基于傅里叶变换的拉曼光谱曲线数据增强方法技术

本方案涉及一种基于傅里叶变换的拉曼光谱曲线数据增强方法。所述方法包括：获取待处理拉曼光谱曲线进行快速傅里叶变换得到拉曼光谱曲线频域图；将拉曼光谱曲线频域图中的两端极端频率曲线峰屏蔽，得到目标拉曼光谱曲线频域图；确定频域掩模起始位置与宽度并执行频域屏蔽操作，判断对目标拉曼光谱曲线频域图的频域屏蔽操作是否合法；若合法，则对目标拉曼光谱曲线频域图进行逆傅里叶变换，得到数据增强的拉曼光谱曲线。通过利用快速傅里叶变换获得的拉曼光谱曲线对应的频域图进行屏蔽操作，可以保留原有拉曼光谱曲线数据的基本框架，在部分频率点进行轻微扰动，以达到合理数据扩充的目的，可以提升机器学习模型分类效果。可以提升机器学习模型分类效果。可以提升机器学习模型分类效果。

【技术实现步骤摘要】
基于傅里叶变换的拉曼光谱曲线数据增强方法


[0001]本专利技术涉及机器学习
，特别是涉及一种基于傅里叶变换的拉曼光谱曲线数据增强方法。

技术介绍

[0002]在进行物质检测的时候，通常会使用各种物质检测方法，例如电子鼻法、色谱法、拉曼光谱检测法等。其中，拉曼光谱检测法作为一种非侵入检测手段，具有检测方便、测试速度快等优势，目前已经在生物医学、矿石分类等领域有了较为广泛的应用。研究者们使用不同波长的激光获取到待测样本的拉曼光谱，将采集到的拉曼光谱进行屏蔽背景荧光和归一化等操作后输入随机森林(RF)、支持向量机(SVM)等简单机器学习模型进行分类，取得了较为不错的效果。在多数情况下，由于拉曼光谱获取难度和获取成本的问题，样本数量较少，与深度学习模型相结合后的效果一般，不能满足实际应用的需求。且拉曼光谱与机器学习方法相结合的分类模型无一例外，全部需要有标签的训练数据集来进行机器学习模型的分类训练，即有监督学习，对于人工数据标注来说是极大的工作量。
[0003]因此，传统的利用拉曼光谱曲线进行物质分类存在样本数据少、样本数据类型单一的问本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于傅里叶变换的拉曼光谱曲线数据增强方法，其特征在于，所述方法包括：获取待处理拉曼光谱曲线，对所述待处理拉曼光谱曲线进行快速傅里叶变换，得到与所述待处理拉曼光谱曲线对应的拉曼光谱曲线频域图；确定所述拉曼光谱曲线频域图中的两端极端频率曲线峰，并将所述极端频率曲线峰屏蔽，得到目标拉曼光谱曲线频域图；获取屏蔽参考参数，根据所述屏蔽参考参数确定频域掩模起始位置与宽度，根据所述频域掩模起始位置与宽度对所述目标拉曼光谱曲线频域图执行频域屏蔽操作，并判断所述频域屏蔽操作是否合法；当所述频域屏蔽操作合法时，对所述目标拉曼光谱曲线频域图进行逆傅里叶变换，得到数据增强的拉曼光谱曲线。2.根据权利要求1所述的基于傅里叶变换的拉曼光谱曲线数据增强方法，其特征在于，所述获取待处理拉曼光谱曲线，包括：基于拉曼光谱仪器CCD相机获取到待测样品的拉曼光谱；根据所述拉曼光谱计算得到所述待处理拉曼光谱曲线。3.根据权利要求2所述的基于傅里叶变换的拉曼光谱曲线数据增强方法，其特征在于，所述根据所述拉曼光谱计算得到所述待处理拉曼光谱曲线，包括：将所述拉曼光谱中同波长的散射光子数量按照同纵向一列累加求和，得到所述待处理拉曼光谱曲线。4.根据权利要求1所述的基于傅里叶变换的拉曼光谱曲线数据增强方法，其特征在于，所述确定所述拉曼光谱曲线频域图中的两端极端频率曲线峰，并将所述极端频率曲线峰屏蔽，得到目标拉曼光谱曲线频域图，包括：查找所述拉曼光谱曲线频域图中两端的异常坐标点作为极端频率曲线峰；屏蔽两端指定数量的所述异常坐标点，得到...

【专利技术属性】
技术研发人员：朱东杰，王衍淞，张立斌，丁卓，
申请(专利权)人：长江时代通信股份有限公司，
类型：发明
国别省市：