基于UMAP辅助的模糊C聚类方法进行太赫兹光谱识别

引用本文

易灿灿, 庹帅, 涂闪, 张文涛. 基于UMAP辅助的模糊C聚类方法进行太赫兹光谱识别[J]. 光谱学与光谱分析, 2022,42(9): 2694-2701.
YI Can-can, TUO Shuai, TU Shan, ZHANG Wen-tao. UMAP-Assisted Fuzzy C-Clustering Method for Recognition of Terahertz Spectrum[J]. Spectroscopy and Spectral Analysis, 2022,42(9): 2694-2701.
Doi:10.3964/j.issn.1000-0593(2022)09-2694-08 复制到剪切板

Permissions

《光谱学与光谱分析》期刊社所有

基于UMAP辅助的模糊C聚类方法进行太赫兹光谱识别

易灿灿^1,^2,^3,^5,^*, 庹帅^1,^2,³, 涂闪^1,^2,^3,⁴, 张文涛⁵

1. 武汉科技大学冶金装备与控制技术教育部重点实验室, 湖北武汉 430081

2. 武汉科技大学湖北省机械传动与制造工程重点实验室, 湖北武汉 430081

3. 武汉科技大学精密制造研究院, 湖北武汉 430081

4. 广西师范大学物理科学与技术学院, 广西桂林 541004

5. 桂林电子科技大学电子工程与自动化学院, 广西桂林 541004

*通讯作者

作者简介: 易灿灿, 1989年生, 武汉科技大学副教授 e-mail: meyicancan@wust.edu.cn

收稿日期: 2021-08-02 接受日期: 2021-11-03

基金: 国家自然科学基金项目(51805382), 广西重点研发计划项目(2020AB44003), 广西光电信息处理重点实验室主任基金项目(GD18206)和国家科技重大专项(2017ZX02101007-003)资助

摘要

太赫兹(THz)具有低能性、瞬态性、波谱分析能力强的优点, 在物质鉴别方面具有广阔的应用前景。现有的基于THz的物质鉴别方法, 虽然取得了一定的效果, 但是存在容易陷入局部最优的问题, 从而导致识别精度不高。均匀流形逼近与投影(UMAP)作为一种非线性降维方法, 其假设数据均匀分布在黎曼流形上, 可以对具有模糊拓扑结构的流形进行建模。 UMAP降维的过程是通过最小化两个拓扑表示之间的交叉熵, 从而实现低维空间中数据表示的布局优化。传统的模糊C聚类方法(FCM)在聚类时, 初始聚类中心往往随机给定, 当初始聚类中心选择不恰当时, 容易导致错误的聚类。为此, 提出一种基于UMAP辅助的模糊C聚类算法, 首先运用UMAP对输入的THz样本矩阵进行降维; 再根据类与类之间距离最大化的原则, 选择合适的初始聚类中心; 最后利用模糊C均值聚类的方法进行聚类。所提出的方法不仅能够解决聚类过程中类与类之间过度拥挤的现象, 而且能够反映出类别间的距离信息以便于给样本选择合适的初始聚类中心。为了验证提出的聚类方法的可靠性, 运用太赫兹时域光谱技术对鲁棉研28、鲁棉研29、鲁棉研36、中棉28四种不同类型的转基因棉花种子进行了探测, 利用基于UMAP辅助的模糊C聚类算法对转基因棉花种子的吸光度光谱数据进行聚类分析, 成功地将四种不同类型的转基因棉花种子区分开, 得到了总正确率为0.983 3的聚类效果, 说明提出的基于UMAP辅助的模糊C聚类算法在物质太赫兹光谱识别方面具有良好的应用前景。

关键词: 太赫兹时域光谱; 物质鉴别; 转基因棉花种子; UMAP; 降维; 模糊C聚类

中图分类号:O433 文献标志码:A

UMAP-Assisted Fuzzy C-Clustering Method for Recognition of Terahertz Spectrum

YI Can-can^1,^2,^3,^5,^*, TUO Shuai^1,^2,³, TU Shan^1,^2,^3,⁴, ZHANG Wen-tao⁵

1. Key Laboratory of Metallurgical Equipment and Control Technology of Ministry of Education, Wuhan University of Science and Technology, Wuhan 430081, China

