[发明专利]一种拉曼光谱气体标记物的自检测分类方法及系统

说明书

本发明公开一种拉曼光谱气体标记物的自检测分类方法及系统，方法包括：先获取带有气体标记物的第一设定数量的拉曼光谱；其次对各所述拉曼光谱进行预处理，获得第一设定数量的样本；然后基于反向传播算法和第一设定数量的样本训练深层堆叠稀疏自编码神经网络，基于输入与重构之间的最小差异确定深层堆叠稀疏自编码神经网络的最优参数；最后将待检测气体的拉曼光谱输入到已确定最优参数的深层堆叠稀疏自编码神经网络进行分类，获得气体分类结果。本发明将气体标记物与拉曼光谱技术相结合来训练深层堆叠稀疏自编码神经网络，利用训练完成后的深层堆叠稀疏自编码神经网络对待检测气体进行分类，不仅提高检测速率，还降低分类过程的复杂性。

技术领域

本发明涉及气体分类预测技术领域，特别是涉及一种拉曼光谱气体标记物的自检测分类方法及系统。

背景技术

近年来，随着我国工业化的发展，空气污染越来越严重，对于气体样本的采集检测越来越重要，特别是利用挥发性有机物检测实现气体样本划分具有广阔的应用前景。目前，这项具有巨大前景的无创快速检测技术的应用日趋成熟，并已被广泛用于各种实验环境和环境监测领域。

作为无创快速检测最常用的是挥发性有机物(VOCs)分类方法，其包括电子鼻及色谱-质谱法CC-MS。电子鼻由众多的纳米传感器组成，其依据各物质电阻的差异产生特征性的气体谱，从而利用模式识别原理探测不同的样本状态。CC-MS方法中VOCs首先被离子化，基于不同的质/荷比特性，不同的VOCs逐步到达色谱柱末端，该方法既能确认与代谢过程相关的单个VOCs，也能确认呼出气内所有物质，从而实现样本分类。但是上述两种方法均操作复杂，检测时间长。

发明内容

基于此，本发明的目的是提供一种拉曼光谱气体标记物的自检测分类方法及系统，以提高检测速率，降低分类过程复杂性。

为实现上述目的，本发明提供了一种拉曼光谱气体标记物的自检测分类方法，所述方法包括：

获取带有气体标记物的第一设定数量的拉曼光谱；气体标记物包括多种挥发性有机物；

对各所述拉曼光谱进行预处理，获得第一设定数量的样本；每个所述样本包括第二设定数量的训练特征以及分类标记标签，不同训练特征对应不同的挥发性有机物；

基于反向传播算法和第一设定数量的样本训练深层堆叠稀疏自编码神经网络，基于输入与重构之间的最小差异确定深层堆叠稀疏自编码神经网络的最优参数；所述最优参数包括权重系数和每一层偏差；

获取待检测气体的拉曼光谱；

将待检测气体的拉曼光谱输入到已确定最优参数的深层堆叠稀疏自编码神经网络进行分类，获得气体分类结果。

可选地，所述对各所述拉曼光谱进行预处理，获得第一设定数量的样本，具体包括：

利用Labspec5软件对各所述拉曼光谱进行基线校正；

利用Labspec5软件对基线校正后的各所述拉曼光谱进行平滑处理；

利用MATLAB根据平滑处理后的各所述拉曼光谱确定第一设定数量的样本。

可选地，所述利用MATLAB根据平滑处理后的各所述拉曼光谱确定第一设定数量的样本，具体包括：

在平滑处理后的各所述拉曼光谱上分别提取多个主峰；

从多个主峰中选取第二设定数量的主峰；

将第二设定数量的主峰转换成第二设定数量的训练特征；所述训练特征包括谱图、带数、峰位、峰宽和面积；

将第二设定数量的训练特征作为各样本的输入变量。

可选地，所述深层堆叠稀疏自编码神经网络的具体公式为：