【技术实现步骤摘要】
基于DRS
‑
VGG的端到端深度学习拉曼光谱数据分类方法
[0001]本专利技术涉及拉曼光谱数据分类领域,具体涉及一种基于Deep Residual Shrinkage
‑
VGG的端到端深度学习拉曼光谱数据分类方法。
技术介绍
[0002]拉曼光谱是一种振动光谱,在分析科学领域中为我们提供了一种具有快速、灵敏、非接触性、非破坏性特点的检测方法,它通过材料对入射光源中产生的拉曼散射进行材料的结构分析。拉曼光谱适用于不同温度下气体、液体、固体的定性定量分析,因此,在医疗领域、食品科学领域、法医学领域、地质学领域实现了广泛应用。
[0003]拉曼光谱信号中包含的信息是分析的关键。由于拉曼信号容易受到荧光过程、材料密度、环境噪声、外部光源的影响,光谱会出现基线漂移的现象和受到噪声信号的干扰,噪声信号强度可比拉曼散射高出几个数量级,严重影响光谱的分析。由于这些限制因素的存在,传统的拉曼光谱分析过程通常需要通过去噪、平滑、基线消除、归一化等数据预处理。许多传统的机器学习方法已经被应用于对目标物的定性定量分析。支持向量机(Support Vector Machine,SVM)、K近邻(K
‑
Nearest Neighbor,KNN)、随机森林(Random Forest,RF)、逻辑斯蒂回归(Logistic Regression,LR)算法是几种简单有效的分类器,然而这些算法容易在小样本、类不均衡、高噪声数据的场景上出现过拟合的问题,且无法构造无需预处理的端到端的数据 ...
【技术保护点】
【技术特征摘要】
1.一种基于Deep Residual Shrinkage
‑
VGG的端到端深度学习拉曼光谱数据分类方法,包括以下步骤:步骤1,获取拉曼光谱数据,进行一阶样条插值处理,将超出原光谱波数范围的插值点补零,将处理后的拉曼光谱数据随机打乱后划分成训练集、验证集和测试集;步骤2,构建一个基于Deep Residual Shrinkage
‑
VGG的端到端深度学习的分类模型;步骤3,使用训练集训练基于Deep Residual Shrinkage
‑
VGG的端到端深度学习的分类模型,使用验证集对模型的超参数进行调整,初步评估模型的性能;步骤4,使用测试集测试基于Deep Residual Shrinkage
‑
VGG的端到端深度学习的分类模型性能。2.根据权利要求1所述的基于Deep Residual Shrinkage
‑
VGG的端到端深度学习的拉曼光谱数据分类方法,其特征在于,步骤1中,进行一阶样条插值处理,具体包括:采用式(1)对拉曼光谱数据进行一阶样条插值处理,由指定波数值求得对应光谱强度值,使得每个拉曼光谱在指定波数范围内均匀采样:式中,x
i
‑1和x
i+1
为插值前的某个分段区间左右端点拉曼光谱数据波数值;y
i
‑1和y
i+1
为插值前的该分段区间左右端点拉曼光谱数据强度值;X
i
为该区间插值后的拉曼光谱数据波数值;Y
i
为该区间插值后的拉曼光谱数据强度值。3.根据权利要求1所述的基于Deep Residual Shrinkage
‑
VGG的端到端深度学习的拉曼光谱数据分类方法,其特征在于,步骤1中,将超出原光谱波数范围的插值点补零,具体包括:若给定插值区间大于原拉曼光谱数据的波数范围,在原拉曼光谱数据的波数范围内进行一阶样条插值后,在超出在原拉曼光谱数据的波数范围用数值0补齐范围外插值数据的强度值。4.根据权利要求1所述的基于Deep Residual Shri...
【专利技术属性】
技术研发人员:周猛飞,胡寅朝,郭添,余奇清,孙小方,蔡亦军,
申请(专利权)人:浙江工业大学,
类型:发明
国别省市:
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。