2. Hubei Provincial Key Laboratory of Mechanical Transmission and Manufacturing Engineering, Wuhan University of Science and Technology, Wuhan 430081, China

3. Precision Manufacturing Institute, Wuhan University of Science and Technology, Wuhan 430081, China

4. School of Physical Science and Technology, Guangxi Normal University, Guilin 541004, China

5. School of Electronic Engineering and Automation, Guilin University of Electronic Technology, Guilin 541004, China

*Corresponding author

Abstract

Terahertz (THz) waves characterized by low energy, instantaneity and proficiency in spectral analysis have a promising futures in material identification. Although the existing substance identification methods based on THz have achieved certain effects, they are prone to fall into local optimization, resulting in low identification accuracy. Uniform manifold Approximation and Projection (UMAP), as a nonlinear dimensionality reduction method, assume that the data are uniformly distributed on Riemannian manifolds, which can be used to model manifolds with fuzzy topology. UMAP dimension reduction is to optimize the layout of data representation in low-dimensional space by minimizing the cross-entropy between two topological representations. The initial clustering centre is often given randomly in the traditional fuzzy C-clustering method (FCM). When the initial clustering center is not selected correctly, it is easy to fall into the local optimum, leading to wrong clustering. To this end, this paper proposes a Uniform Manifold Approximation and Projection (UMAP) assisted fuzzy C-clustering algorithm. Firstly, UMAP is used to reduce the dimensionality of the input THz sample matrix. And then, based on the principle of maximizing the distance between categories, the appropriate initial clustering center is selected. Finally, the fuzzy C-means method is employed to perform the clustering analysis. This proposed algorithm can solve the overcrowding problem between categories in the clustering process and reflect the distance information between categories to facilitate the selection of appropriate initial clustering centers. In order to verify the reliability of the algorithm proposed in this paper, four different types of genetically modified cotton seeds of Lu Mianyan28, Lu Mianyan29, Lu Mianyan36, and Zhongmian28 were detected by using THz time-domain spectroscopy technology. Then, the UMAP-assisted fuzzy C-clustering method was used to cluster the absorbance spectral data of four different types of genetically modified cotton seeds. The different cotton seeds are successfully well separated, and the clustering effect with a total correct rate of 0.9833 is obtained. The result fully demonstrates that the fuzzy C-clustering method based on UMAP-assisted proposed in this paper has a good application prospect in identifying material THz spectrum.

Keyword: Terahertz time-domain spectroscopy; Substance identification; Transgenic cotton seeds; UMAP; Dimensionality reduction; Fuzzy C-clustering method

文章图片

引言

太赫兹THz(Terahertz)是电磁波中一个特殊的波段, 其频率为0.1~10 THz, 波长为0.03~3 mm, 位于毫米波和红外波之间的特殊位置。近年来, 人们发现THz光谱具有反映物质结构的“ 指纹” 特征^[1], 在物质鉴别分类和无损检测领域具有广泛应用。与X射线相比, 太赫兹辐射的能量很低, 不会由于电离而损坏被检测的物质^[2], 在无损检测方面具有很大的潜力。施卫^[3]等搭建了一套THz时域光谱测量系统, 用来对微量活细胞进行检测, 为活性生物大分子或组织的检测奠定了基础。饶近秋^[4]等利用太赫兹时域光谱技术对中药进行了无损检测, 实现了炮制品、伪造品以及正品中药的定性识别。杨帆^[5]等将太赫兹时域光谱技术与有效介质理论结合起来, 实现了对皮肤水分含量的变化的准确评估, 为太赫兹皮肤烧伤和皮肤疾病检测提供理论支撑。除此之外, 太赫兹时域光谱技术还应用于农产品中农药的安全检测^[6]以及人体癌变细胞或组织的检测^[7]等。

