文摘
高光谱显微术在生物学和矿物质,无人监督的深度学习神经网络去噪SRS照片:高光谱分辨率增强和去噪高光谱图像就足以教无监督方法。直观的化学物种产生锂矿石样品使用地图 - - - - - -意味着集群。许多研究人员现在对生物感兴趣。不确定性限制了算法评估这些信号的能力进行进一步的信息。尽管人工智能系统可以回答难题,他们仍然有限。深度学习时使用机器学习是低效的。监督学习需要大量的数据。深度学习在现代人工智能是至关重要的。监督学习需要一个大标签数据集。参数的选择——或者underfitting阻止。无监督学习是用来克服上述挑战(聚类算法执行的)。 To accomplish this, two processing processes were used: (1) utilizing nonlinear deep learning networks to turn data into a latent feature space ( )。Kullback-Leibler散度是用来测试目标函数收敛。本文探讨了小说研究高光谱微观图像使用深度学习和有效的无监督学习。
1。介绍
数据驱动的系统知识。建议有关,我们需要更多的人。大数据的数据挖掘,机器学习都使用。深度学习无监督数据分类是一个数据集或特性是由应用程序分类(1]。数据分类是用来在这种情况下做出决定。支持向量机、线性回归和特征向量数据分类算法的例子。这十年中,机器学习算法在数据科学发挥了至关重要的作用。非线性思维是使用机器学习适应现实问题。在ANN(人工神经网络)应用程序中,应用无监督学习。ANN算法可以学习和理解环境科学由于迭代学习过程。另一方面,数据挖掘是机器学习研究的一个分支,采用无监督学习。预测模型,如支持向量机、决策树和线性判别分析可以直接用于分类数据。即使机器学习数据分类生产改进的结果,现代应用程序需求和创新需求更精确。 This new era of study began with the development of deep learning algorithms. Deep learning involves several ANN layers at different levels. So the data is thoroughly analyzed, revealing a huge feature that is transferred to the next layer. The procedure transforms the learnt features from the preceding layer into a high-level data abstraction. Hence, deep learning can be applied to multiclass classification [1,2]。
许多数据和应用程序受益于深度学习,但其局限性开辟新的研究途径。(1)深度学习算法是监督学习算法。监督学习包括标记或注释的数据集。然而,训练和分类对于实时应用程序,标签数据集是昂贵的,需要耗费大量的体力劳动来手动标签(2)深度学习技术需要大量的计算来处理大量的数据。同时,通过培训在一个巨大的数据集,深入学习算法学习理解的模式。这就是为什么在谈到深学习算法时,cpu和gpu(3)然而,聚类算法组数据点或特征相似的属性。无监督聚类技术。与监督学习算法,它可以处理分组和分类数据集。许多数据应用程序使用软或硬聚类方法。由于集群技术的限制,很难应用到分类任务
本研究旨在改善深度学习的行为和性质通过使用集群技术,深度学习系统能有效地使用无监督学习分类数据。
它被广泛用于解决歧义。历史数据可以解决这些问题。监督机算法和深度的学习。但无监督学习的承诺。鼓励实验。歧视性偏见是固有的监督学习方法,一组指定的规则的DOs和不。没有标签,监督学习需要大量的手工工作和时间。
因此,研究的主要目的是提高无监督学习。无监督学习方法(b)选择可以接受的和高效的深度学习方法和问题来验证和确认研究成果(d)调查数据分类的最佳深度学习策略。本节的主题阐述研究的目标3- - - - - -5]。
2。分类的困难
