基于深度CNN预训练模型迁移学习的火星LIBS数据分析方法技术

本发明专利技术公开了基于深度CNN预训练模型迁移学习的火星LIBS数据分析方法，涉及激光光谱分析技术领域，其技术要点为：首先构建源域深度CNN预训练模型并用大量地面光谱开展预训练，使其能对光谱形态进行特征提取和学习；随后使用数据量较少的火星光谱重新训练该CNN模型的部分后端层，使其可适用于目标域数据分析；通过深度结合CNN在特征提取方面的优势和迁移学习在训练样本稀缺场景中的优势，利用地面LIBS光谱库实现了火星LIBS光谱定量分析准确度的提升，有效减小算法模型受探测环境和仪器性能差异的影响，并攻克火星光谱数据稀少的难点，适用于深空探测LIBS光谱数据分析。

【技术实现步骤摘要】

本专利技术涉及激光光谱分析，具体涉及基于深度cnn预训练模型迁移学习的火星libs数据分析方法。

技术介绍

1、激光诱导击穿光谱(laser-induced breakdown spectroscopy,libs)是一种基于激光诱导等离子体辐射的化学成分探测技术，具有快速响应、样品微损伤、可多元素同时分析、可远程探测等优点，因此广泛应用于环境监测、生物医疗、工业检测、深空探测等领域。目前，libs技术已经三次成功应用于火星探测任务。美国nasa的“好奇号”和“毅力号”，以及我国的“祝融号”，这三台火星车都搭载了配备libs系统的科学载荷，分别是化学相机(chemcam)、超级相机(supercam)和火星表面成分探测仪(marscode)。利用libs技术，这些科学载荷能够对火星表面的土壤、岩石等物质开展化学元素成分的探测分析。

2、目前，libs在元素识别和物质分类这两种定性分析上已经相对较为成熟，但是在元素成分含量的定量分析上仍普遍存在着准确度偏低的问题，这主要是由于基体效应、自吸收效应和实验参数波动效应的存在，使得libs特征谱线的强度与本文档来自技高网...

【技术保护点】

1.基于深度CNN预训练模型迁移学习的火星LIBS数据分析方法，其特征是：包括以下步骤：

2.如权利要求1所述的基于深度CNN预训练模型迁移学习的火星LIBS数据分析方法，其特征是：所述源域深度CNN预训练模型第1层为批量归一化层，第2层为卷积层，第3层为池化层，第4层为卷积层，第5层为池化层，第6-7层均为卷积层，第8层为池化层，第9层为卷积层，第10层为扁平层，第11层为全连接层，第12层为随机失活层，第13层为全连接层；其中，所有池化层的池化方法为最大池化，所有卷积层和第11层的激活函数为线性整流函数(ReLU)，第13层的激活函数为Sigmoid函数。源域深度CNN预...

【技术特征摘要】

1.基于深度cnn预训练模型迁移学习的火星libs数据分析方法，其特征是：包括以下步骤：

2.如权利要求1所述的基于深度cnn预训练模型迁移学习的火星libs数据分析方法，其特征是：所述源域深度cnn预训练模型第1层为批量归一化层，第2层为卷积层，第3层为池化层，第4层为卷积层，第5层为池化层，第6-7层均为卷积层，第8层为池化层，第9层为卷积层，第10层为扁平层，第11层为全连接层，第12层为随机失活层，第13层为全连接层；其中，所有池化层的池化方法为最大池化，所有卷积层和第11层的激活函数为线性整流函数(relu)，第13层的激活函数为sigmoid函数。源域深度cnn预训练模型的结构并非固定不变的，根据输入libs光谱数据特性和任务目标，可对网络结构进...

【专利技术属性】
技术研发人员：舒嵘，崔志成，李鲁宁，徐卫明，许学森，
申请(专利权)人：中国科学院上海技术物理研究所，
类型：发明
国别省市：