相对于传统的棉花种子, 转基因棉花种子具有抗虫、抗旱、产量高等优点。运用太赫兹时域光谱技术实现对不同类型的转基因棉花种子进行识别, 能够根据种植环境的不同选择合适的棉花种子, 以此来提高棉花的产量。在转基因棉花种子的鉴别方面, Qin^[8]等提出一种结合支持向量机(support vector machine, SVM)和多种群遗传算法(multi-population genetic algorithm, MPGA)的转基因棉花种子的鉴定方法。陈涛^[9]等提出一种布谷鸟搜索算法优化支持向量机的转基因产品鉴别方法。 Liu^[10]等建立了一种基于太赫兹频谱的改进决策支持向量机(decision support vector machine, DSVM)模式识别模型。首先, 通过因子分析(factor analysis, FA)对原始太赫兹光谱数据进行降维, 提取数据特征; 然后, 将选择的特征光谱数据输入到DSVM模型中, 成功识别预测样本。现有的对转基因棉花种子的太赫兹光谱识别主要是通过主成分分析(principal component analysis , PCA)和SVM来实现的, 虽然取得了一定的效果, 但是也存在一些不足。例如, SVM作为一种适合小样本的学习方法, 核参数的正确选择对最终结果的影响很大。而PCA作为一种常用的线性降维方法, 用其累计方差贡献率最大的几个成分去解释全体样本, 往往存在一定的偶然性, 而且忽略掉的成分往往包含着反映样本特征的重要信息。针对以上不足, 本文提出均匀流形逼近与投影(uniform manifold approximation and projection, UMAP)辅助的模糊C聚类方法, 实现对不同类型的转基因棉花种子的判别。

区别于常用的降维方法如PCA^[11]、局部线性嵌入(local linear embedding, LLE)^[12]、局部保持投影(local preserving projection, LPP)^[13], 均匀流形逼近与投影(uniform manifold approximation and projection , UMAP)是一种新的流形学习技术^[14], 其利用局部流形逼近和局部模糊单纯形集表示来构造高维数据的拓扑表示。在低维空间中, 其优化数据的低维空间布局, 使高维和低维两个拓扑表示之间的交叉熵最小。 UMAP不仅具有可视化的优点, 而且同时耗时短、对嵌入维数没有限制, 可以扩展到更大的维度的数据集。

传统的模糊C聚类方法(Fuzzy C-clustering method, FCM)^[15]在选择聚类中心时没有一个确定的标准, 聚类中心往往随机选定。当选择的初始聚类中心不合适时, 其聚类结果可能出现局部最优的现象, 从而使聚类产生错误。为此, 本文提出一种基于UMAP辅助的模糊C聚类算法, 首先采用UMAP对原始光谱数据矩阵进行降维, 然后根据降维的结果进行初始聚类中心的选取, 最后利用模糊C方法进行聚类分析。为了验证所提方法的可行性, 首先采用太赫兹时域光谱技术探测了四种类型不同的转基因棉花种子, 获得了四种转基因棉花种子的太赫兹吸收光谱。然后采用本文所提方法对吸光度光谱数据进行聚类分析, 并与PCA, LLE和LPP等方法进行对比, 研究结果表明本文提出的基于UMAP辅助的模糊C聚类算法在转基因棉花种子的太赫兹光谱分类识别上具有很好的实用性。

1 原理

1.1 太赫兹时域光谱理论

太赫兹波是一种波长在0.03~3 mm范围内的电磁波其对应的频率为0.1~10 THz。为了分析太赫兹光谱数据, 引入式(1)

$\frac{G_{trans} (ω)}{G_{0} (ω)} = A \exp (- iφ (ω))$ (1)

式(1)中, G₀(ω )是太赫兹参考信号的幅度, G_trans(ω )是发射的太赫兹信号的幅度, φ (ω )是样本和参考信号之间的相差, ω 是太赫兹波振动的角频率。

材料的吸收系数定义为

$β = \frac{2 ωb}{c}$ (2)

式(2)中, b是表示材质吸收的消光系数, c是光速。

式(1)可以近似为

$\begin{array}{l} \frac{G_{trans} (ω)}{G_{0} (ω)} = A \exp (- iφ (ω)) \approx \\ \frac{4 z}{{(z + 1)}^{2}} \exp [\frac{iω (n - 1) h}{c}] \exp (- \frac{βh}{2}) \end{array}$ (3)

式(3)中, h为试样厚度, 均为1 mm, 误差小于0.05 mm。材料的折射率z和吸收系数β 可通过式(4)和式(5)获得

$z = \frac{cφ (ω)}{ωh} + 1$ (4)

