本发明涉及一种液体识别方法，特别是一种基于人工神经网络的太赫兹危险液体识别方法。
背景技术：
现实生活中的地铁、轻轨、机场以及大型活动场所等公共区域都会设立安检关卡以检测市民是否携带危险物品，而对于易燃易爆等危险液体的检测方式主要是：1、让被检人对携带液体进行尝试；2、利用微波、热导法对携带液体进行检测识别；3、禁止携带液体通过安检；而第一和第三种的检测方式具有极大的局限性，费时费力，不适合大范围推广，对于采用微波、热导法对携带液体进行检测的方法具有相对的可行性，但在实际执行的过程中容易出现检测结果错误的现象，准确性和可靠性低。
技术实现要素：
为了克服现有技术的不足，本发明提供一种检测速度快、准确性与识别率高的基于人工神经网络的太赫兹危险液体识别方法。
本发明解决其技术问题所采用的技术方案是：
一种基于人工神经网络的太赫兹危险液体识别方法，其以下步骤：
(1)、使用太赫兹时域光谱仪对不同属性的液体采集出液体时域信号，且进行数据预处理得到危险液体输入信号和安全液体输入信号；
(2)、将危险液体输入信号和安全液体输入信号输入至人工神经网络的输入层，进行危险液体识别模型训练；
(3)、输入层将危险液体输入信号和安全液体输入信号传送至隐藏层后，隐藏层通过激活函数将危险液体输入信号和安全液体输入信号进行非线性分离拟合，并映射至输出层；
(4)、输出层对接收的数据得出危险液体结果与非危险液体结果，对两者进行归一化处理后进行结果输出，令人工神经网络训练为危险液体识别模型；
(5)、使用太赫兹时域光谱对待测液体进行采集后输入至危险液体识别模型内，并得出对待测液体的检测结果。
所述步骤1的数据预处理包括以下步骤：
(1)、对液体时域信号进行属性人工分类；
(2)、对分类后的各个液体时域信号进行小波去噪处理；
(3)、去噪处理后的液体时域信号通过傅里叶变换构成液体频域信号，并得到液体频域信号及其频域光谱；
(4)、将频域光谱上的冗余分量进行去除处理；
(5)、进行光谱处理后的液体频域信号归类分化为危险液体输入信号和安全液体输入信号。
所述步骤3的隐藏层包括第一层、第二层和第三层，所述第一层、第二层和第三层的神经元个数分别为15、20和15。
所述步骤3的激活函数为relu6。
本发明的有益效果是：本发明通过太赫兹时域光谱仪对不同属性的液体采集出液体时域信号，进行数据预处理后训练得到危险液体识别模型，可在实际中利用太赫兹时域光谱对待测液体进行快速地识别检测，并得出检测结果，太赫兹对不同液体具有不同的波段响应，且对人体无害，极为有效地反映出液体属性，结合神经网络的高提取能力特征，能快速地对检测液体进行属性判别，识别准确以及可靠性高，非常适用于对易燃易爆的液体进行检测
附图说明
下面结合附图和实施例对本发明进一步说明。
图1是本发明的方法流程图。
具体实施方式
参照图1，一种基于人工神经网络的太赫兹危险液体识别方法，其以下步骤：
(1)、使用太赫兹时域光谱仪对不同属性的液体采集出液体时域信号，该信号为太赫兹时域信号，将各个液体时域信号进行数据预处理得到两类危险液体输入信号和安全液体输入信号；
(2)、将所有的危险液体输入信号和安全液体输入信号输入至人工神经网络的输入层，进行危险液体识别模型训练；
(3)、输入层将危险液体输入信号和安全液体输入信号传送至隐藏层后，隐藏层通过激活函数将危险液体输入信号和安全液体输入信号进行非线性分离拟合，并映射至输出层；
(4)、输出层对接收的数据得出危险液体结果与非危险液体结果，对两者进行归一化处理后进行结果输出，令人工神经网络训练为危险液体识别模型，进行归一化后输出层能更加便捷快速地进行结果输出，更容易正确地收敛到最优结果；
