[發(fā)明專利]一種基于卷積神經(jīng)網(wǎng)絡(luò)的拉曼光譜智能分類方法

在審

• 申請?zhí)枺?/td>: 202210183783.6
• 申請日: 2022-02-28
• 公開（公告）號: CN114544592A
• 公開（公告）日: 2022-05-27
• 發(fā)明（設(shè)計）人: 曾萬聃;黃忠民
• 申請（專利權(quán)）人: 上海應(yīng)用技術(shù)大學(xué)
• 主分類號: G01N21/65
• 分類號: G01N21/65;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 上海漢聲知識產(chǎn)權(quán)代理有限公司 31236
• 代理人: 黃超宇;胡晶

1.一種基于卷積神經(jīng)網(wǎng)絡(luò)的拉曼光譜智能分類方法，其特征在于，包括以下步驟：

步驟S1，利用硅片對LabRAM HR Evolution拉曼光譜儀進行校正，測量的拉曼光譜偏移值范圍為0～1800，光源設(shè)定為632mm的氦氖激光，強度設(shè)置為14mW，積分時間為4s，在拉曼偏移范圍內(nèi)得到800個特征數(shù)，總計3*30＝90個拉曼光譜數(shù)據(jù)；

步驟S2，對收集到的拉曼光譜實驗數(shù)據(jù)進行三種不同的預(yù)處理；

步驟S3，構(gòu)建深度學(xué)習(xí)模型，即基于卷積神經(jīng)網(wǎng)絡(luò)的分類模型，用于不同預(yù)處理方式的拉曼光譜數(shù)據(jù)進行分類；

步驟S4，數(shù)據(jù)分類：模型構(gòu)建完成后，將三份拉曼光譜數(shù)據(jù)各自都按5：1的比例隨機分為訓(xùn)練集和測試集，放入卷積網(wǎng)絡(luò)中進行訓(xùn)練，待訓(xùn)練完成后進行數(shù)據(jù)分析；

步驟S5，數(shù)據(jù)分析：進行對比實驗，分析數(shù)據(jù)預(yù)處理方式的優(yōu)劣，判斷預(yù)處理是否可以提高模型準(zhǔn)確率，是否可以保留更多有效特征，以及對比分析卷積神經(jīng)網(wǎng)絡(luò)模型與傳統(tǒng)機器學(xué)習(xí)算法的優(yōu)劣。

2.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的拉曼光譜智能分類方法，其特征在于，步驟S2，對收集到的拉曼光譜實驗數(shù)據(jù)進行三種不同的預(yù)處理方式：

步驟S21：將拉曼光譜數(shù)據(jù)直接進行數(shù)據(jù)增強，樣本擴充，通常有旋轉(zhuǎn)、移位、平移、縮放操作；通過向拉曼光譜數(shù)據(jù)中從左至右隨機添加適量高斯噪聲，將總樣本數(shù)據(jù)擴充到1000條樣本，以便后續(xù)投入神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練；

步驟S22：對光譜進行預(yù)處理：包括去噪，歸一化，S-G平滑，并進行PCA和LDA不同降維方式提取特征，再通過數(shù)據(jù)增強的方式擴充樣本；

步驟S23：將拉曼光譜數(shù)據(jù)先進行預(yù)處理，再對預(yù)處理后的拉曼光譜數(shù)據(jù)進行數(shù)據(jù)增強，得到預(yù)處理后的增強數(shù)據(jù)，并將數(shù)據(jù)投入神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練。

3.根據(jù)權(quán)利要求2所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的拉曼光譜智能分類方法，其特征在于，步驟S22中將數(shù)據(jù)通過數(shù)據(jù)歸一化，即將差異度較大的數(shù)據(jù)進行同倍數(shù)縮放，使數(shù)據(jù)處于一個設(shè)置的小的特定區(qū)間0-1內(nèi)，通過歸一化來消除數(shù)據(jù)指標(biāo)之間的量綱影響。

4.根據(jù)權(quán)利要求2所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的拉曼光譜智能分類方法，其特征在于，步驟S22中采用S-G濾波算法來對光譜進行降噪，消除一定的噪音與毛刺。

5.根據(jù)權(quán)利要求2所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的拉曼光譜智能分類方法，其特征在于，步驟S22中通過PCA和LDA降維方法進行特征提取，選取恰當(dāng)?shù)闹鞒煞謧€數(shù)來代表所有樣本數(shù)據(jù)，實現(xiàn)剔除冗余信息和保留有效信息的目標(biāo)，最終將得到的拉曼光譜數(shù)據(jù)投入神經(jīng)網(wǎng)絡(luò)中進行訓(xùn)練與步驟S2中的步驟S21做對比分析。

6.根據(jù)權(quán)利要求1所述的一種基于卷積神經(jīng)網(wǎng)絡(luò)的拉曼光譜智能分類方法，其特征在于，步驟S3，構(gòu)建深度學(xué)習(xí)模型——基于卷積神經(jīng)網(wǎng)絡(luò)的分類模型，由卷積層、批標(biāo)準(zhǔn)化處理層、池化層和全連接層組成，實驗預(yù)計采用一個卷積層，一個批標(biāo)準(zhǔn)化處理層，一個池化層，兩個全連接層組成分類模型，激活函數(shù)使用Relu激活函數(shù)，學(xué)習(xí)率設(shè)置為0.002，在反向傳播更新參數(shù)的過程中，采用Adam優(yōu)化器進行實驗，全連接層將使用dropout函數(shù)來加快模型的收斂。