$β = \frac{2}{h} \ln [\frac{4 z}{A {(z + 1)}^{2}}]$ (5)

1.2 UMAP降维理论

UMAP算法分两步进行降维, 首先通过将相邻多维值之间的差异转换为权重, 生成多维结果的有偏k-近邻图; 然后优化数据集维度的交叉熵。

输入数据集X={x₁, x₂, …, x_N}, x_i∈ R^M, 寻找其最优低维表示Y={y₁, …, y_N∣y_i∈ R^k}。 UMAP降维分两步进行: (1)在高维空间中构造一个特定的加权k近邻图; (2)计算该图的低维布局。

高维空间中, 设X={x₁, …, x_N}为输入数据集, 带有一个度量d: X× X→ R_{≥ 0}。给定输入超参数k, 对于每个x_i, 计算集合{ $x_{i_{1}}$ , …, $x_{i_{k}}$ }, 使用最近邻下降算法进行该计算。

对于每个x_i, 定义ρ _i和σ _i

$ρ_{i} = \min {d (x_{i}, x_{i_{j}}) | 1 \leq j \leq k, d (x_{i}, x_{i_{j}}) > 0}$ (6)

并将σ _i用式(7)定义

$\overset{k}{\sum_{j}} \exp (\frac{- \max (0, d (x_{i}, x_{i_{j}}) - ρ_{i})}{σ_{i}}) = lo g_{2} (k)$ (7)

定义一个加权有向图 $\overset{̅}{G}$ =(V, E, w), G的顶点V是集合X, 那么可以形成有向边的集合E={(x_i, $x_{i_{j}}$ )|1≤ j≤ k, 1≤ i≤ N}。权重函数w可以如式(8)定义

$w ((x_{i}, x_{i_{j}})) = \exp (\frac{- \max (0, d (x_{i}, x_{i_{j}}) - ρ_{i})}{σ_{i}})$ (8)

设A为 $\overset{̅}{G}$ 的加权邻接矩阵, 考虑对称矩阵。

B=A+A'-A A(9)

式(9)中, 表示逐点乘积。

然后, UMAP通过对称从有向图 $\overset{̅}{G}$ 中定义一个无向加权图G, 其邻接矩阵由B给出。

低维空间中, UMAP使用力导向图布局算法, 利用引力和排斥力演化出一个等价的加权图H, 它包含一组点{y_i}_i_{=1, …,}_N。 y_i和y_j处的引力和斥力由式(10)和式(11)定义

$\begin{array}{l} \frac{- 2 ab ‖ y_{i} - y_{j} ‖_{2}^{2 (b - 1)}}{1 + ‖ y_{i} - y_{j} ‖_{2}^{2}} w ((x_{i}, x_{j})) (y_{i} - y_{j}) \\ \frac{2 b}{(ε + ‖ y_{i} - y_{j} ‖_{2}^{2}) (1 + a‖ y_{i} - y_{j} ‖_{2}^{2 b})} \cdot \\ (1 - w ((x_{i}, x_{j}))) (y_{i} - y_{j}) (11) \end{array}$ (10)

式(10)和式(11)中, a和b是超参数, ε 是一个小数, 以防止被零除。

1.3 传统模糊C聚类理论

设N个待分类样本的集合为X={x_i, i=1, 2, …, N), 模糊C均值聚类是以隶属度函数u作为样本x_i的类别标号, 将N个样本划分到C个类别中。其分类准则是使聚类中心V={v_j, j=1, 2, …, N}的模糊误差平方和最小, 聚类损失函数定义为

$J = \overset{C}{\sum_{j}} \overset{N}{\sum_{i}} (u_{j} (x_{i} {))}^{b} ‖ x_{i} - v_{j} ‖^{2}$ (12)

式(12)中, b用于控制聚类结果的模糊程度。

在该算法中, 隶属度函数u为连续的, u_j(x_i)可在区间[0, 1]任意取值, 并且有

$\overset{c}{\sum_{j}} u_{j} (x_{i}) = 1$ (13)

