一种基于大数据分析的石墨烯指纹峰分析方法技术

本发明专利技术公开了一种基于大数据分析的石墨烯指纹峰分析方法，步骤一、对石墨烯拉曼光谱上的q个特征峰邻域中的任意区域进行重新采样m个点；步骤二、对重采样后的m个点特征峰邻域特征光谱做p个点快速傅立叶变换，以获得特征峰邻域复轨迹；步骤三、对所获得的每一条复轨迹的幅度根据其最大幅度进行归一化；步骤四、将复轨迹从外向内划分为若干周并定义标识特征集；步骤五、建立基于大数据的石墨烯拉曼光谱自动识别模型；步骤六、对待识别的石墨烯拉曼光谱进行自动识别，根据识别结果进行缺陷判决和层数判决。本发明专利技术在大数据背景下，根据石墨烯的拉曼特征光谱进行石墨烯单层/多层，或有无缺陷进行自动识别，提高识别准确率和效率。

A Graphene Fingerprint Peak Analysis Method Based on Large Data Analysis

【技术实现步骤摘要】
一种基于大数据分析的石墨烯指纹峰分析方法
本专利技术涉及大数据分析
，更具体地说，本专利技术涉及一种基于大数据分析的石墨烯指纹峰分析方法。
技术介绍
作为单独存在的只有一个原子厚度的二维晶体，石墨烯具有非常独特的电性能、导热性能和光学性质，已开始在整流、光探测器、触摸屏等电子和光电子器件中作为透明电极获得广泛地应用。目前，大面积石墨烯的制备技术日臻成熟，特别是采用化学气相沉积(CVD)技术制备的12吋石墨烯薄膜已经见诸报道。在此背景下，石墨烯薄膜质量成为人们关注的重要问题。不同层数的石墨烯电子能级的分布有很大的差异，缺陷造成的散射也会使石墨烯中原本很高的载流子迁移率大大降低。而目前大面积生长的石墨烯很难做到全部是单层且无缺陷，因此对石墨烯质量——包括缺陷的分布和层数(特别是是否为单层)的分布——进行快速准确的测量和分析成为一个迫切的需求。拉曼光谱是一种有效的对石墨烯质量进行测量的方法。将一束激光照在石墨烯薄膜上，收集其产生的拉曼光谱，通过G峰和2D峰的强度的对比关系可以反映石墨烯的层数——2D峰强于G峰则为单层，反之为多层。此外，通过观察有无D峰可以反映被测区域有无缺陷。尤其是近年来共聚焦拉曼光谱技术的飞速发展，可以通过直径在微米量级的共焦光斑在样品表面扫描，逐点采集完整的拉曼光谱，从而获得上述信息在样品中的分布。随着光学效率的提高，采集一条拉曼光谱的甚至已经可以做到毫秒量级，在有限时间内可以采集成千上万个点的拉曼光谱数据，使得对石墨烯薄膜的层数和缺陷分布进行大面积分析成为可能。在此背景下，对于这些大量的光谱数据的自动分析成为了一个很大的挑战。人工处理已经变得不可能，而传统的非智能算法则由于样品衬底的荧光背景起伏、背景辐射粒子造成的噪点以及光谱信号整体强度的波动等这些近似随即出现的干扰现象的制约，在处理这些巨量数据时也面临很大困难。针对这一挑战，本专利技术提出一种在大数据背景下，对石墨烯拉曼特征光谱进行自动识别，完成对石墨烯薄膜质量的自动判别。
技术实现思路
本专利技术的一个目的是解决至少上述问题，并提供至少后面将说明的优点。本专利技术还有一个目的是提供一种基于大数据分析的石墨烯指纹峰分析方法，首先，基于一定量的石墨烯拉曼光谱的特征峰邻域进行复轨迹分析，并提取特征集，训练用于自动识别的智能算法模型；对新采集的石墨烯拉曼光谱数据，对特征峰邻域进行特征提取，输入智能算法模型中进行自动识别。也就是对大数据背景下，根据石墨烯的拉曼特征光谱进行石墨烯单层/多层，或有无缺陷进行自动识别，提高识别准确率和效率。为了实现根据本专利技术的这些目的和其它优点，提供了一种基于大数据分析的石墨烯指纹峰分析方法，包括：步骤一、采集由石墨烯上产生的拉曼光谱，对其中一条石墨烯拉曼光谱上的q个特征峰邻域中的任意区域进行重新采样m个点；步骤二、对重采样后的m个点特征峰邻域特征光谱做p个点快速傅立叶变换，以获得光滑曲线，经傅立叶变换得到特征峰邻域复轨迹；步骤三、对所获得的每一条复轨迹的幅度根据其最大幅度进行归一化，并进行相位调整，强制轨迹起点处相位为0；步骤四、根据复轨迹的收敛规律，将所述复轨迹从外向内划分为若干周，根据所述复轨迹上划分的周数定义标识特征集，用于后续的大数据分析算法；步骤五、根据一定数量的已知特征峰样本提取步骤四中定义的识别特征集，并将提取得到的特征作为输入数据，训练智能算法，建立基于大数据的石墨烯拉曼光谱自动识别模型；步骤六、根据石墨烯拉曼光谱自动识别模型对待识别的石墨烯拉曼光谱进行自动识别，根据识别结果进行缺陷判决和层数判决。