一种基于卷积神经网络的拉曼光谱智能分类方法

技术特征：
1.一种基于卷积神经网络的拉曼光谱智能分类方法，其特征在于，包括以下步骤：步骤s1，利用硅片对labram hr evolution拉曼光谱仪进行校正，测量的拉曼光谱偏移值范围为0～1800，光源设定为632mm的氦氖激光，强度设置为14mw，积分时间为4s，在拉曼偏移范围内得到800个特征数，总计3*30＝90个拉曼光谱数据；步骤s2，对收集到的拉曼光谱实验数据进行三种不同的预处理；步骤s3，构建深度学习模型，即基于卷积神经网络的分类模型，用于不同预处理方式的拉曼光谱数据进行分类；步骤s4，数据分类：模型构建完成后，将三份拉曼光谱数据各自都按5：1的比例随机分为训练集和测试集，放入卷积网络中进行训练，待训练完成后进行数据分析；步骤s5，数据分析：进行对比实验，分析数据预处理方式的优劣，判断预处理是否可以提高模型准确率，是否可以保留更多有效特征，以及对比分析卷积神经网络模型与传统机器学习算法的优劣。2.根据权利要求1所述的一种基于卷积神经网络的拉曼光谱智能分类方法，其特征在于，步骤s2，对收集到的拉曼光谱实验数据进行三种不同的预处理方式：步骤s21：将拉曼光谱数据直接进行数据增强，样本扩充，通常有旋转、移位、平移、缩放操作；通过向拉曼光谱数据中从左至右随机添加适量高斯噪声，将总样本数据扩充到1000条样本，以便后续投入神经网络中进行训练；步骤s22：对光谱进行预处理：包括去噪，归一化，s-g平滑，并进行pca和lda不同降维方式提取特征，再通过数据增强的方式扩充样本；步骤s23：将拉曼光谱数据先进行预处理，再对预处理后的拉曼光谱数据进行数据增强，得到预处理后的增强数据，并将数据投入神经网络中进行训练。3.根据权利要求2所述的一种基于卷积神经网络的拉曼光谱智能分类方法，其特征在于，步骤s22中将数据通过数据归一化，即将差异度较大的数据进行同倍数缩放，使数据处于一个设置的小的特定区间0-1内，通过归一化来消除数据指标之间的量纲影响。4.根据权利要求2所述的一种基于卷积神经网络的拉曼光谱智能分类方法，其特征在于，步骤s22中采用s-g滤波算法来对光谱进行降噪，消除一定的噪音与毛刺。5.根据权利要求2所述的一种基于卷积神经网络的拉曼光谱智能分类方法，其特征在于，步骤s22中通过pca和lda降维方法进行特征提取，选取恰当的主成分个数来代表所有样本数据，实现剔除冗余信息和保留有效信息的目标，最终将得到的拉曼光谱数据投入神经网络中进行训练与步骤s2中的步骤s21做对比分析。6.根据权利要求1所述的一种基于卷积神经网络的拉曼光谱智能分类方法，其特征在于，步骤s3，构建深度学习模型——基于卷积神经网络的分类模型，由卷积层、批标准化处理层、池化层和全连接层组成，实验预计采用一个卷积层，一个批标准化处理层，一个池化层，两个全连接层组成分类模型，激活函数使用relu激活函数，学习率设置为0.002，在反向传播更新参数的过程中，采用adam优化器进行实验，全连接层将使用dropout函数来加快模型的收敛。

技术总结
本发明公开了一种基于卷积神经网络的拉曼光谱智能分类方法，包括步骤S1，利用硅片对LabRAM HR Evolution拉曼光谱仪进行校正，进行拉曼实验；步骤S2，对收集到的拉曼光谱实验数据进行预处理；步骤S3，构建基于卷积神经网络的分类模型，用于不同预处理方式的拉曼光谱数据进行分类；步骤S4，数据分类：模型构建完成后，将三份拉曼光谱数据各自都按5：1的比例随机分为训练集和测试集，放入卷积网络中进行训练，待训练完成后进行数据分析；步骤S5，数据分析：进行对比实验，分析数据预处理方式的优劣，判断预处理是否可以提高模型准确率，是否可以保留更多有效特征，以及对比分析卷积神经网络模型与传统机器学习算法的优劣。模型与传统机器学习算法的优劣。模型与传统机器学习算法的优劣。


技术研发人员：曾万聃 黄忠民
受保护的技术使用者：上海应用技术大学
技术研发日：2022.02.28
技术公布日：2022/5/31