[发明专利]一种基于大数据分析的石墨烯指纹峰分析方法

权利要求书

1.一种基于大数据分析的石墨烯指纹峰分析方法，其特征在于，包括以下步骤：

步骤一、采集由石墨烯上产生的拉曼光谱，对其中一条石墨烯拉曼光谱上的q个特征峰邻域中的任意区域进行重新采样m个点；

步骤二、对重采样后的m个点特征峰邻域特征光谱做p个点快速傅立叶变换，以获得光滑曲线，经傅立叶变换得到特征峰邻域复轨迹；

步骤三、对所获得的每一条复轨迹的幅度根据其最大幅度进行归一化，并进行相位调整，强制轨迹起点处相位为0；

步骤四、根据复轨迹的收敛规律，将所述复轨迹从外向内划分为若干周，根据所述复轨迹上划分的周数定义标识特征集，用于后续的大数据分析算法；

步骤五、根据一定数量的已知特征峰样本提取步骤四中定义的识别特征集，并将提取得到的特征作为输入数据，训练智能算法，建立基于大数据的石墨烯拉曼光谱自动识别模型；

步骤六、根据石墨烯拉曼光谱自动识别模型对待识别的石墨烯拉曼光谱进行自动识别，根据识别结果进行缺陷判决和层数判决；

其中，所述步骤五中，所述自动识别模型根据特征峰邻域位置分为4个子模型：

a)G峰子模型——区分G峰与无特征峰；

b)2D峰子模型——区分2D峰与无特征峰；

c)D峰子模型——区分D峰与无特征峰；

d)噪点子模型——区分有无噪点；

各X峰子模型的构建方法为：

步骤七、通过人工判断的方式，选取N个存在X峰的X峰邻域的样本，X峰为G峰、D峰和2D峰中的一种，N≥1000；

步骤八、在石墨烯拉曼光谱的G峰邻域、2D峰邻域、D峰邻域之外的任意位置，选取与X峰邻域宽度相等且不存在噪点的N个背景样本；

步骤九、对N个X峰邻域样本和N个背景样本分别提取各样本的标识特征集中的39个特征；

步骤十、对每个特征，对N个X峰邻域样本的特征值和N个背景样本进行线性归一化，至[0,1]区间；

步骤十一、将归一化的特征值集合作为训练集，输入到初始机器学习模型中，进行训练，得到X峰子模型。

2.如权利要求1所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述步骤一中，定义石墨烯拉曼特征光谱的3个重点分析区域，即所述特征峰邻域为：

1)D峰邻域：波数1270～1430cm^-1

2)G峰邻域：波数1520～1680cm^-1

3)2D峰邻域：波数2630～2770cm^-1。

3.如权利要求2所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述步骤二中，30≤m≤60，512≤p≤2048，以波数为横坐标的特征光谱视为以光速进行归一化的频域表达，则其傅立叶变换可视为归一化伪时域表达。

4.如权利要求3所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述m为40，所述p为1024。

5.如权利要求2所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述步骤四中，所述标识特征集为：

特征1：前4周的数据点数的均值；

特征2：前4周的数据点数的标准差；

特征3：特征2与特征1的比值；

特征4～27：第1～6周半径的统计值：最大值，最小值，平均值，标准差；

特征28～30：第1周的最大值、最小值、平均值与第2周对应数值的比例；

特征31～33：第2周的最大值、最小值、平均值与第3周对应数值的比例；

特征34～39：第1～3周半径的头尾比例，一周内的不光滑拐点数量。

6.如权利要求5所述的基于大数据分析的石墨烯指纹峰分析方法，其特征在于，所述步骤十一中，初始机器学习模型可以是SVM，人工神经网络，KNN，随机森林中的一种。