太赫兹辐射一般用于哪些应用？神经网络成像需要哪些材料？
太赫兹时域光谱可以从材料中提取电学特性，可以通过透射或反射几何测量来提取复介电常数，从而能够识别材料。
要进行精确识别，必须知道样品厚度和太赫兹辐射的入射角，当这些参数未知并且材料显示出强吸光度时，材料之间的精确区分具有挑战性。
太赫兹辐射有可能用于许多常见的安全应用，目的是检测隐藏的武器或有害物质，大多数情况下，图像是在一个频率的反射几何中拍摄的，从而产生单色图像，这种方法的一个增强是将某些材料映射到所拍摄图像的某些部分。
一些材料，如药物、炸药和其他复杂化学品，在太赫兹频率范围内具有明确的光谱指纹，比较存在光谱吸收线的频率等简单方法可以高精度地自动区分材料，由于许多介电材料在太赫兹频率范围内没有光谱指纹，简单的分类是失败的。
为了使分类尽可能真实，16种在考虑的频率范围内没有光谱指纹的不同聚合物，在这里，通过熔融沉积建模(FDM)进行的3D打印是一种行之有效的太赫兹器件制造方法，聚合物的3D打印可实现具有高再现性的精确样品制造。
由于样本在样本架中的位置是已知的，因此可以轻松标记数据，样品架的通光孔径为每个样品窗口30.5毫米x30.5毫米。
为了在一次测量运行中从不同厚度的样品中获取测量数据，设计了第二个样品结构，该结构具有四个不同的阶段，厚度分别为1毫米、2毫米、3毫米和4毫米。
为了获得精细的空间分辨率，太赫兹辐射被聚焦，焦距为50mm的平凸TPX透镜准直发射的太赫兹辐射。
另一组相同的透镜将准直的太赫兹光束聚焦在接收器上，将样品架定位在平移台上，可以使用透射模式下的聚焦太赫兹光束测量y和z方向上不同位置的太赫兹迹线。
可以将测量视为太赫兹图像，该图像是通过逐步移动平移台并扫描整个区域而制成的，每条THz-TDS轨迹使用每个轴上1mm的步长和100ps的固定时间窗口，如果太赫兹路径中不存在样本，则获得单次带宽>4THz且峰值动态范围为56dB。
由于神经网络的训练通常需要大量数据，因此记录了每个打印样本集的六张太赫兹图像，通过这种方式，可以从测量中组合不同的数据集。
为了使训练数据免受边缘效应的影响，20mm的区域×20为每个训练样本选择mm，对于验证样品的每个高度台阶，面积为8mm×8mm被选中了。
这样，每个训练样本可以获得400条迹线，每个验证样本每个厚度可以获得64条迹线，总共收集了101,376条可用的THz-TDS迹线，分布在来自测量1和测量2的每种厚度和材料的2,400条迹线和来自测量3的每种厚度和材料的384条THz-TDS迹线。
在处理神经网络和其他分类算法时，数据准备很重要，因为它直接影响测量数据的解释，THz-TDS轨迹中存在不需要的信号分量或错误相关可能会导致较低的分类精度。
为了表征不同数据准备的影响，神经网络将使用不同处理的数据进行训练，由于神经网络不仅可以处理时域数据，还可以处理频域数据，因此另一个有趣的方面是两个域之间的比较。
由于系统在自由空间传输中显示出约56dB的高峰值动态范围，因此未考虑用于提高信噪比(SNR)的复杂预处理，去除包含直流、低频和高频噪声的不需要的噪声分量是数据准备的主要部分。
从200GHz开始到4.5THz结束的Tukey窗口丢弃所有滤波方法中不可用的频率分量，其中不进行与参考的除法，重量为1且宽度为95%的平坦屋顶可实现所有相关频率分量的平坦旁路。
为了测试经过训练的神经网络的功能，每个测量类型的一次测量（包含每种材料和厚度的400条未知迹线）被保留并且不用于训练。
使用所有提供的数据准备技术过滤每个材料厚度的5个剩余测量值，神经网络使用厚度为1毫米和5毫米的所有过滤数据集进行训练。
为了获得有关实现每个过滤数据集的高精度所需的太赫兹迹线数量的信息，网络接受了越来越多的迹线训练，从每种材料25条迹线到每种材料4000条迹线。
在用厚度为1毫米和5毫米的五个测量组的介电样品训练神经网络后，对大多数材料的阻滞未知测试测量进行了分类，准确度为100%。
具有共享基础材料的材料之间的区分更具挑战性，在这里，经过最佳训练的网络的准确度达到了86%甚至更高，从而使整体准确度达到了98%。
克服不同厚度影响的一种可能方法是在反射模式下进行测量，由于所有迹线的飞行时间在移动后都相同，因此这种方法应该具有相同的高精度，因为厚度在反射几何测量中不起作用。
由于所提出的方法能够在特定厚度范围内进行分类，因此具有更多厚度的训练可能会导致训练有素的网络能够对训练范围内的所有材料进行分类，该方法可以与无透镜成像相结合，对未知方向和距离的任意形状物体的材料进行分类。
