基于BO-WST-LSTM神经网络的颗粒光散射信号分类识别方法

本发明属于数字信号处理，具体涉及基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法。

背景技术：

1、颗粒在自然界、科学研究、工业生产中无处不在。与颗粒相关的理论和技术问题越来越受到关注，广泛地出现在医药、材料、环境和大气科学等多个领域。在大气科学领域，对大气颗粒的研究己越来越重视。

2、大气颗粒的来源广泛，成分复杂，浓度分布在时空上有很大差异。它们不仅对人体呼吸系统造成损害，还可以充当各种污染物的载体。气溶胶是大气中粒径较大的颗粒，是大气污染物的主要组成部分。由于气溶胶中含有大量的硫酸盐、硝酸盐和温室气体等物质，它们经常导致某些地区的气候变化，甚至引发酸雨等现象。

3、在现有的颗粒物分类识别技术中，由于颗粒物特征的复杂性和多样性，会导致特征提取不准确和参数优化不足，颗粒物类别识别效率和准确率低。

技术实现思路

1、本发明的目的是提供基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，该方法能够有效解决现有分类识别方法因特征提取不准确和参数优化不足而导致的识别效率和准确率低的问题。

2、本发明所采用的技术方案是，基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，具体按照以下步骤实施：

3、步骤1、选取不同属性的物质颗粒，通过多角度探测颗粒光散射信号系统采集每种颗粒光散射信号；

4、步骤2、利用emd-ica降噪模型重构虚拟噪声通道，对每种颗粒光散射信号进行降噪预处理；

5、步骤3、结合小波散射网络对特征具有平移不变的特性，提取降噪预处理后信号的散射系数矩阵，构建样本特征数据集；

6、步骤4、利用贝叶斯优化模型优化lstm神经网络超参数，选取超参数组合进行网络的搭建，得到bo-wst-lstm网络；

7、步骤5、通过样本特征数据集对bo-wst-lstm网络迭代训练；

8、步骤6、向训练好的bo-wst-lstm网络中输入待分类的物质颗粒，得到不同类别的概率，概率最大的类别即为物质颗粒的类别。

9、本发明的特点还在于：

10、物质颗粒的类别为氯化钠、二氧化硅、石灰、甘油、石蜡油、二酸二辛酯中的一种。

11、步骤2具体过程为：

12、步骤2.1、对采集的每种颗粒光散射信号进行emd经验模态分解，得到颗粒光散射信号本征模态函数imfs分量imf1，imf2，imf3，…，imfn以及残余分量rn；

13、步骤2.2、计算求得若干imfs分量的相关系数，根据相关系数确定相关系数曲线极小点，利用模态相关分选准则判断信号主导分量与噪声主导分量的分界点，将划分出的噪声主导分量通过线性叠加构造虚拟噪声通道；

14、步骤2.3、将虚拟噪声通道和每种颗粒光散射信号混合，利用ica算法实现颗粒光散射信号与噪声的分离，完成颗粒光散射信号的降噪预处理。

15、步骤3具体过程为：

16、搭建的小波散射网络，将降噪处理后的信号输入到小波散射网络中进行小波变换、取模调制、线性平均，得到各阶散射系数矩阵，构建样本特征数据集。

17、小波变换定义为：

18、

19、式中，a表示尺度系数，其值通常大于零，b表示平移系数，反映主波在时间上的位移。

20、构建样本特征数据集具体过程为：

21、计算小波模变换算子，公式为：

22、|wf|＝{f*φj,|f*ψλ|}λ  (2)

23、式中φj为低通滤波器，ψλ为高频小波，sf＝f*φj(u)为小波散射系数；

24、计算零阶散射系数(低频信息)和一阶尺度图系数(高频信息)u1f，公式分别如式(3)、(4)所示：

25、s0f＝f*φj(u)              (3)

26、u1f(u,λ)＝|f*ψλ(u)|              (4)

27、一阶尺度图系数u1f与新的小波模算子进行运算，可得：

28、s1f＝u1f(u,λ)*φj(u)＝|f*ψλ|*φj(u)            (5)

29、

30、散射变换的m阶输出如式(8)所示：

31、

32、

33、第0阶到第m阶的所有散射系数构成的特征向量如式(9)所示：

34、sf＝{s0f,s1f,…smf}             (9)

35、特征向量构成样本特征数据集。

36、步骤4具体过程为：

37、步骤4.1、通过多角度探测颗粒光散射信号的实验平台采集不同属性的物质颗粒光散射信号各500组；将不同属性的物质颗粒光散射信号随机按照4：1划分为训练集、测试集，通过训练集对lstm神经网络训练，在测试集上返回分类误差，结合得到的分类误差进行隐藏层单元的数量和初始学习率超参数的优化；

38、步骤4.2、利用贝叶斯优化，将目标函数的评估迭代次数设定为20次，每次迭代求得目标函数的后验分布，通过采样函数不断添加新的采样点，重复高斯过程来得到目标函数后验分布的期望达到最优的超参数组合，根据最优的超参数组合获得bo-wst-lstm网络。

39、本发明的有益效果是：

40、本发明基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，以仿真模拟和实验验证得到的颗粒光散射信号为研究对象，提出基于贝叶斯优化和小波散射变换以及长短期记忆神经网络的不同属性颗粒光散射信号分类识别方法；通过小波散射变换完成对不同属性颗粒光散射信号的特征提取，利用贝叶斯优化模型完成对lstm神经网络超参数的优化，选取超参数组合进行网络的搭建；将提取到的小波散射系数特征矩阵构成样本数据集，作为bo-wst-lstm神经网络的输入，通过模型的迭代训练后，由softmax层计算每种分类的概率情况，从而实现不同属性颗粒的分类识别。该方法高效、准确地实现不同属性颗粒的分类，为今后进行大气污染防控和颗粒组分识别提供新的方向和依据。

技术特征：

1.基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，其特征在于，具体按照以下步骤实施：

2.根据权利要求1所述基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，其特征在于，所述物质颗粒的类别为氯化钠、二氧化硅、石灰、甘油、石蜡油、二酸二辛酯中的一种。

3.根据权利要求1所述基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，其特征在于，步骤2具体过程为：

4.根据权利要求1所述基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，其特征在于，步骤3具体过程为：

5.根据权利要求4所述基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，其特征在于，所述小波变换定义为：

6.根据权利要求4所述基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，其特征在于，所述构建样本特征数据集具体过程为：

7.根据权利要求1所述基于bo-wst-lstm神经网络的颗粒光散射信号分类识别方法，其特征在于，步骤4具体过程为：

技术总结
本发明公开了基于BO‑WST‑LSTM神经网络的颗粒光散射信号分类识别方法，提出基于贝叶斯优化和小波散射变换以及长短期记忆神经网络的不同属性颗粒光散射信号分类识别方法；通过小波散射变换完成对不同属性颗粒光散射信号的特征提取，利用贝叶斯优化模型完成对LSTM神经网络超参数的优化，选取超参数组合进行网络的搭建；将提取到的小波散射系数特征矩阵构成样本数据集，作为BO‑WST‑LSTM神经网络的输入，通过模型的迭代训练后，由Softmax层计算每种分类的概率情况，从而实现不同属性颗粒的分类识别；本发明方法能够高效、准确地实现不同属性颗粒的分类，为今后进行大气污染防控和颗粒组分识别提供新的方向和依据。

技术研发人员：赵恒,张艳艳,房佳敏,张婕,鬲史瑜,张斯普,张瑶
受保护的技术使用者：西安理工大学
技术研发日：
技术公布日：2024/2/29