[發明專利]一種基于卷積神經網絡的單分子力譜分類方法

在審

• 申請號: 202211366459.4
• 申請日: 2022-11-01
• 公開（公告）號: CN115641918A
• 公開（公告）日: 2023-01-24
• 發明（設計）人: 李旸暉;吳豪;李潤坤;陳旺磊;魏靖洋;汪澍;王樂
• 申請（專利權）人: 中國計量大學
• 主分類號: G16C20/20
• 分類號: G16C20/20;G16C10/00;G06N3/08;G06N3/0464;G06F18/214
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于卷積神經網絡的單分子力譜分類方法，其特征在于，該方法包括如下步驟：

1)獲取單分子力譜圖像；

2)對步驟1)獲取的單分子力譜圖像依次進行預處理、數據增強處理和人工標注類別處理，獲得人工標注后的單分子力譜圖像，制作包含訓練集，驗證集和測試集的數據集；

3)構建卷積神經網絡模型，利用步驟2)制作的訓練集對構建好的卷積神經網絡模型進行訓練，生成訓練好的卷積神經網絡模型；

4)將測試集中的單分子力譜圖像輸入到步驟3)訓練好的卷積神經網絡模型中，得到單分子力譜的折疊事件數量類別信息。

2.根據權利要求1所述的一種基于卷積神經網絡的單分子力譜分類方法，其特征在于，步驟2)中預處理是將所有單分子力譜圖像統一轉換為像素大小為256×256的灰度圖像；

3.根據權利要求1所述的一種基于卷積神經網絡的單分子力譜分類方法，其特征在于，步驟2)中數據增強是將預處理后的單分子力譜圖像分別從左上、中上、右上、左中、中、中右、左下、中下和右下9個方位進行裁剪，裁剪后的圖像像素大小為224×224。

4.根據權利要求1所述的一種基于卷積神經網絡的單分子力譜分類方法，其特征在于，步驟2)中人工標注類別是指根據數據增強后的單分子力譜圖像中折疊事件的數量的不同，將所有單分子力譜圖像分為類別1、類別2、類別3、類別4和類別5，分別對應單分子力譜圖像中的折疊數量為0、1、2、3和4的單分子力譜圖像。

5.根據權利要求1所述的一種基于卷積神經網絡的單分子力譜分類方法，其特征在于，步驟3)中卷積神經網絡模型由輸入模塊、第一池化模塊、第一卷積模塊、第二池化模塊、第二卷積模塊、第三池化模塊、第三卷積模塊、第四池化模塊、全連接模塊和輸出模塊依次級聯構成。

6.根據權利要求5所述的輸入模塊、第一卷積模塊、第二卷積模塊、第三卷積模塊、第一池化模塊、第二池化模塊、第三池化模塊、第四池化模塊、全連接模塊和輸出模塊，其特征在于，所述輸入模塊和第一卷積模塊由兩層卷積層構成，兩層卷積層順次級聯且參數一致，卷積層中卷積核的大小為3*3，步長為1，擴充邊緣為1，卷積層后進行激活函數為LReLU的非線性激活和批歸一化；所述的第二、第三卷積模塊由三層卷積層構成，三層卷積層順次級聯且參數一致，卷積層中卷積核的大小為3*3，步長為1，擴充邊緣為1，卷積層后進行激活函數為LReLU的非線性激活和批歸一化；所述的第一、第二、第三、第四池化模塊由一個最大池化層構成，池化核大小為2*2，步長為2；所述全連接模塊由全連接層和丟棄層構成；所述輸出模塊由含5個神經元的輸出層構成。

7.根據權利要求6所述的丟棄層，其特征在于，所述丟棄層將隨機選擇全連接層中的部分節點輸出，并使用softmax激活函數在5個輸出類別上生成概率分布。

8.根據權利要求1所述的一種基于卷積神經網絡的單分子力譜分類方法，其特征在于，步驟3)中訓練是指采用梯度下降方法訓練卷積神經網絡參數，使得交叉熵損失函數收斂，基于梯度下降方法的優化器函數采用具有0.001起始學習率的Adam優化器函數。