫兹物质识别方法及装置

权利要求书

1.一种基于机器学习的太赫兹物质识别方法，其特征在于，所述方法包括：

获取太赫兹光谱数据；

太赫兹光谱数据存入数据库；

数据预处理；

实施特征工程；

机器学习训练预测模型；

预测物质成分；

优化预测模型。

2.根据权利要求1所述的一种基于机器学习的太赫兹物质识别方法，其特征在于，所述获取太赫兹光谱数据包括：

S10101,获取已知物质成分的太赫兹频域光谱图像；

S10102,获取已知物质成分的太赫兹光谱描述数据；

S10103,获取已知物质成分的太赫兹检测数据；

S10104,获取未知物质成分的太赫兹频域光谱图像；

S10105,获取未知物质成分的太赫兹光谱描述数据；

S10106,获取未知物质成分的太赫兹检测数据。

3.根据权利要求1所述的一种基于机器学习的太赫兹物质识别方法，其特征在于，太赫兹光谱数据存入数据库：

S10201，选择太赫兹光谱图像；

S10202，确定太赫兹图像唯一编码；

S10203，太赫兹光谱图像存入图像数据库，如对象存储、图数据库或存储图像位置信息等方式；

S10204，选择太赫兹光谱对应描述数据

S10205，太赫兹描述数据存入关系型数据库或Nosql数据库；

S10206，选择太赫兹检测数据；

S10207，确定太赫兹检测数据对应唯一编码；

S10208，太赫兹检测数据存入关系型数据库或NoSql数据库。

4.根据权利要求1所述的一种基于机器学习的太赫兹物质识别方法，其特征在于，所述数据预处理包括：

S10301，选择太赫兹频域光谱图像；

S10302，太赫兹频域光谱图像去噪；

S10303，太赫兹频域光谱图像倾斜校正；

S10304，判断是否需要太赫兹频域光谱图像二值化；

S10305，太赫兹频域光谱图像二值化；

S10306，太赫兹频域光谱图像取样；

S10307，太赫兹频域光谱图像量化；

S10308，太赫兹频域光谱图像矩阵化表示；

S10309，太赫兹频域光谱图像转为一维数组或数据库中一条记录；

S10310，判断是否需要对太赫兹图像描述数据转换；

S10311，根据预设规则把太赫兹图像描述数据通过傅立叶变换或小波变换等方法转换为统一的量纲；

S10312，判断是否需要对太赫兹检测数据转换；

S10313，根据预设规则把太赫兹检测数据通过傅立叶变换或小波变换等方法转换为统一的量纲，例如把太赫兹检测数据的电场数据转化为频域数据；

S10314，太赫兹时域光谱图像；

S10315，太赫兹时域光谱图像去噪；

S10316，太赫兹时域光谱图像取样；

S10317，太赫兹时域光谱图像量化；

S10318，太赫兹时域光谱图像矩阵化表示；

S10319，太赫兹时域光谱图像转为一维数组或数据库中一条记录；

S10320，按照预设规则把时域光谱图像的一维数据通过傅立叶变换或小波变换等方法转化为统一的量纲。

5.根据权利要求1所述的一种基于机器学习的太赫兹物质识别方法，其特征在于，所述特征工程包括：

S10401，选择全部或部分预处理后的数据作为特征列；

S10402，选择物质成分为目标列；

S10403，若采用二分类机器学习算法则某已知物质成分数值设为“1”,其他已知物质成分设为“0”；

S10404，若采用多分类机器学习算法则按照物质成分分别做数字编号；

S10405，若采用聚类机器学习算法则无需选择目标列；

S10406，对特征列数值做数据结构转换，例如转为大数据宽表形式；

S10407，对特征列数值做数据类型转化，例如统一转为Double类型；

S10408，对特征列数值做归一化处理，把数值压缩到[0,1]区间，去除量纲影响，加快收敛速度。