数据分类方案是数据安全系统的一个组成部分。数据分类有助于风险管理和数据保护。它还提供了一个自然的数据层次结构。这取决于应用程序、上下文、内容和行为数据。数据分类在许多方面使用。在这种方法中,所有细分小数据集上手动完成。( )相等的时间间隔:这种方式组织数据(如用户需要的)。( )数量:数量分割:自然的休息当数据更改的集合。它指定了几何间隔分割在每个数据类型。使用标准差数据分段间隔”来形容他们的属性和量化背离正常。( )定制范围:这个策略使用用户的输入和可能改变来满足新的需求(4,6]。
2.1。实现数据分类
(1)手工数据分类的人员(或负责),而存储将大大方便:这不是一个简单的操作如果创建大量的数据。今天的实体识别的价值分类和要求他们的经理之前执行存储过程。然而,他们的历史数据需要现代分割/分类算法和流程(2)研究者可以使用一些传统的分类方法,但大多数都是线性的,不与数据缺乏良好合作模式。精度随数据集的大小(3)规定的复杂性使得非线性机器学习技术。但是,机器学习需要贴上标签数据等,但精度很差(4)机器学习的能力对未知数据操作允许深度学习研究。监督学习需要大量的训练数据是有效的。深度学习是非常重要的在今天的人工智能。也就是说,这个平台需要大量的处理能力(GPU) (b)一个大标签数据集预防,或underfitting参数(7,8]
2.2。实现数据分类策略
使用一个合适的聚类技术,这项研究旨在改善深度学习在一个无监督模式。以下是深度学习无监督学习的方法。
深入学习是用来代替人工神经网络的标准,因为它可以抽象深特性。使用非线性变换实现深度学习网络。小于由于转换。然后战略过程生产集群随机初始化和融合的重心。深层网络的聚类和重建损失决心在此步骤。它可以被训练使用合并损失降到最低的损失函数(LR和LC)。无监督学习可以用最后的训练网络。出于这个原因,非监督分类是广泛使用。下面描述的实现和研究[9]。
2.3。算法的数据
这些目标是通过无监督学习。它考察了聚类方法 - - - - - -和FCM方法。目标函数收敛迭代聚类分配数据。集群损失在DL网络是至关重要的10]。
DL算法的研究至关重要。理解深刻的学习算法,首先必须理解人工神经网络。GDO和阈值计算是必需的。本研究从autoencoders开始。
2.4。作战仿真工具
谭开源谷歌大脑算法。并不是所有的。应用深度学习需要。本研究使用numpy、熊猫和Scikit-learn建立模型。本研究使用MATLAB(数学模型)11]。
2.5。数据集
它在深度学习艾滋病。模块学习、测试和验证数据集比比皆是。ImageNet WordNet-organized形象和视觉研究的数据集。深度学习的大规模数据集,MNIST有1400万数据点。NIST手写的数字(7291 2007训练和测试样本) 大小,数据集。文本分类算法:这个数据集有8000万CIFAR-10图像。十类的6000张照片。50000条记录每个语言训练和测试集数据(STL-10) 照片。没有标签,它们是没有用的。这些数据集常常用于验证提出的模块(12]。
高性能成像应用程序像超限分辨显微镜和癌症检测机器学习的一个强有力的通用工具科学数据处理:肺癌诊断,人类中表达和样本分类(13]。深度学习用于降噪SRS显微镜和光谱。DeepChem是一个复杂的定制的SRS显微镜技术。虽然DeepChem可以部分图片没有幽灵似地解决数据,不能正确识别物种没有这样的数据。此前,监督深度学习用于CRM图像识别。标记的训练数据是DeepChem所需的光谱分辨率和图像和光谱去噪,而微妙的或不常见的生物样本收集。
在无人监督的深度学习CRM图像判读,无监督方法发现和部分数据。监督方法:无监督模式优于监督非线性光学签名(HSI)。这意味着它可以描述任何激光光信号通道,SRS振动光谱。其他光学显微镜技术可能受益14- - - - - -16]。
我们SRS-ed每个像素(a),我们使用了两个。花了32秒256像素。首先,十六烷和水:碳氢键拉伸共振2852厘米1802纳米泵、1040 nm斯托克斯,两束光之间的间隔92帧。高和低信噪比地面实况照片使用相同的激光输入优势(GT)。由于高的激光功率输入、高光谱、当地一个像素的平均值和标准偏差(5-pixel半径附近)。使用一个参考时间序列,计算每个像素的PSNR (16]。
深度学习去噪和分割使用无监督(锂辉石、长石和石英)。它的受欢迎程度已经由于电动汽车的兴起,AT4O8, B =硼和T =硅或铝(Al)。像石英(SiO2),很多SRS和山峰!泵束在929 - 998 nm 70兆瓦。909帧进行扫描(16,17]。
