The invention discloses a quantitative spectral data analysis and processing method based on in-depth learning. The invention does not need to preprocess the data, can learn effective information and background information from the original spectral data, and improves the accuracy of quantitative spectral analysis. The invention extracts high-dimensional features from spectral data by three convolution layers, uses 1 *1 convolution core in the second layer, reduces dimensionality and reduces computation, and uses three convolution cores of different sizes in the third convolution layer, which can learn different sizes of features hidden in spectral data from original spectral data. The invention does not pre-process the data and can directly process the original data. When the spectrum noise distribution of the test set is different from that of the training set, the generalization ability of the invention is high.
【技术实现步骤摘要】
一种基于深度学习的定量光谱数据分析处理方法
本专利技术属于光谱分析领域,具体涉及了一种基于深度学习的定量光谱数据分析处理方法。
技术介绍
化学计量学的发展促进了光谱分析在农产品、药品、石油和土壤等领域的应用,目前已经被广泛应用于红外光谱和拉曼光谱的定性与定量分析中。传统的化学计量学数据分析过程包括光谱预处理和建立校正模型两个步骤。光谱预处理主要用于去除光谱数据中的噪声,提高模型的预测精度。一方面,光谱预处理主要有基线校正、散射校正、平滑和归一化等四个步骤,每个步骤又有不同的数据处理方法,通过试错法选择预处理方法的组合会增加建模过程的复杂度,耗费更多时间。另一方面,光谱数据的采集环境、采集仪器或者样本来源发生变化时,数据中的噪声分布也会随之发生变化。原有的预处理方法应用于新的数据时不能有效去除噪声并且会引入新的噪声,致使模型的预测效果变差。深度学习是一种数据驱动的学习方式,模型可以从原始数据中自动学习到数据中蕴藏的低维特征和高维特征。传统的人工神经网络在进行光谱数据分析时,往往需要先用主成分分析等方法进行降维,而且人工神经网络由于参数量较多容易出现过拟合现象。卷积神经网络具有局部连接、权值共享等特点可以充分提取数据中的局部特征并且防止过拟合。现有的卷积神经网络模型仍然需要进行光谱预处理,或者只是作为一种特征提取方法。Acquarelli等人提出了一种一层的卷积神经网络定性分析模型,但是该模型仍然是在经过预处理后的光谱数据上效果较好(J.Acquarelli.,T.v.,Laarhoven,J.,Gerretzen,T.N.,Tran,L.M.C.,Buyde ...
【技术保护点】
1.一种基于深度学习的定量光谱数据分析处理方法,其特征在于方法包含如下步骤:步骤1):构建一维卷积神经网络模型,并且优化计算获得模型的超参数;步骤2):用样品已知预测值的光谱数据输入到卷积神经网络模型中,训练获得模型的权重,经过多轮训练后得到一个最优模型,获得训练后的模型;步骤3):将样品未知预测值的光谱数据输入到训练后的模型,输出获得光谱数据的预测值结果。
【技术特征摘要】
1.一种基于深度学习的定量光谱数据分析处理方法,其特征在于方法包含如下步骤:步骤1):构建一维卷积神经网络模型,并且优化计算获得模型的超参数;步骤2):用样品已知预测值的光谱数据输入到卷积神经网络模型中,训练获得模型的权重,经过多轮训练后得到一个最优模型,获得训练后的模型;步骤3):将样品未知预测值的光谱数据输入到训练后的模型,输出获得光谱数据的预测值结果。2.根据权利要求1所述的一种基于深度学习的定量光谱数据分析处理方法,其特征在于:所述的步骤1)中,具体为:1.1)卷积神经网络模型主要由输入层、卷积层(1)、卷积层(2)、卷积层(3)、拉伸层、全连接层和输出层依次连接构成;输入层中输入原始的全波段光谱曲线;第一个卷积层包含一个卷积模块,使用8个卷积核,所有卷积核大小相同;第二个卷积层采用两个卷积模块和一个池化模块的三个并列的模块,第一个卷积层的输出分别输入到两个卷积模块和一个池化模块中,每个卷积模块使用一种卷积核,两个卷积模块的卷积核不同,每个卷积模块均含有4个1×1×8的卷积核,池化模块中含有4个并列的最大池化结构;第三个卷积层采用四个卷积模块,四个卷积模块分别使用四种不同的卷积核,第一个卷积模块包含四个1×1×8的第一种卷积核,第二个卷积模块包含四个p×1×4的第二种卷积核,第三个卷积模块包含四个q×1×4的第三种卷积核,第四个卷积模块包含四个1×1×4的第四种卷积核,p和q分别表示第二种卷积核和第三种卷积核的长度,其中第一种卷积核的输出输入到第三个卷积层的第一个卷积模块,第二个卷积层的两个卷积模块和一个池化模块分别输入到第三个卷积层的后三个卷积模块中;拉伸层进行将第三个卷积层的输出拉...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。