一种用于远程拉曼矿物识别的深度学习模型多分类方法技术

本发明专利技术提供了一种用于远程拉曼矿物识别的深度学习模型多分类方法，包括以下步骤：获取已知矿物物质的拉曼光谱数据进行预处理；构建并训练卷积神经网络模型；评价卷积神经网络模型；对目标矿物物质种类进行分类，该方法有效的弥补了传统遥感和红外光谱等技术信号弱、光谱峰较宽等技术中的缺陷，成为未来深空表面物质探测的发展方向。物质探测的发展方向。物质探测的发展方向。

【技术实现步骤摘要】
一种用于远程拉曼矿物识别的深度学习模型多分类方法


[0001]本专利技术涉及数据处理分析领域，特别涉及一种用于远程拉曼矿物识别的深度学习模型多分类方法。

技术介绍

[0002]随着航天技术的进步，人类对宇宙的探索和开发能力越来越强，从太空探测逐渐向深空探测发展，其中火星表面物质检测是目前深空探测领域中重点研究对象。近几十年来，人类对对火星环境有初步了解，但是对火星地表构成，土壤成分，矿物质组成及含量的分析，仍然缺乏完整准确的认识，这些问题主要是传统遥感和红外光谱等技术信号弱、光谱峰较宽等技术本身缺陷导致的。
[0003]拉曼光谱是一种普遍存在的表征方法，用于表征包括在宽范围的设置中的物质，包括：工业过程控制、行星探索、国土安全、生命科学、地质领域探险和实验室材料研究。拉曼光谱技术以谱峰窄、水峰影响小、无需样品制备、物质识别准确度高等优势成为未来深空表面物质探测的优先发展方向。

技术实现思路

[0004]为了解决现有技术中的问题，本专利技术提供一种用于远程拉曼矿物识别的深度学习模型多分类方法，具体如下：
[0005本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，包括以下步骤：(1)获取已知矿物物质的拉曼光谱数据进行预处理；(2)构建并训练卷积神经网络模型；(3)评价卷积神经网络模型；(4)对目标矿物物质种类进行分类。2.根据权利要求1所述的用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，步骤(1)中所述获取已知矿物物质的拉曼光谱数据步骤如下：a、开启拉曼设备，启动拉曼激光并保持5
‑
10min；b、对每个已知矿物物质样本测量40次，每次测定的积分时间为20s，对每个矿物物质样本的拉曼光谱数据取平均值，作为预处理的待处理数据。3.根据权利要求1所述的用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，步骤(1)中所述预处理包括平滑处理、荧光背景消除和归一化处理。4.根据权利要求3所述的用于远程拉曼矿物识别的深度学习模型多分类方法，其特征在于，所述平滑处理为使用Savitzky
‑
Golay滤波拟合法对数据流平滑除噪，可以在滤除噪声的同时确保信号的形状、宽度不变，包括以下步骤：A、采用最小二乘法进行多项式拟合计算，用以减小平滑处理对有效光谱信息造成干扰，根据以下公式进行计算：其中，p为经Savitzky
‑
Golay拟合后的拟合值，x为拉曼光谱数据，a
k
为多项式方程系数；B、采用最小二乘法求得a
k
，根据以下公式进行计算：当可得到多项式方程系数a
k
，其中，ε表示误差平方和，n表示数据范围，a
k
为多项式方程系数，M表示数据中的某一点，N为多项式系数个数；所述归一化处理通过以下公式进行计算处理：其中，n为总波长数，x

【专利技术属性】
技术研发人员：祝连庆，闫昊，于明鑫，董明利，何巍，庄炜，张旭，
申请(专利权)人：北京信息科技大学，
类型：发明
国别省市：