模型训练方法、拉曼光谱生成方法及装置制造方法及图纸

本发明专利技术涉及拉曼光谱检测技术领域，公开了模型训练方法、基于CGAN的拉曼光谱生成方法及装置，通过预先构建拉曼光谱生成网络模型和拉曼光谱判别网络模型，将采集的原始拉曼光谱数据输入拉曼光谱生成网络模型生成拉曼光谱数据，拉曼光谱判别网络模型对原始拉曼光谱数据和生成的拉曼光谱数据进行判别分析，得到训练参数，然后基于训练参数对拉曼光谱生成网络模型进行训练，优化训练参数，直至拉曼光谱生成网络模型收敛，得到最终训练好的拉曼光谱生成网络模型；再利用该生成网络模型将真实的待测拉曼光谱数据进行模拟生成扩充；解决了拉曼光谱数据获取困难的难题以及拉曼光谱数据量较少的问题，从而进行有效的建模训练以实现拉曼光谱分类。光谱分类。光谱分类。

【技术实现步骤摘要】
模型训练方法、拉曼光谱生成方法及装置


[0001]本专利技术涉及拉曼光谱检测
，尤其涉及模型训练方法、拉曼光谱生成方法及装置。

技术介绍

[0002]拉曼光谱作为一种重要的检测方法，已被广泛用于石化工业、生物医学、考古艺术研究和法医鉴定等领域。
[0003]目前，由于采集到的拉曼光谱中的特征具有高度相似性，一般肉眼难以区分，因此，提出了许多传统机器学习和深度学习方法来分析、鉴别拉曼光谱。由于光谱技术具有快速、准确等优势，再配合机器学习的应用，将在分类识别领域发挥越来越重要的作用。在使用拉曼光谱进行识别分类的过程中，机器学习和深度学习模型的训练需要大量的光谱数据，而且拉曼光谱的测量会受仪器本身以及外界荧光等因素影响，导致谱图具有一定的随机性，因此，少量的拉曼光谱数据进行训练是不恰当，具有很大的随机性，因而需要采集大量是拉曼光谱数据，以覆盖类内随机性，使得训练的模型准确度更高。
[0004]但是，本申请专利技术人在实现本申请实施例中专利技术技术方案的过程中，发现上述技术方案至少存在如下技术问题：由于现实条件的制约，在人、财、物本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.模型训练方法，其特征在于，用于对拉曼光谱生成网络模型的训练，包括：步骤1、采集原始拉曼光谱数据，以及，预先构建拉曼光谱生成网络模型和拉曼光谱判别网络模型；步骤2、将原始拉曼光谱数据输入拉曼光谱生成网络模型生成拉曼光谱数据；拉曼光谱判别网络模型对原始拉曼光谱数据和生成的拉曼光谱数据进行判别，得到训练参数；步骤3、基于训练参数对拉曼光谱生成网络模型进行训练，循环执行步骤2~3，优化训练参数，直至拉曼光谱生成网络模型收敛，得到最终训练好的拉曼光谱生成网络模型。2.如权利要求1所述的模型训练方法，其特征在于，将原始拉曼光谱数据输入拉曼光谱生成网络模型生成拉曼光谱数据，包括：生成与原始拉曼光谱数据相同维度的随机数序列；将原始拉曼光谱数据的特定波作为条件变量和生成的随机数序列输入拉曼光谱生成网络模型，生成拉曼光谱数据。3.如权利要求1所述的模型训练方法，其特征在于，拉曼光谱判别网络模型利用第一损失函数对原始拉曼光谱数据和生成的拉曼光谱数据进行判别，得到训练参数，所述第一损失函数为：；其中，表示拉曼光谱生成网络模型和拉曼光谱判别网络模型的极大值博弈，表示拉曼光谱判别网络模型，表示拉曼光谱生成网络模型，将原始拉曼光谱数据对判别为正样本，将第一拉曼光谱数据与所用的条件信息y构成的数据对判别为负样本；为原始拉曼光谱数据集的概率分布，为拉曼光谱判别网络模型生成的仿真光谱数据集的输出，为生成的第一拉曼光谱数据集概率分布，为随机向量，表示拉曼光谱判别网络模型可以区分原始拉曼光谱数据和生成的拉曼光谱数据，表示拉曼光谱生成网络模型可以生成所述拉曼光谱判别网络模型无法区分的拉曼光谱数据；所述训练参数为所述第一损失函数达到模型收敛时的参数。4.如权利要求1所述的模型训练方法，其特征在于，利用第二损失函数对拉曼光谱生成网络模型收敛，所述第二损失函数为：；其中，表示拉曼光谱生成网络模型和拉曼光谱判别网络模型的极小值博弈，表示拉曼光谱判别网络模型，表示拉曼光谱生成网络模型，将第一拉曼光
谱数据与所用的条件信息y构成的数据对判别为负样本，为生成的第一拉曼光谱数据集概率分布，为随机向量，表示拉曼光谱生成网络模型可以生成所述拉曼光谱判别网络模型...

【专利技术属性】
技术研发人员：夏波涌，张正勇，
申请(专利权)人：浙江精杭信息技术有限责任公司，
类型：发明
国别省市：