A carregar...
Publicação
SERS Spectra Classification using Deep Learning
| Nome: | Descrição: | Tamanho: | Formato: | |
|---|---|---|---|---|
| 10.04 MB | Adobe PDF |
Autores
Orientador(es)
Resumo(s)
Recently, wines became a carefully engineered mixture of components. The particular-
ities of each mixture are what make wines unique and, in order to make this analysis
of mixtures and combinations, techniques of thorough identification of components are
required. Such techniques, like SERS, produce very detailed information, however, that
information can be hard to interpret. Given the large number of possible samples and
the endless variations in the wines’ compositions, the interpretation becomes more com-
plicated.
The main goal of this study is to find relations within the characteristics and com-
positions of a variety of Portuguese white wines. We propose the use of Deep Learning
for the task of feature extraction and dimensionality reduction of the SERS spectra of
the Portuguese white wines, in order to find a representation that is suitable for analysis
by simple predictive algorithms. Deep Neural Networks have been proven to be very
useful in finding simpler representations of complex data, while improving the relevance
of the extracted features and preserving their structure, whilst simultaneously giving
an insight on the characteristics the network considered most relevant for that represen-
tation. Autoencoders are Deep Neural Networks especially designed for learning these
representations from learned patterns in the data, with the sole purpose of making the
representations sufficiently informative to be reconstructed back to its original state.
In the presented thesis, we attempted to use traditional Autoencoders (AE) for feature
extraction and dimensionality reduction prior to classification and clustering. With the
autoencoders, it was not possible to generate representations that showed a clear distinc-
tion between wine regions, types or grape variety, but were able to successfully generate
representations that demonstrated the distinction between the different wines, meaning
that this technique can be useful to provide understanding on the characteristics that
distinguish each wine.
Recentemente, os vinhos tornaram-se uma mistura de componentes cuidadosamente con- cebida. As particularidades de cada mistura são o que torna os vinhos únicos e, de modo a que esta análise de misturas e combinações seja possível, é necessária a utilização de fer- ramentas de identificação rigorosa de componentes. Tais técnicas, como SERS, produzem informação muito detalhada, no entanto, essa informação é muito difícil de interpretar. Dado o grande número de amostras possíveis e as infinitas variações nas composições dos vinhos, a interpretação torna-se ainda mais complicada. O principal objetivo deste estudo é encontrar relações nas características e composi- ções de uma variedade de vinhos brancos portugueses. Propomos a utilização de Aprendi- zagem Profunda para extracção de features e redução da dimensionalidade dos espectros SERS de vinhos brancos Portugueses, a fim de encontrar uma representação que seja adequada para análise com algoritmos preditivos simples. Redes Neurais Profundas pro- varam ser muito úteis na procura de representações mais simples de dados complexos que, ao mesmo tempo, melhoram a relevância das features extraídas e preservam a es- trutura dos dados, enquanto permitem também dar uma visão das características que a rede considera mais relevantes para gerar essa representação. Os Autoencoders são Redes Neurais Profundas especialmente concebidas para aprender estas representações a par- tir de padrões aprendidos dos dados, com o único objetivo de tornar as representações suficientemente informativas para serem reconstruídas de volta ao seu estado original. Nesta tese utilizamos os Autoencoders (AE) tradicionais para extracção de caracterís- ticas e redução da dimensionalidade antes da classificação e clustering. Com os autoen- coders não foi possível gerar representações que mostrassem uma clara distinção entre regiões, tipos ou castas de vinho, mas foi possível gerar com sucesso representações que demonstram a distinção entre os diferentes vinhos, o que significa que esta técnica pode ser útil para a compreensão das características que distinguem cada vinho.
Recentemente, os vinhos tornaram-se uma mistura de componentes cuidadosamente con- cebida. As particularidades de cada mistura são o que torna os vinhos únicos e, de modo a que esta análise de misturas e combinações seja possível, é necessária a utilização de fer- ramentas de identificação rigorosa de componentes. Tais técnicas, como SERS, produzem informação muito detalhada, no entanto, essa informação é muito difícil de interpretar. Dado o grande número de amostras possíveis e as infinitas variações nas composições dos vinhos, a interpretação torna-se ainda mais complicada. O principal objetivo deste estudo é encontrar relações nas características e composi- ções de uma variedade de vinhos brancos portugueses. Propomos a utilização de Aprendi- zagem Profunda para extracção de features e redução da dimensionalidade dos espectros SERS de vinhos brancos Portugueses, a fim de encontrar uma representação que seja adequada para análise com algoritmos preditivos simples. Redes Neurais Profundas pro- varam ser muito úteis na procura de representações mais simples de dados complexos que, ao mesmo tempo, melhoram a relevância das features extraídas e preservam a es- trutura dos dados, enquanto permitem também dar uma visão das características que a rede considera mais relevantes para gerar essa representação. Os Autoencoders são Redes Neurais Profundas especialmente concebidas para aprender estas representações a par- tir de padrões aprendidos dos dados, com o único objetivo de tornar as representações suficientemente informativas para serem reconstruídas de volta ao seu estado original. Nesta tese utilizamos os Autoencoders (AE) tradicionais para extracção de caracterís- ticas e redução da dimensionalidade antes da classificação e clustering. Com os autoen- coders não foi possível gerar representações que mostrassem uma clara distinção entre regiões, tipos ou castas de vinho, mas foi possível gerar com sucesso representações que demonstram a distinção entre os diferentes vinhos, o que significa que esta técnica pode ser útil para a compreensão das características que distinguem cada vinho.
Descrição
Palavras-chave
Deep Learning Deep Neural Networks Autoencoder Dimensionality Reduction Feature Extraction urface Enhanced Raman Spectroscopy (SERS)