摘要:
为客观、有效对古陶瓷进行无损断代, 提出了一种基于可见-近红外光谱古陶瓷断代分类识别方法.耀州窑古陶瓷跨代较多, 且不同朝代之间具有物理相似性, 因此耀州窑的断代具有一定的挑战性.以耀州窑为研究对象, 在采用紫外-可见-近红外光谱分析仪获取古陶瓷不同朝代的多光谱数据的基础上, 提出基于分数阶微分对光谱数据进行预处理, 避免微分预处理常用的一阶微分和二阶微分遗漏中间过渡信息, 同时压制并消除光谱数据中的背景信息和噪声干扰.实验结果表明, 未进行微分处理 (0阶) 时, 耀州窑不同年代古陶瓷的分类准确率仅为84.8%, 而基于不同分数阶微分的分类准确率均较0阶明显高, 分数阶微分的最优阶数为0.7阶.另外, 提出基于深度信念网络对不同朝代古陶瓷进行断代分类, 首先采用层叠的受限玻尔兹曼机 (RBM) 对深度网络进行预训练, 提取光谱数据高层特征以消除光谱数据中的冗余特征.实验结果表明, 光谱数据经RBM降维之前特征间的相关系数为0.885 7, 经第一层和第二层RBM降维后的相关系数分别为0.544 6和0.391 5, 特征间的相关性明显下降, 冗余度明显减少.然后将RBM预训练得到的权值参数对BP神经网络进行初始化, 并对深度信念网络进行微调, 在克服BP神经网络因随机初始化权值参数而陷入局部最优局限性的同时, 提升网络训练主动性.实验可得, 深度信念网络的最优RBM数量为2, RBM隐藏层最优节点数为100.最后, 为避免小样本数据基于深度信念网络进行训练易出现过拟合, 提出了一种Dropout随机丢弃策略, 在深度信念网络训练阶段以一定概率随机让网络某些隐含层节点的权重不工作, 以减少网络训练过程特征之间的相互依赖性, 实验可得当Dropout丢弃比例为0.45时, 分类性能最高.采用所提方法, 耀州窑不同朝代古陶瓷分类的平均准确率为93.5%, 而耀州窑五代时期的分类识别率最高为96.3%.通过与同类古陶瓷断代分析方法的客观定量对比, 表明所提方法有效、可行, 为古陶瓷的断代提供了新方法.