一种拉曼光谱下利用神经网络对混合物各组分分析的方法技术

本发明专利技术公开了一种拉曼光谱下利用神经网络对混合物各组分分析的方法，先获取拉曼特征峰的特性矩阵N与拉曼光谱特征矩阵V，利用神经网络将拉曼特征峰的特性矩阵N与拉曼光谱特征矩阵V组合使用，采用自适应的方法进行训练，从而得到分类模型。本发明专利技术的方法，可以提高对混合物光谱振动的识别效果，以及有益于获取拉曼光谱特征的细粒度。光谱特征的细粒度。光谱特征的细粒度。

【技术实现步骤摘要】
一种拉曼光谱下利用神经网络对混合物各组分分析的方法


[0001]本专利技术属于混合物各组分分析
，具体地说，是关于一种拉曼光谱下利用神经网络对混合物各组分分析的方法。

技术介绍

[0002]拉曼技术是通过利用分子对光的吸收，反应出分子振动、转动的一种技术。由于其快速、简单、且无损样品，因此，拉曼技术也被广泛应用于混合物定量定性分析中。然而，混合物之间各组分之间由于分子互相影响，谱峰堆叠严重，光谱信息复杂，对混合物定性定量分析带来困难(颜凡,朱启兵,.黄敏等,光谱学与分光谱分析，vol.40，NO11，pp3599
‑
3605,November,2020)。
[0003]目前，大量的研究表明，利用神经网络区分混合物各组分可以取得良好的结果；Jacopo Acquarelli(Jacopo Acquarelli,Twan van Laarhoven,Jan Gerretzen,Thanh N.Tran,Lutgarde M.C.Buydens,Elena Marchiori,Analytica Chimica Acta 954(2017)22e31)利用简单的CNN架构有效的对振动光谱数据进行区分，并在精确度上优于化学计量中的标准分类算法，如PLS；Xiaqiong Fan则进一步提出了一种基于深度学习的构件识别方法DeepCID(Xiaqiong Fan,Wen Ming,Huitao Zeng,Zhimin Zhang and Hongmei Lu,Analyst,2019,144,1789)，利用卷积神经网络(CNN)模型预测混合物中成分的存在。DeepCID在模拟和真实的拉曼光谱数据集中学习光谱特征和识别成分，具有更高的准确性和显著降低假阳性率。
[0004]但是，现有的神经网络对物质的区分通常是用拉曼数据进行特征提取，并未考虑到实际上在图谱上特征峰的重要性，因此，本专利技术基于设计了一种全新的RH
‑
CNN的神经网络，用于混合物各组分定量定性分析。