为求式(12)中J的极小值, 分别令其对u_j(x_i)和v_j的偏导数为0, 则

$v_{j} = \frac{\overset{N}{\sum_{i}} (u_{j} (x_{i} {))}^{b} x_{i}}{\overset{N}{\sum_{i}} (u_{j} (x_{i} {))}^{b}}$ (14)

$u_{j} (x_{i}) = \frac{(1 / ‖ x_{i} - v_{j} ‖^{2})^{1 / (b - 1)}}{\overset{C}{\sum_{k}} (1 / ‖ x_{i} - v_{k} ‖^{2})^{1 / (b - 1)}}$ (15)

算法采用迭代的方法进行, 即通过式(14)和式(15)完成对隶属度函数u和聚类中心V的更新, 经多次迭代直到聚类中心的位置固定完成聚类。

尽管模糊C算法得到了较为广泛的应用, 但该方法也存在着不足之处: 由于模糊C聚类方法的初始聚类中心随机确定, 当初始聚类中心选择不当时会影响聚类的效率, 且很可能出现聚类准则陷入局部最小的情况, 从而导致错误的聚类结果。

1.4 UMAP辅助的模糊C聚类方法

针对经典模糊C聚类方法易陷入局部最优的缺点, 本文首先采用均匀流形逼近与投影(UMAP)对不同样本的太赫兹光谱数据进行降维, 再根据样本的分布特征来确定属于不同类别的样本点, 以此作为初始聚类中心来进行后续的分析。具体步骤如下:

(1)获得参与聚类的原始数据X(N× M), 其中N为样本数, M为高维空间的维数。

(2)UMAP降维。利用UMAP方法对原始数据矩阵X(N× M)进行降维, 得到反映样本之间距离的新的特征空间Y(N× L), 其中N是样本数, L是低维空间的维数(通常取值为2或者3)。

(3)初始聚类中心的优化。求出样本在最大主方向上的投影Y₁, 并将Y₁的值按照由大到小排列得到新的序列Y₁₁。根据待处理样本的类别数目C, 进行初始聚类中心的选取。

(4)隶属度的迭代计算。利用(3)所得初始聚类中心对(2)所得新的特征空间进行聚类。迭代过程中, 式‖ V_a₊₁-V_a‖ < ε 中的ε 代表迭代阈值。

本文提出方法的计算流程如图1所示。

	Figure Option View Download New Window
	图1 基于UMAP辅助的模糊C聚类方法流程图Fig.1 Flow chart of fuzzy C-clustering method based on UMAP assisted

从图1可以看出: 本文所提方法的核心是利用UMAP进行降维, 然后根据类之间距离最大化的原则来进行聚类中心的选择, 与传统方法相比, 本文所提方法可以有效避免局部最优问题的出现, 提高聚类的正确率。

2 实验部分

如图2所示, 采用具有45度入射的透射太赫兹系统进行THz数据的采集。 Toptica Photonics AG的超快飞秒激光器用于泵浦和检测太赫兹波。激光束用作光源, 激光被λ /2波片分为泵浦光和探测光。较强的一束是泵浦光, 泵浦光透过分束镜, 经平面镜的反射, 再依次经过斩波器、延迟器, 经平面镜反射后照射在砷化镓(GaAs)天线上, 激发出太赫兹脉冲, 太赫兹脉冲先后经准直和聚焦, 照射待测样品, 从而携带样品信息。较弱的一束光为探测光, 探测光经准直、聚焦后照射在碲化锌(ZnTe)晶体上, 经电光取样后, 获得太赫兹电场。太赫兹波聚焦照射光电二极管调制探测光, 从而使探测光的偏振方向发生改变, 期间锁相放大器收到产生的调制信号。实验中, LabVIEW程序实现对扫描台的控制, 锁相放大器用来对太赫兹信号进行采集。

	Figure Option View Download New Window
	图2 太赫兹时域光谱系统原理Fig.2 Principle of the terahertz time-domain spectroscopy system

本文采用上述实验装置对鲁棉研28、鲁棉研29、鲁棉研36、中棉28四种不同类型的转基因棉花种子进行探测, 获得四种不同类型的转基因棉花种子的吸光度光谱数据, 运用UMAP辅助的模糊C聚类方法对吸光度光谱数据进行处理, 并分析不同样本的聚类情况。