(5)、使用太赫兹时域光谱对待测液体进行采集后输入至危险液体识别模型内，并得出对待测液体的检测结果，太赫兹对不同液体具有不同的波段响应，并且对人体无害，极其有效地反映出液体属性(安全性质)，结合神经网络的高提取能力特征，能快速地对检测液体进行属性判别，识别准确度高。
所述步骤1的数据预处理包括以下步骤：
(1)、对液体时域信号进行属性人工分类；
(2)、对分类后的各个液体时域信号进行小波去噪处理，去除噪声对液体时域信号的干扰，确保液体时域信号能真实反映出液体的安全属性情况；
(3)、去噪处理后的液体时域信号通过傅里叶变换构成液体频域信号，并得到液体频域信号及其频域光谱，时域至频域的转换能更好地反映液体的属性；
(4)、将频域光谱上的冗余分量进行去除处理，由于液体之间具有一些相似的成分，这些成分是冗余的，在频域光谱上能得到很好的反应，对冗余信息去除能提升神经网络的识别速度及精度；
(5)、进行光谱处理后的液体频域信号归类分化为危险液体输入信号和安全液体输入信号。
对于一般简单的数据集，采用一或两层隐藏层足以，但对于涉及计算机视觉的复杂数据集，则需要额外增加层数，单层神经网络只能用于表示线性分离函数，层数越深，理论上拟合激活函数的能力更强，效果更好，但是实际上，更深的层数会增加训练难度，使模型难以收敛，另外，隐藏层中神经元个数过少将导致欠拟合现象，使用神经元过多同样会导致过拟合，采集出液体时域信号中包含的有限信息量不足以训练隐藏层中的所有神经元，因此就会导致过拟合，即使包含的信息量足够，隐藏层中过多的神经元会增加训练时间，从而难以达到预期的效果，因此，所述步骤3的隐藏层的层数为3，包括第一层、第二层和第三层，所述第一层、第二层和第三层的神经元个数分别为15、20和15；在确保应对液体检测效果最好，对危险液体识别模型训练最优的情况下限定最少量、最精简的隐藏层结构。
所述步骤3的激活函数为relu6，能极大地减少危险液体输入信号和安全液体输入信号的精度损失，保留信息完整性，并使得隐藏层的非线性数据处理效果更佳优异。
以上的实施方式不能限定本发明创造的保护范围，专业技术领域的人员在不脱离本发明创造整体构思的情况下，所做的均等修饰与变化，均仍属于本发明创造涵盖的范围之内。
1.一种基于人工神经网络的太赫兹危险液体识别方法，其特征在于它包括以下步骤：
（1）、使用太赫兹时域光谱仪对不同属性的液体采集出液体时域信号，且进行数据预处理得到危险液体输入信号和安全液体输入信号；
（2）、将危险液体输入信号和安全液体输入信号输入至人工神经网络的输入层，进行危险液体识别模型训练；
（3）、输入层将危险液体输入信号和安全液体输入信号传送至隐藏层后，隐藏层通过激活函数将危险液体输入信号和安全液体输入信号进行非线性分离拟合，并映射至输出层；
（4）、输出层对接收的数据得出危险液体结果与非危险液体结果，对两者进行归一化处理后进行结果输出，令人工神经网络训练为危险液体识别模型；
（5）、使用太赫兹时域光谱对待测液体进行采集后输入至危险液体识别模型内，并得出对待测液体的检测结果。
2.根据权利要求1所述的基于人工神经网络的太赫兹危险液体识别方法，其特征在于所述步骤1的数据预处理包括以下步骤：
（1）、对液体时域信号进行属性人工分类；
（2）、对分类后的各个液体时域信号进行小波去噪处理；
（3）、去噪处理后的液体时域信号通过傅里叶变换构成液体频域信号，并得到液体频域信号及其频域光谱；
（4）、将频域光谱上的冗余分量进行去除处理；
（5）、进行光谱处理后的液体频域信号归类分化为危险液体输入信号和安全液体输入信号。
3.根据权利要求1所述的基于人工神经网络的太赫兹危险液体识别方法，其特征在于所述步骤3的隐藏层包括第一层、第二层和第三层，所述第一层、第二层和第三层的神经元个数分别为15、20和15。
4.根据权利要求1所述的基于人工神经网络的太赫兹危险液体识别方法，其特征在于所述步骤3的激活函数为relu6。
技术总结