优选的，所述步骤一中，定义石墨烯拉曼特征光谱的3个重点分析区域，即所述特征峰邻域为：1)D峰邻域：波数1270～1430cm-12)G峰邻域：波数1520～1680cm-13)2D峰邻域：波数2630～2770cm-1。优选的，所述步骤二中，30≤m≤60，512≤p≤2048，以波数为横坐标的特征光谱视为以光速进行归一化的频域表达，则其傅立叶变换可视为归一化伪时域表达。优选的，所述m为40，所述p为1024。优选的，所述步骤四中，所述标识特征集为：特征1：前4周的数据点数的均值；特征2：前4周的数据点数的标准差；特征3：特征2与特征1的比值；特征4～27：第1～6周半径的统计值：最大值，最小值，平均值，标准差；特征28～30：第1周的最大值、最小值、平均值与第2周对应数值的比例；特征31～33：第2周的最大值、最小值、平均值与第3周对应数值的比例；特征34～39：第1～3周半径的头尾比例，一周内的不光滑拐点数量。优选的，所述步骤五中，所述自动识别模型根据特征峰邻域位置分为4个子模型：a)G峰子模型——区分G峰与无特征峰；b)2D峰子模型——区分2D峰与无特征峰；c)D峰子模型——区分D峰与无特征峰；d)噪点子模型——区分有无噪点。优选的，各X峰子模型的构建方法为：步骤七、通过人工判断的方式，选取N个存在X峰的X峰邻域的样本，X峰为G峰、D峰和2D峰中的一种，N≥1000；步骤八、在石墨烯拉曼光谱的G峰邻域、2D峰邻域、D峰邻域之外的任意位置，选取与X峰邻域宽度相等且不存在噪点的N个背景样本；步骤九、对N个X峰邻域样本和N个背景样本分别提取各样本的标识特征集中的39个特征；步骤十、对每个特征，对N个X峰邻域样本的特征值和N个背景样本进行线性归一化，至[0，1]区间；步骤十一、将归一化的特征值集合作为训练集，输入到初始机器学习模型中，进行训练，得到X峰子模型。优选的，所述步骤十一中，初始机器学习模型可以是SVM，人工神经网络，KNN，随机森林中的一种。优选的，所述步骤六中，对待识别的石墨烯拉曼光谱进行自动识别方法为：步骤十二、将待识别的每一条光谱均提取D峰邻域、G峰邻域和2D峰邻域的光谱数据，并按照步骤一中的方法进行重采样至40点；步骤十三、对步骤十二中重采样后的数据，按照所述识别特征集提取得到39个特征；步骤十四、将前一步所提取的特征，输入到其对应的子模型中进行识别，判断对应特征峰是否存在；步骤十五、当需要识别去除噪点时，对待识别的每一条光谱，从波数1000cm-1起，按照宽度60cm-1的光谱窗，以每步窗移30cm-1进行扫描，每步获取的光谱片段均按照所述识别特征集提取得到39个特征，并输入到噪点子模型中进行识别，判断是否存在噪点。优选的，所述步骤六中，根据识别结果进行缺陷判决和层数判决的方法为：当G峰、2D峰同时存在时，判定为该位置存在石墨烯；对存在石墨烯的位置进行如下判决：缺陷判决：如果D峰存在，则判定为有缺陷，否则为无缺陷；层数判决：如果G峰幅度小于2D峰，则判定为单层，否则为多层。本专利技术至少包括以下有益效果：1、本专利技术通过大数据分析，对石墨烯拉曼特征光谱进行自动识别，完成对石墨烯薄膜质量的自动判别，提高了识别效率；2、对石墨烯单层/多层的识别准确率高；3、对石墨烯有无缺陷进行自动识别，识别准确性高；4、本专利技术的分析方法抗干扰能力强，适用性广。本专利技术的其它优点、目标和特征将部分通过下面的说明体现，部分还将通过对本专利技术的研究和实践而为本领域的技术人员所理解。附图说明图1为一条特征光谱的G峰示例图，(a)G峰特征邻域重采样波形(b)复轨迹(c)复轨迹归一化示意图；图2为G峰波形示意图，(a)光谱波形本文档来自技高网...