3 结果与讨论

3.1 光谱数据采集

实验中为了观察样品对太赫兹波的吸收特征, 首先定义一个参考信号, 参考信号定义为在不放置样品时采集到的太赫兹信号。对采集到的数据进行光谱分析, 时域图如图3所示。不难看出, 四种转基因棉花种子相对于参考信号都发生了不同的频率偏移。对时域数据进行快速傅里叶变换(FFT)得到四种转基因棉花种子的频域图, 如图4所示, 可以发现四种转基因棉花种子的太赫兹波的强度相对于参考信号都有所降低, 这是由于样品对太赫兹波的吸收导致的。四种转基因棉花种子都在相同的条件下制备且实验环境相同, 不同的只是转基因棉花种子的型号, 因此可以说明不同型号的转基因棉花种子对太赫兹的吸收是不同的。

	Figure Option View Download New Window
	图3 四种转基因棉花种子时域图Fig.3 Time domain diagram of four transgenic cotton seeds

	Figure Option View Download New Window
	图4 四种转基因棉花种子频域图Fig.4 Frequency domain diagram of four transgenic cotton seeds

实验中, 选取的样本的纯净度很高, 但并不是纯净物, 并且经过研磨压片处理的样品, 其厚度仍有略微不同。为了减小厚度对给后续分析带来的影响, 采用吸光度(Absorbance)处理实验数据, 吸光度表示光波被材料吸收的程度。吸光度公式在第2节已经给出。四种转基因棉花种子的吸光度曲线如图5所示。

	Figure Option View Download New Window
	图5 四种转基因棉花种子吸光度Fig.5 The absorbance of four transgenic cotton seeds

从图5可以看出, 鲁棉研28的吸收峰值和其他三类转基因棉花种子有较大差异, 但鲁棉研29、鲁棉研36、中棉28的吸收峰值相近, 不易区分。因此, 需要建立数学模型对四种不同类型的转基因棉花种子进行区分。

3.2 聚类分析

实验中, 选取的实验样品为转基因棉花种子。实验样品共包含4个类别, 分别是鲁棉研28、鲁棉研29、鲁棉研36、中棉28, 每个类别包含30个样本, 一共有30× 4个样本。参与聚类的数据为四种转基因棉花种子的吸光度数据。首先, 对吸光度数据进行降维处理, 分别采用PCA, LLE, LPP和UMAP对吸光度矩阵进行降维。其中算法的参数设计如下: PCA中累计方差贡献率为0.85; LLE中的最大近邻点的个数设置为30, 最大嵌入维数设置为3; LPP中的最大近邻点的个数设置为30, 原始空间中两点的距离权重系数为0(x_i和x_j不是近邻点时)或1(x_i和x_j是近邻点时); UMAP中设置的最大近邻点的个数为30, 目标嵌入维度为3, 嵌入空间中闭合两点的间隔设为0。不同方法降维的结果如图6所示。

	Figure Option View Download New Window
	图6 不同降维方法下的聚类效果(三维) (a): PCA聚类效果; (b): LLE聚类效果; (c): LPP聚类效果; (d): UMAP聚类效果Fig.6 Clustering result of different dimensionality reduction methods (3D) (a): Clustering result of PCA; (b): Clustering result of LLE; (c): Clustering result of LPP; (d): Clustering result of UMAP

从图6(a)— (c)可以看出, PCA, LLE以及LPP虽然实现了光谱数据的降维, 但是不能实现不同转基因棉花种子光谱数据的准确聚类, 分类的准确率都为0。通过图6(d)发现, UMAP的聚类效果要明显优于上述3种方法, 其对鲁棉研28、鲁棉研29、鲁棉研36、中棉28分类的正确率分别为0.6, 0.633 3, 0.7和0.566 7, 分类总正确率为0.625, 但是其聚类识别的精度仍然需要进一步提升。

下面我们采用不同降维模型来优化模糊C聚类方法, 并对吸光度数据进行处理。经UMAP降维后, 聚类中心的选择结果如图7所示。

	Figure Option View Download New Window
	图7 聚类中心的选择Fig.7 Selection of cluster centers

