좁은 기복 제약을 통한 테라헤르츠 흡수 곡선의 전처리 및 볼록 선체를 통한 빠른 구현 제안

Aug 03, 2023

Scientific Reports 12권, 기사 번호: 17806(2022) 이 기사 인용

378 액세스

측정항목 세부정보

이 연구에서는 THz 흡수 곡선을 전처리하는 방법이 제안되어 흡수 범위를 최소화하고 컨볼루션 신경망으로 식별하기 위해 필요한 곡선 기복을 보존합니다. 제안된 방법의 커널 사상은 한 쌍의 좁은 평행선으로 곡선의 기복을 제한하고 두 고정점에서 정규화된 곡선을 연속적으로 회전시켜 최적의 위치를 ​​해결하는 것입니다. 볼록 껍질의 특징을 기반으로 하는 빠른 알고리즘이 추가로 제안되었으며, 그 절차가 자세히 설명되어 있습니다. 알고리즘에는 몇 가지 중요한 점 세트 정의, 경사 계산 및 비교, 4개의 잠재적 회전 중에서 최선의 선택 결정이 포함됩니다. 임계점 탐색의 합리성은 기하학적인 방식으로 설명됩니다. 또한, 방법의 적용에 대해 논의하고 곡선의 비선형 정보를 추출하는 방법의 성능을 보여주기 위해 실제 예를 제공합니다. 본 연구는 컴퓨터 그래픽에 관한 방법이 THz 곡선 및 패턴 인식과 관련된 특징 추출에도 기여함을 시사합니다.

테라헤르츠 시간 영역 분광법은 물질 검출 및 식별1,2,3,4에 널리 사용됩니다. 흡수 또는 흡광계수의 곡선은 물질의 구성성분과 매우 관련되어 있어 다양한 배경에서 패턴 인식이 수행됩니다. 대칭적인 분자 구조를 가진 순수한 물질(예: 폴리에틸렌)에서는 흡수 피크가 관찰되지 않습니다. 게다가, 성분 스펙트럼의 중첩으로 인해 피크를 덜 관찰할 수 있습니다. 따라서 기계 학습은 이전 보고서에 따르면 허브, 고기, 차, 시리얼을 포함하되 이에 국한되지 않는 조사에서 데이터 마이닝에 중요합니다. 곡선을 전처리하면 모델 성능에 도움이 되고 만족스러운 모델을 훈련하는 데 어려움이 줄어드는 것이 좋습니다. 기존의 전처리에는 Savitzky-Golay 평활화, 주파수 영역 필터링, 다변량 산란 보정(MSC) 등이 포함되며, 이는 식별을 위한 필수 기능을 보유하지만 모든 주파수 샘플링10,11,12에서 값을 조정합니다. 이러한 알고리즘은 수학적으로 노이즈의 형태를 가정하며 모든 포인트는 동일하게 처리됩니다. 그러나 곡선을 식별하는 기능이 약화될 수 있으며 일부 매개변수는 좋은 결과를 얻을 수 있도록 경험적으로 구성됩니다. 또한, 컴퓨터 그래픽을 포함하는 방법은 후속 식별 방법을 연결하기 위해 거의 연구되지 않습니다.

CNN(Convolutional Neural Network)은 이미지의 개체를 효과적이고 인기 있는 모델로 식별하는 데 사용되었습니다13,14,15,16. CNN이 테라헤르츠 곡선과 연관되어 있는 경우 모델 훈련 전에 THz 곡선에서 이미지로의 변환(또는 매핑)이 필요합니다. 스펙트럼 곡선은 이미지에서 상부와 하부를 구분하는 의미 있는 경계로 간주되지만 실제 값이 도달하지 않기 때문에 의미가 없습니다. 결과적으로 이미지의 모든 픽셀은 CNN 모델 학습에 참여합니다. 주어진 주파수 대역에 대한 흡수 범위를 압축하면 컴퓨팅 비용 절감이라는 기대를 충족할 수 있지만, 식별을 위해 필수 기능을 확보하는 것이 어렵습니다. 그림 1a에 표시된 것처럼 개략적인 THz 곡선은 오프셋1과 오프셋2의 차이와 동일한 범위를 갖습니다. 라인 2와 라인 1은 주파수 축과 평행한 선으로 흡수의 상한과 하한을 나타냅니다. 곡선을 제한하기 위해 또 다른 두 개의 평행선을 사용하면 두 평행선 사이의 기복(Y 오프셋의 차이)이 변경됩니다(그림 1b 및 그림 1c 참조). 따라서 우리는 최소한의 거리로 곡선을 제한하는 최적의 평행선을 찾고 전단 변환을 수행하여 Y 방향(흡수 치수)의 중복을 최소화하면서 진행된 곡선을 수용하는 이미지를 생성합니다. 이러한 기본적인 생각을 바탕으로 제안된 방법은 NUC(Narrow undulation Constraint)라고 명명된다.