【技术保护点】
1.一种基于大数据分析的石墨烯指纹峰分析方法，其特征在于，包括以下步骤：步骤一、采集由石墨烯上产生的拉曼光谱，对其中一条石墨烯拉曼光谱上的q个特征峰邻域中的任意区域进行重新采样m个点；步骤二、对重采样后的m个点特征峰邻域特征光谱做p个点快速傅立叶变换，以获得光滑曲线，经傅立叶变换得到特征峰邻域复轨迹；步骤三、对所获得的每一条复轨迹的幅度根据其最大幅度进行归一化，并进行相位调整，强制轨迹起点处相位为0；步骤四、根据复轨迹的收敛规律，将所述复轨迹从外向内划分为若干周，根据所述复轨迹上划分的周数定义标识特征集，用于后续的大数据分析算法；步骤五、根据一定数量的已知特征峰样本提取步骤四中定义的识别特征集，并将提取得到的特征作为输入数据，训练智能算法，建立基于大数据的石墨烯拉曼光谱自动识别模型；步骤六、根据石墨烯拉曼光谱自动识别模型对待识别的石墨烯拉曼光谱进行自动识别，根据识别结果进行缺陷判决和层数判决。

【技术特征摘要】
1.一种基于大数据分析的石墨烯指纹峰分析方法，其特征在于，包括以下步骤：步骤一、采集由石墨烯上产生的拉曼光谱，对其中一条石墨烯拉曼光谱上的q个特征峰邻域中的任意区域进行重新采样m个点；步骤二、对重采样后的m个点特征峰邻域特征光谱做p个点快速傅立叶变换，以获得光滑曲线，经傅立叶变换得到特征峰邻域复轨迹；步骤三、对所获得的每一条复轨迹的幅度根据其最大幅度进行归一化，并进行相位调整，强制轨迹起点处相位为0；步骤四、根据复轨迹的收敛规律，将所述复轨迹从外向内划分为若干周，根据所述复轨迹上划分的周数定义标识特征集，用于后续的大数据分析算法；步骤五、根据一定数量的已知特征峰样本提取步骤四中定义的识别特征集，并将提取得到的特征作为输入数据，训练智能算法，建立基于大数据的石墨烯拉曼光谱自动识别模型；步骤六、根据石墨烯拉曼光谱自动识别模型对待识别的石墨烯拉曼光谱进行自动识别，根据识别结果进行缺陷判决和层数判决。2.如权利要求1所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述步骤一中，定义石墨烯拉曼特征光谱的3个重点分析区域，即所述特征峰邻域为：1)D峰邻域：波数1270～1430cm-12)G峰邻域：波数1520～1680cm-13)2D峰邻域：波数2630～2770cm-1。3.如权利要求2所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述步骤二中，30≤m≤60，512≤p≤2048，以波数为横坐标的特征光谱视为以光速进行归一化的频域表达，则其傅立叶变换可视为归一化伪时域表达。4.如权利要求3所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述m为40，所述p为1024。5.如权利要求2所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述步骤四中，所述标识特征集为：特征1：前4周的数据点数的均值；特征2：前4周的数据点数的标准差；特征3：特征2与特征1的比值；特征4～27：第1～6周半径的统计值：最大值，最小值，平均值，标准差；特征28～30：第1周的最大值、最小值、平均值与第2周对应数值的比例；特征31～33：第2周的最大值、最小值、平均值与第3周对应数值的比例；特征34～39：第1～3周半径的头尾比例，一周内的不光滑拐点数量。6.如权利要求5所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，...

【专利技术属性】
技术研发人员：肖仲喆，韩琴，黄敏，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏,32