根据样本经过降维后的分布特征来确定属于不同类别的样本点, 以此作为初始聚类中心来进行后续的模糊C聚类分析, 效果如图8所示。

Figure Option
View Download New Window

图8 不同降维方法辅助的模糊C聚类效果(三维)
(a): PCA辅助的模糊C方法聚类效果; (b): LLE辅助的模糊C方法聚类效果; (c): LPP辅助的模糊C方法聚类效果; (d): UMAP辅助的模糊C方法聚类效果Fig.8 Clustering result of FCM assisted by different dimensionality reduction methods (3D)
(a): Clustering result of PCA-assisted FCM; (b): Clustering result of LLE-assisted FCM; (c): Clustering result of LPP-assisted FCM; (d): Clustering result of UMAP-assisted FCM

对比图6和图8可以看出, 在结合了模糊C聚类方法后, 四种方法出现的聚类混叠现象有了改善, 只出现了将少部分样本聚类错误的情况, 由此可见PCA(LLE或LPP或UMAP)辅助的模糊C聚类方法的聚类效果要明显好于单纯的降维方法。为了进一步验证本文所提方法的实用性, 本文通过计算基于不同降维方法辅助的模糊C聚类方法聚类的正确率来进行比较, 其结果如表1所示。从表1可以发现, 在结合了模糊C聚类方法后, 不同类别的识别正确率和总正确率相对于单纯的降维方法都有所提高, 说明将降维方法和模糊C聚类方法结合在太赫兹光谱识别方面具有较高的可靠性。同时, UMAP辅助的模糊C聚类方法对鲁棉研28、鲁棉研29、鲁棉研36、中棉28的分类正确率为1, 1, 0.966 7和0.966 7, 分类总正确率达到了0.983 3, 要远远高于前三者, 说明本文所提出的方法具有极大的优势, 可靠性更高。

表1 不同降维方法辅助的模糊C聚类的正确率 Table 1 The clustering correct rate of different dimension reduction-method assisted FCM

4 结论

针对太赫兹对转基因作物进行鉴别过程中, 存在过程复杂、准确率不高的问题, 本文提出基于UMAP辅助的模糊C聚类方法用来进行太赫兹光谱识别。 (1)与传统方法相比, 本文的创新点是将UMAP与模糊C理论相结合, 用UMAP对吸光度数据进行降维, 然后根据类与类之间距离最大化的原则, 选择初始聚类中心从而实现模糊C聚类。 (2)为了验证本文所提方法的可靠性, 采用太赫兹时域光谱技术对四种转基因棉花种子进行测量, 并对得到的四种转基因棉花种子的吸光度数据进行聚类分析。 (3)通过与PCA, LLE, LPP及传统模糊C聚类方法处理的结果进行对比, 发现本文所提方法的聚类效果明显要好于其他方法, 说明UMAP辅助的模糊C聚类方法与THz光谱相结合是转基因棉花种子无损检测的潜在识别工具。

