[發明專利]一種用于拉曼光譜學的基于多項式重建算法的CNN遷移學習方法

在審

• 申請號: 202111173365.0
• 申請日: 2021-10-08
• 公開（公告）號: CN113947117A
• 公開（公告）日: 2022-01-18
• 發明（設計）人: 尹建華;尚林偉;吳進錦;王慧捷
• 申請（專利權）人: 南京航空航天大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06N3/04;G01N21/65;G01J3/44
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種用于拉曼光譜學的基于多項式重建算法的CNN遷移學習方法，其特征在于：包括以下步驟：

步驟1：從公開的拉曼光譜數據庫獲得原始光譜構建拉曼光譜大數據集；

步驟2：利用重建算法對大數據集中的拉曼光譜進行重建；

步驟3：利用數據增強方法來擴充數據；

步驟4：利用大數據集中的重建光譜訓練一個卷積神經網絡(CNN)模型；

步驟5：利用兩個不同的拉曼光譜儀構建兩個自測拉曼光譜數據集；隨后用重建算法對兩個數據集中的光譜進行重建；

步驟6：將一個拉曼光譜儀所測數據作為校準數據，經過數據增強處理后，用于重新訓練CNN模型的全連接層；另一個拉曼光譜儀所測數據集作為測試數據；

步驟7：使用K折交叉驗證法產生不同比率的校準數據來測試CNN模型在遷移學習中對校準數據的需求；使用K最近鄰分類器(KNN)來評估CNN模型的遷移學習性能。

2.根據權利要求1所述的方法，其特征在于，所述的步驟2包括以下幾個要點：

重建算法使用Savitzky-Golay(SG)算子來計算重建光譜上每個點的數據；

重建算法使用波數最小差值匹配法將重建光譜上的每個點匹配到原始光譜上的對應點，以此來定位SG算子的窗口位置；

SG算子的窗口長度和階次可以自由設置；

重建光譜的起始點、終止點和采樣率可以自由設置；

利用SG平滑結合樣條插值算法的方法處理原始光譜，以評估重建算法的效果。

3.根據權利要求1所述的方法，其特征在于，所述的步驟4中，在訓練過程中使用K折交叉驗證方法，以評估訓練后CNN模型的性能。

4.根據權利要求1所述的方法，其特征在于，所述的步驟7中，使用K折交叉驗證法產生不同比率的校準數據，具體包括以下要點：

將校準數據集分成K組，依次選取每一組作為訓練集，余下的K-1組作為驗證集，以此完成K折交叉驗證；

設置不同的K值，拆分出的每一組校準數據占總數據數量的比例不同，由此實現對CNN在遷移學習中對校準數據比例需求的探究。