[发明专利]一种用于深度学习训练的拉曼光谱数据集分析方法

权利要求书

1.一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述分析方法包括以下步骤：

(1)拉曼光谱数据预处理；

(2)拉曼光谱数据相关度检测；

(3)拉曼光谱数据标记。

2.根据权利要求1所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述预处理包括：拉曼光谱范围截取，拉曼光谱平滑处理，拉曼光谱去基线处理，拉曼光谱数据归一化处理；

所述拉曼光谱范围截取有两个截取范围，所述两个截取范围分别为600～1800cm^-1和2800～3200cm^-1。

3.根据权利要求2所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述拉曼光谱平滑处理使用Savitzky-Golay滤波法，Savitzky-Golay滤波法是对一定窗口长度内的数据点进行k阶多项式拟合，从而得到拟合后的结果，在窗口内的数据的拟合通过最小二乘拟合实现；

所述窗口长度为n＝2m+1；

所述数据点为x＝(-m,-m+1,…0,1,…m-1,m)；

所述Savitzky-Golay滤波法的具体过程如下：

y＝a₀+a₁x+a₂x²+...+a_k-1x^k-1

由n个上述方程，构成了k元线性方程组。要使方程组有解，则n应大于等于k，一般选择n＞k，通过最小二乘法拟合确定拟合参数A。由此得到

用矩阵表示为

Y_(2m+1)×1＝X_(2m+1)×kA_K×1+E_(2m+1)×1

A的最小二乘解A为

Y的模型预测值或滤波值为

所以矩阵算子为B＝X(X^TX)^-1X^T。

4.根据权利要求2所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述拉曼光谱去基线处理使用非对称重加权惩罚最小二乘法算法，具体过程如下：

正则化最小二乘函数的最小化来得到平滑信号z，具体公式如下：

S(z)＝(y-z)^T(y-z)+λz^TD^TDz

其中，y为长度为N的信号，z是要找到的平滑信号，y和z是列向量，λ是平衡参数，D是差分矩阵；所述平滑信号z遵循y的趋势，同时保持其平滑度；

假设二阶差分矩阵D为：

引入权重向量w后惩罚最小二乘函数为以下公式：

S(z)＝(y-z)^TW(y-z)+λz^TD^TDz

其中，W是对角线上为w对角矩阵，y为长度为N的信号，z是要找到的平滑信号，y和z是列向量，λ是平衡参数，D是差分矩阵；

设偏导向量为零S/z^T＝0，得出惩罚最小二乘函数的最小化解为：

z＝(W+λD^TD)^-1Wy

当信号区域中没有峰值或信号区域远大于基线时，增加非对称权重w_i，具体计算公式如下：

其中，和是d^-的平均值和标准偏差，给定d＝y-z，d^-是d的一部分，其仅在y_i＜z_i的区域中定义；

其中，

5.根据权利要求1所述的一种用于深度学习训练的拉曼光谱数据集分析方法，其特征在于，所述拉曼光谱数据相关度检测是将预处理后的拉曼光谱数据与标准光谱进行相关性检测，采用相关系数表明光谱之间的线性相关程度，相关系数具体公式如下：

其中，Cov(X,Y)为X与Y的协方差，Var[X]为X的方差，Var[Y]为Y的方差，将相关系数大于80％的数据存留。