[发明专利]一种基于keras模型的光谱识别分类方法

权利要求书

1.一种基于keras模型的光谱识别分类方法，其特征在于：包括如下步骤：

步骤(1)：对于样本集合建立标准样本库；步骤(2)，将标准样本库随机分为训练样本集和测试样本集；步骤(3)，构建模型；步骤(4)，编译模型；步骤(5)、训练模型；步骤(6)、输出分类结果。

2.根据权利要求1所述的一种基于keras模型的光谱识别分类方法，其特征在于：所述步骤(1)包括如下步骤：步骤(1.1)数据归一化；步骤(1.2)数据标记。

3.根据权利要求2所述的一种基于keras模型的光谱识别分类方法，其特征在于：所述步骤(1.1)包括如下步骤：将收集的光谱数据重新采样，重采样后光谱范围为2000-2500nm。

4.根据权利要求3所述的一种基于keras模型的光谱识别分类方法，其特征在于：所述步骤(1.2)包括如下步骤：通过遥感数据处理软件打开光谱，通过对比标准光谱库光谱曲线吸收峰对标准样本库光谱数据进行岩性标记。

5.根据权利要求4所述的一种基于keras模型的光谱识别分类方法，其特征在于：所述步骤(2)包括如下步骤：步骤(2.1)构建测试数据：以5：1的比例随机将标准样本库光谱分为训练样本集和测试样本集；步骤(2.2)数据转化：将标准样本库光谱、测试样本库光谱转换成二维矩阵。

6.根据权利要求5所述的一种基于keras模型的光谱识别分类方法，其特征在于：所述步骤(3)包括如下步骤：

步骤(3.1)、添加第一层网络

通过add方法添加全连接层，此层定义64个神经元，输入X个元素，其中，X个元素为训练样本库中光谱数量，通过add方法添加激活函数relu函数；

步骤(3.2)、添加第二层网络

通过add方法添加全连接层，此层定义32个神经元，输入900个元素，其中，900个元素为第一层网络中通过relu函数输出的值，通过add方法添加激活函数relu函数；

步骤(3.3)、添加第三层网络

通过add方法添加全连接层，此层定义16个神经元，输入200个元素，其中，200个元素为第二层网络中通过relu函数输出的值，通过add方法添加激活函数relu函数；

步骤(3.4)、添加第四层网络

通过add方法添加全连接层，此层定义8个神经元，将训练结果分为10类，其通过add方法添加激活函数relu函数。

7.根据权利要求6所述的一种基于keras模型的光谱识别分类方法，其特征在于：所述步骤(4)包括如下步骤：对步骤(3)产生的模型采用SGD优化函数进行编译。

8.根据权利要求7所述的一种基于keras模型的光谱识别分类方法，其特征在于：所述步骤(5)包括如下步骤：

步骤(5.1)、读取步骤(2.2)中标准样本库光谱所生成的二维矩阵；

步骤(5.2)、将步骤(5.1)读取的二维矩阵读入步骤(3.1)中；

步骤(5.3)、将步骤(3.2)产生结果导入步骤(3.3)；

步骤(5.4)、将步骤(3.3)结果导入步骤(3.4)；

步骤(5.5)、步骤(3.4)产生关键参数；

步骤(5.6)、读取步骤(2.2)中测试样本库光谱所生成的二维矩阵；

步骤(5.7)、取的二维矩阵读入步骤(3.1)中；

步骤(5.8)、将步骤(5.5)中关键参数输入模型；

步骤(5.9)、重复步骤(5.3)-步骤(5.4)。