技术实现思路

[0005]基于上述问题，本专利技术提出了一种拉曼光谱下利用神经网络对混合物各组分分析的方法，该方法设计RH
‑
CNN对拉曼光谱进行学习，采用自适应权重更新的方法进行训练，从而得到分类模型。
[0006]为实现上述目的，本专利技术采用如下技术方案：
[0007]一种拉曼光谱下利用神经网络对混合物各组分分析的方法，先获取拉曼特征峰的特性矩阵N与拉曼光谱特征矩阵V，利用神经网络将拉曼特征峰的特性矩阵N与拉曼光谱特征矩阵V组合使用，采用自适应权重更新方法进行训练，从而得到分类模型。
[0008]根据本专利技术，所述的拉曼光谱下利用神经网络对混合物各组分分析的方法，包括如下步骤：
[0009]S1、采集混合物的拉曼光谱数据；采用拉曼光谱获取定性分析中的标签y1和定量分析中的标签y2，并将y1和y2的特征向量映射成新的特征向量y；
[0010]S2、将拉曼光谱数据进行寻峰算法处理获取拉曼特征峰的特性值，并将特性值的
各变量组成拉曼特征峰的特性矩阵N；将拉曼光谱数据进行预处理获取拉曼光谱特征矩阵V；将拉曼特征峰的特性矩阵N和拉曼光谱特征矩阵V输入神经网络，利用神经网络分别提取特征，对特征矩阵进行叠加，将叠加后特征矩阵经过神经网络处理后，得到与y大小相同的特征向量
[0011]S3、将和y输入到损失函数L中，利用交叉熵进行分类，用RMSProp算法进行迭代更新，便可得到混合物各组分分析的分类模型；
[0012]S4、利用测试集对模型效果进行测试并分析。
[0013]根据本专利技术，步骤S1的包括：对纯净物进行混合得到多种不同混合物，采用不同的拉曼仪器进行测试，将数据处理后得到矩阵V＝[V1,V2,V3.....Vn]。
[0014]进一步的，在步骤S1中，定性分析中的标签y1＝[0,1,2,3...N]，定量分析中的标签y2＝[a1,a2,a3,...a
m
]，将y1和y2的特征向量映射成新的特征向量y＝[0,1,
……
n，将上述所有样品的光谱，按训练集：验证集：测试集为7:2:1的比例分开使用。
[0015]根据本专利技术，步骤S2包括：
[0016]S2.1将拉曼光谱特征矩阵V中的每一个向量Vn＝[b1,b2,b3,.....b
n
]进行差分处理，其中，b
n
为每一条拉曼光谱数据；
[0017]S2.2将差分处理后的Diff1通过Sign1函数进行归一选择，得到结果S1；
[0018]S2.3将S1再次进行差分，根据Sign2的差分选出拉曼特征峰的特性值，将特性值的各变量组成拉曼特征峰的特性矩阵N；
[0019]S2.4将拉曼光谱特征矩阵V和拉曼特征峰的特性矩阵N分别输入卷积神经网络，利用卷积神经网络分别提取特征，对特征矩阵进行叠加，将特征矩阵经过神经网络处理后，得到与y大小相同的特征向量
[0020]根据本专利技术，S2.1的差分处理方法如公式二所示：
[0021]Diff1(b)＝b
i+1
‑
b
i
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
公式二，
[0022]S2.2的Sign1函数如公式三所示：
[0023][0024]S2.3的S1的二次差分方法如公式四所示：
[0025]Sign2＝Sign1(i+1)
‑
Sign1(i)
ꢀꢀꢀꢀꢀꢀ
公式四，
[0026]根据二次差分可以选出特征峰的拉曼位移以及拉曼强度，随后再获取相关的变量组成特性矩阵N；这些变量包括特征峰的拉曼位移、拉曼强度、峰宽、峰序列、峰间距、峰面积；
[0027][0028]S2.4拉曼光谱特征矩阵V和拉曼特征峰的特性矩阵N利用卷积神经网络分别提取特征的数学表达式表示如公式六和公式七所示，其中，
[0029]i表示第i个峰图的特性，j表示第j个峰图，
[0030]X
i
表示输入神经网络得第i个峰图特性，W
i
表示第i个峰图的权重；
[0031][0032][0033]S2.5.对特征矩阵进行叠加，然后得到每个样品的在每个类别以及含量的置信度；对特征按不同权重进行叠加，找到每个向量最大值的位置，即可得到用数学表达式表示如公式八所示，其中α为拉曼特征峰的特性矩阵系数，β为拉曼光谱特征矩阵系数：
[0034][0035]根据本专利技术，损失函数L的数学公式如公式九所示；
[0036][0037]本专利技术的一种拉曼光谱下利用神经网络对混合物各组分分析的方法，其有益效果是：
[0038]1、提高了对混合物光谱振动的识别效果
[0039]拉曼光谱因测试时间不同，表示为上下振动，而这种光谱振动对物质定性常带来干扰，所以物质的定性分析需要选择重要的光谱区域，并且受光谱振动本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种拉曼光谱下利用神经网络对混合物各组分分析的方法，其特征在于，先获取拉曼特征峰的特性矩阵N与拉曼光谱特征矩阵V，利用神经网络将拉曼特征峰的特性矩阵N与拉曼光谱特征矩阵V组合使用，采用自适应权重更新的方法进行训练，从而得到分类模型。2.如权利要求1所述的拉曼光谱下利用神经网络对混合物各组分分析的方法，其特征在于，包括如下步骤：S1、采集混合物的拉曼光谱数据；采用拉曼光谱获取定性分析中的标签y1和定量分析中的标签y2，并将y1和y2的特征向量映射成新的特征向量y；S2、将拉曼光谱数据进行寻峰算法处理获取拉曼特征峰的特性值，并将特性值的各变量组成拉曼特征峰的特性矩阵N；将拉曼光谱数据进行预处理获取拉曼光谱特征矩阵V；将拉曼特征峰的特性矩阵N和拉曼光谱特征矩阵V输入神经网络，利用神经网络分别提取特征，对特征矩阵进行叠加，将特征矩阵经过神经网络处理后，得到与y大小相同的特征向量S3、将和y输入到损失函数L中，利用交叉熵进行分类，用RMSProp算法进行迭代更新，便可输出混合物各组分分析的分类模型；S4、利用测试集对模型效果进行测试并分析。3.如权利要求2所述的拉曼光谱下利用神经网络对混合物各组分分析的方法，其特征在于，步骤S1包括：对纯净物进行混合得到多种不同混合物，采用不同的拉曼仪器进行测试，将数据处理后得到矩阵V＝[V1,V2,V3,.....V
n
]。4.如权利要求2所述的拉曼光谱下利用神经网络对混合物各组分分析的方法，其特征在于，步骤S2包括：S2.1将拉曼光谱特征矩阵V中的每一个向量V
n
＝[b1,b2,b3,.....b
n
]进行差分处理，其中，b
n
为每一条拉曼光谱数据；S2.2将差分处理后的Diff1通过Sign1函数进行归一选择，得到结果S1；S2.3将S1再次进行差分，根据S2...

【专利技术属性】
技术研发人员：邓晓军，熊志耀，古淑青，时逸吟，马金鸽，郭德华，于永爱，
申请(专利权)人：上海如海光电科技有限公司，
类型：发明
国别省市：