2.6。神经网络模型
他们都用神经网络。有关卷积内核层阵列conv。每个卷积层这一层(黄色)。编码所需的潜在空间;4 DE卷积与反褶积层增加样本量。它被用于编码和解码(ReLU和leaky-ReLU)。完全连接节点的数量决定了一个参数的大小(18]。它修改hyperparameters(十六烷比锂矿)。相同的数据集结构(层的数量和类型),一组类似的验证优化的损失。hyperparameters SI提供模型、数据和代码,即监督。它有一个很好的信噪比(地面真理)。典型的神经网络消除干扰,我们的无监督方法没有监督。编码只能提取属性,是常见的许多像素。我们的损失总是msd。所有的像素都视为样本在训练。不同模型或超参数数据,使用一只眼睛改善可转让性(监督方法):监督高光谱分辨率增强(无监督高光谱分辨率增强和去噪)。 Prior algorithms custom PyTorch built on NVidia K80 GPU. It used a ten-layer convolutional auto encoder. It is similar [19]。
2.7。Autosegmentation
它可以分类和消除干扰谱组件(后来,图像分割)。编码减少输入数据维数。一种方法被称为 - - - - - -意味着集群可能会发现类似的图像内部像素。这种技术是无监督,不像之前的。肘部技术中使用 - - - - - -意味着算法。肘部方法建立。每个集群组件的数量减少生长。肘部的拐点增加最多。无监督分割方法:它首先项目高光谱图像数据到潜在的空间(蓝色)(绿色)。这个空间使用hyperdimensional集群( - - - - - -意味着)对每个图像像素进行分类。训练autoencoder可以自动识别图片像素基于高光谱特性。使用高光谱SRS,每个样本组成分配一个惟一的振动spectroscopy-based化学识别(20.]。
2.8。集群算法深
现在许多行业奋斗与数据(已生成的每一秒在巨大的数量)。深入学习算法研究和现代化至关重要。与监督学习可以解决许多问题。然而,非监督学习可能会打开新的大门。但数据挖掘系统的聚类技术可以结构未知数据。数据集中使用知识发现。测量距离是一种常见的聚类:深度学习和聚类21)混合。
12月盈余无监督学习:监督学习在这些方面扩展;12月使用autoencoders算法辅助12月核心设计,创建了一个特征空间。集群技术影响autoencoder训练阶段通过限制损失。12月是一个两级技术。Pretraining集群中心和收敛准则等因素用于调整聚类过程(22]。这一层次包括学习和分组。12月建议autoencoder数据重建,因为它很简单和可靠的(图1)。本节介绍了12月及其变体。如上所述,这部分是关于学习和分析算法。
深入学习网络专注于低维输入和学习它的特性。autoencoder技术在深度学习网络很流行。
3所示。损失Function-Deep集群
这是因为深聚类方法涉及非线性学习和聚类方法。
3.1。网损
深入学习策略仅仅分析重建损失当使用一个autoencoder网络。考虑振动损失和敌对的损失当使用VAE和氮化镓。无论深度学习网络的学习模式,这需要训练(监督或无监督)23]。
3.2。集群的损失
集群的损失测量算法,本研究使用它们。增加数据点导致损失。据估计使用的学生 - - - - - -分布。 - - - - - -意味着和烧结的集群的例子的损失。这是一个聚类的损失。和它使判别信息。讨论组稀疏丧失和位置(24]。
3.3。测量结果
指标评价现有系统和研究贡献包括测量用的标记标准数据集的数据。
3.3.1。无监督聚类精度(ACC)
地面真理( )和聚类任务输出(mp) (c):无监督的输出匹配的地面实况标签几乎没有机会。
在哪里和循环变量的确定数据点。
3.3.2。归一化互信息(敝中断)
集群作业( )和地面真理标签( )有相同的平均熵( )( )。本研究确定了输出的互信息与地面真理25]。
3.3.3。调整兰德指数(ARI)
阿里的相似度计算两个数据集群。
算法的成功率取决于这个指标及其评价。下面排列模型的一个例子是(26]。
4所示。结果与讨论
