一种基于可解释深度模型的单谱分类谱学分析方法和系统技术方案

本发明专利技术提供一种基于可解释深度模型的单谱分类谱学分析方法，包括：随机生成若干个负样本；将目标物的标准谱与生成的负样本进行加和，形成若干个正样本；对正样本和负样本逐一进行一阶导数运算，得到求导后的样本；将求导后的样本输入深度森林模型进行模型训练，得到训练好的深度森林模型，将训练好的深度森林模型进行可视化，得到可视化后的深度森林模型；利用可视化后的深度森林模型识别未知物质中是否存在目标物；本发明专利技术提供的方法，在物质识别中均表现出了良好的识别性能，不仅能够准确对目标物和未知非目标物进行区分，还能捕获混合物或复杂基质中微弱的目标物信号，实现高灵敏、高选择性的物质识别。高选择性的物质识别。高选择性的物质识别。

【技术实现步骤摘要】
一种基于可解释深度模型的单谱分类谱学分析方法和系统


[0001]本专利技术涉及谱学分析领域，特别是指一种基于可解释深度模型的单份分类 谱学分析方法和系统。

技术介绍

[0002]拉曼光谱(包括表面增强拉曼光谱)作为一种能够提供物质指纹信息的高 灵敏检测技术，其不仅在基础科研上，例如表面科学、分析科学、生命科学等 发挥着重要的作用，同时在实际应用中，如食品安全、毒品检测、法医学、工 业等生产活动领域中，拉曼光谱作为一种强有力的检测工具也有着广泛的实际 应用。极高的灵敏度和极其丰富的信息量导致拉曼光谱在谱图解析中存在困难， 如何从复杂混合物谱图中解析出所需要的信息是实现拉曼光谱定性定量分析的 关键。通常对于谱图的解析是利用化学计量学中的统计学方法进行的，例如峰 匹配算法等，通过对标准谱图的分析和指认构建单分类识别模型，以用于未知 样品的识别，但受限于其简单的算法结构，在面对复杂谱图的分析问题时，其 效果通常不佳。近年来，伴随着计算机科学的井喷式发展，基于深度学习的拉 曼光谱定性分析方法也得到了迅速发展。虽然深度学习极大的提升了定性分析 的准确性，但本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于可解释深度模型的单份分类谱学分析方法，其特征在于，包括：随机生成若干个负样本，每个负样本包含若干个位置、半高宽、相对峰强随机的高斯谱峰；将目标物的标准谱与生成的负样本进行加和，形成若干个正样本；对正样本和负样本逐一进行一阶导数运算，得到求导后的样本；将求导后的样本输入深度森林模型进行模型训练，得到训练好的深度森林模型，所述深度森林模型包括特征提取模块和分类模块；将训练好的深度森林模型进行可视化，将模型中各个树模型的特征重要度进行统计加和，得到训练好的深度森林模型的特征重要度的向量，并以目标物的标准谱图为轮廓，将表征特征重要度的向量与颜色图进行映射，并进行填充，实现训练好的深度森林模型可视化，得到可视化后的深度森林模型；利用可视化后的深度森林模型识别未知物质中是否存在目标物。2.根据权利要求1所述的一种基于可解释深度模型的单谱分类谱学分析方法，其特征在于，将求导后的样本输入深度森林模型进行模型训练，得到训练好的深度森林模型，所述深度森林模型包括特征提取模块和分类模块；具体为：特征提取模块包括多层级联森林，级联森林包括用于特征提取的随机森林；分类模块包括：包括用于分类的随机森林；在单层的级联森林中，输入数据将被级联森林提取特征，提取后的特征与原始特征进行拼接，并输入到下一层级联森林中；最终，级联森林的最终输出将与原始特征进行拼接，输入到分类模块中进行最终的类别判断。3.根据权利要求2所述的一种基于可解释深度模型的单份分类谱学分析方法，其特征在于，将训练好的深度森林模型进行可视化，将各级表征特征重要度进行统计加和，得到训练好的深度森林模型的表征特征重要度的向量，具体为：对随机森林中各决策树上节点被利用的表征特征重要度进行统计加和；对...

【专利技术属性】
技术研发人员：刘国坤，罗思恒，徐婧，王维礼，谢怡，任斌，田中群，
申请(专利权)人：厦门大学，
类型：发明
国别省市：