参考文献

文献列表

[1]	Hu Xiaohua, Lang Wenhui, Liu Wei, et al. Journal of Infrared, Millimeter and Terahertz Waves, 2017, 38(8): 980. [本文引用:1]
[2]	You Chengwu, Wang Tianyi, Qian Shunrong, et al. Applied Optics, 2018, 57(17): 4884. [本文引用:1]
[3]	SHI Wei, WANG Hai-qing, HOU Lei, et al(施卫, 王海青, 侯磊, 等). SCIENTIA SINICA Physica, Mechanica & Astronomica(中国科学: 物理学、力学、天文学), 2021, 51(5): 054210. [本文引用:1]
[4]	RAO Jin-qiu, ZHAO Qi-duo, QIU Feng(饶近秋, 赵启铎, 邱峰). China Journal of Chinese Materia Medica(中国中药杂志), 2020, 45(4): 825. [本文引用:1]
[5]	YANG Fan, YU Xiao, LIU Li, et al(杨帆, 余晓, 刘黎, 等). Transactions of China Electrotechnical Society(电工技术学报), 2021, 36(4): 777. [本文引用:1]
[6]	MA Qing-xiao, LI Chun, LI Tian-ying, et al(马卿效, 李春, 李天莹, 等). Progress in Laser and Optoelectronics(激光与光电子学进展), 2020, 57(13): 130006. [本文引用:1]
[7]	Cao Yunqi, Chen Jiani, Zhang Guangxin, et al. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 2021, 256: 119713. [本文引用:1]
[8]	Qin Binyi, Li Zhi, Chen Tao, et al. Optik-International Journal for Light and Electron Optics, 2017, 142: 576. [本文引用:1]
[9]	CHEN Tao, LI Zhi, HU Fang-rong, et al(陈涛, 李智, 胡放荣, 等). Spectroscopy and Spectral Analysis(光谱学与光谱分析), 2017, 37(2): 618. [本文引用:1]
[10]	Liu Jianjun, Li Zhi, Hu Fangrong, et al. Optik-International Journal for Light and Electron Optics, 2014, 125(23): 6914. [本文引用:1]
[11]	Sivertsen Edvard, Thyholt Kari, Rustad Turid, et al. Food Control, 2021, 131: 108385. [本文引用:1]
[12]	SHAN Zhi-lei, ZHANG Wang-fei, ZHAO Xi-lin, et al(单治磊, 张王菲, 赵熙临, 等). Journal of Southwest Forestry University·Natural Science(西南林业大学学报·自然科学), 2017, 142(6): 188. [本文引用:1]
[13]	Tang Qiu, Chai Yi, Qiu Jianfeng, et al. Journal of Process Control, 2019, 81: 76. [本文引用:1]
[14]	Mcinnes L, Healy J. Journal of Open Source Software, 2018, 3(29): 861. [本文引用:1]
[15]	TANG Zheng-hua(汤正华). Acta Metrologica Sinica(计量学报), 2020, 41(4): 505. [本文引用:1]

2017

0.0

... 特征^[1], 在物质鉴别分类和无损检测领域具有广泛应用 ...

2018

0.0

... 与X射线相比, 太赫兹辐射的能量很低, 不会由于电离而损坏被检测的物质^[2], 在无损检测方面具有很大的潜力 ...

2021

0.0

... 施卫^[3]等搭建了一套THz时域光谱测量系统, 用来对微量活细胞进行检测, 为活性生物大分子或组织的检测奠定了基础 ...

2020

0.0

... 饶近秋^[4]等利用太赫兹时域光谱技术对中药进行了无损检测, 实现了炮制品、伪造品以及正品中药的定性识别 ...

2021

0.0

... 杨帆^[5]等将太赫兹时域光谱技术与有效介质理论结合起来, 实现了对皮肤水分含量的变化的准确评估, 为太赫兹皮肤烧伤和皮肤疾病检测提供理论支撑 ...

2020

0.0

... 除此之外, 太赫兹时域光谱技术还应用于农产品中农药的安全检测^[6]以及人体癌变细胞或组织的检测^[7]等 ...

2021

0.0

... 除此之外, 太赫兹时域光谱技术还应用于农产品中农药的安全检测^[6]以及人体癌变细胞或组织的检测^[7]等 ...

2017

0.0

... 在转基因棉花种子的鉴别方面, Qin^[8]等提出一种结合支持向量机(support vector machine, SVM)和多种群遗传算法(multi-population genetic algorithm, MPGA)的转基因棉花种子的鉴定方法 ...

2017

0.0

... 陈涛^[9]等提出一种布谷鸟搜索算法优化支持向量机的转基因产品鉴别方法 ...

2014

0.0

... Liu^[10]等建立了一种基于太赫兹频谱的改进决策支持向量机(decision support vector machine, DSVM)模式识别模型 ...

2021

0.0

... 区别于常用的降维方法如PCA^[11]、局部线性嵌入(local linear embedding, LLE)^[12]、局部保持投影(local preserving projection, LPP)^[13], 均匀流形逼近与投影(uniform manifold approximation and projection , UMAP)是一种新的流形学习技术^[14], 其利用局部流形逼近和局部模糊单纯形集表示来构造高维数据的拓扑表示 ...

2017

0.0

2019

0.0

2018

0.0

2020

0.0

... 传统的模糊C聚类方法(Fuzzy C-clustering method, FCM)^[15]在选择聚类中心时没有一个确定的标准, 聚类中心往往随机选定 ...