这是为了展示我们让位autoencoder网络的图像和重建能力。训练有素的autoencoder网络产生了高光谱图像低信噪比图像。图2显示2852厘米的一个转变1在十六烷峰值附近。数据集的最大像素读取用于噪声输入图像正常化,降低感知的动态范围,同时解决噪音。十六烷的图像清楚地揭示出两个阶段,阶段有更强的信号。信噪比可以用来评估不同的神经网络去噪能力(图3)。GT形象图的信噪比231日dB在十六烷和10 dB在水里。在十六烷,信噪比是15分贝,而在水里,它是8分贝。我们使用模型来消除干扰两个新的高光谱影像数据集(FOV 1和视场目标2)进行测试。我们展示的例子从2852厘米1去噪的高光谱数据集。照片与低信噪比是在图4(20 mW输入功率)。
GT的图像被用来比较无监督方法和监督方法的结果,不是训练。无监督方法的信噪比是15分贝,监督方法,GT和4 dB水。水的信噪比为86.6分贝,而十六烷是14。他们都使用光谱数据来改善图像质量。图2显示了一个15米滴在视场2 ROI。它还显示了更多滴边界定义的。嘈杂的GT的PSNR值数据是14日,22日无监督方法和监督方法是25 dB (27]。
最高分辨率为SRS组件分类是至关重要的。监督方法和非监督方法降噪图像在整个频谱(图2)。监督方法降噪SRS光谱使用训练模型在一个未知的数据集。图4显示了十六烷水的低信噪比图像与光谱在碳氢键。如图4监督方法输出频谱(红色)是由一个像素图表示5。信噪比GT频谱图(绿色)4(60 mW输入功率)。抑制GT的数据输入、监督方法和非监督方法光谱谱噪声降低。图5显示输入、监督方法和非监督方法残差为一个像素。计算PSNR,我们使用GT在数据作为参考4和6。water-hexadecane阶段之间的边界移动,高、低信噪比录音(60 mW输入功率)。输入PSNR值12.1分贝,而产出23.2 dB的监督方法。两种处理方法提高高光谱的对比和降低噪音在无监督方法28]。
SRS的数据集通常包含“缝合”光谱扫描光谱。这两个现象是非线性光学现象。复杂的无监督方法测试锂矿石样品。弱线性吸收减少样本的力量。在这个示例中,多样性减少收集信号。在SRS光谱集中扫描,振动光谱显示了Pump-Stokes延迟。我们也提供高光谱指数映射(蓝色)。嘈杂的图像数据无监督方法模型锂矿没有显示。其输出(红色)如图5(a)。这种方法提高信噪比,同时保持光谱分辨率、光谱分辨率和峰值对比。中间平均滤波器(蓝色),平滑降低峰值对比和光谱分辨率(b)。高吸收半导体材料(黄铁矿)可能出现在这些矿物样品(29日]。
编码器的潜在空间可以使用聚类分割。比较直接与已知的矿物复杂光谱(30.]。Non-SRS调制传递信号自动分段使用 - - - - - -意味着,因为他们是在探测器饱和。单像素光谱Ingredient-specific无监督而Ref。(黑色虚线)。这些都是模型的光谱。在这种情况下,无监督+ - - - - - -意味着工作良好。轻松地创建化学物种的地图从图像。
该算法和FCM版本测试300个样本来自不同数据集。结果进行了两个表1嘈杂的数据和图2无噪声图像偏手性评估算法的属性。在嘈杂的模式的分析,12月优于FCM的其他后代(除了特定的示例)。表2和图2结果显示提出的12月比较。
相同的比较过程与无噪声数据表3和图6比较了12月和FCM版本。建议12月优于其他算法。在嘈杂的和安静的环境中,提出了12月表现良好(图7)。对噪声的敏感性测试,图像处理与各种噪声方差(如0.2,0.4,0.6,0.8)。
5。结论
在这工作,深度学习来提高对比度和识别化学物种。索引变量对于任何激光参数,TL或CPM SRS振动光谱的例子SRS显微镜光谱对比度增强监督和非监督光谱(后者记录在高信噪比)。 - - - - - -意味着无监督聚类图像分割,这种化学物种的地图有几个应用程序。谐波发生、荧光和热透镜效应是几个例子。全球无监督图像去噪和材料标识。深度学习补充有效降维方法。预处理单元,兄弟 - - - - - -集群中位数保持并提高的重要信息,利用辍学通过正则化方法。但即使辍学概率较大,SH-FE技术提高集群价值至关重要。结果和讨论表明,技术设计提供了最好的结果在时间复杂度和精度。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
作者的贡献
Ajay P先生负责内容开发和研究的贡献。博士Nagaraj B负责内容开发和研究的贡献。r . Arun Kumar博士负责数据实现和处理。黄先生Ruihang负责数据修改和图像增强。Ananthi P女士负责数据和算法输出结果的一代。