[发明专利]一种拉曼光谱数据的智能建库方法

说明书

本发明提出一种拉曼光谱数据的智能建库方法，首先利用小波变换将原始拉曼光谱的一维序列信号变换为小波空间中的二维信号，然后输入生成对抗网络进行训练。生成对抗网络包括一个生成模型和一个判别模型，以两个模型对抗的形式训练；前者输入随机生成的向量产生生成光谱(二维格式)，后者输入原始光谱和生成光谱(二维格式)并判断输入是否为原始光谱。生成对抗网络的训练完成后，利用其中的生成模型产生大量的与原始光谱相似的生成光谱(二维格式)，并与原始光谱联合建立光谱数据库。该数据库以二维信号格式来存储光谱数据。本发明的方法解决了将深度学习应用于拉曼光谱分析领域时所面临的光谱数据采集难、成本高和耗时长等问题，推动了深度学习方法在光谱分析应用的落地。

技术领域

本发明涉及机器学习领域，特别是指一种拉曼光谱数据的智能建库方法。

背景技术

基于拉曼光谱的现场检测技术在农业生产、食品安全和公共安全等领域得到广泛应用，例如《Z.F.Zhou,J.L.Lu,J.Y.Wang,Y.S.Zou,T.Liu,Y.L.Zhang,G.K.Liu*,Z.Q.Tian,Trace detection of polycyclic aromatic hydrocarbons in environmental watersby SERS,Spectrochimica Acta Part A:Molecular and Biomolecular Spectroscopy,2020(234)118250》利用表面增强拉曼光谱技术对水中的有机污染物多环芳烃(PAHs)进行检测，《杨雪倩,于慧春,殷勇等.拉曼光谱法检测玉米中黄曲霉毒素B1和玉米赤霉烯酮[J].核农学报,2021(1)》检测玉米中黄曲霉素B₁和赤霉素。基于拉曼光谱物质检测的传统方法通过与目标物质的标准谱图进行模板匹配，并设定相似性阈值来判定待测样本是否含有目标物质，例如文献《Zhang Z M,Chen X Q,Lu H M,et al.Mixture analysis usingreverse searching and non-negative least squares[J].ChemometricsIntelligentLaboratory Systems,2014,137:10-20》使用搜索算法根据相似性阈值对混合物的拉曼光谱进行定性分析。这类方法缺乏通用性，因为其性能对算法参数很敏感，在现场检测往往需要人工调整相似性阈值来适应复杂环境的干扰和仪器噪声的影响。

近年来机器学习被广泛地应用到拉曼光谱物质检测领域，如文献《章颖强，董伟，张冰，王晓萍.基于拉曼光谱和最小二乘支持向量机的橄榄油掺伪检测方法研究[J].光谱学与光谱分析,2012,32(6):1554-1558》使用基于支持向量机的算法检测橄榄油的掺假情况。但这类传统的机器学习方法依赖于人工选择和提取光谱特征，缺乏普适性，难以推广于不同应用。而深度学习由于神经网络强大的表达能力，具备了自动提取特征的能力，不依赖于特征工程就能在计算机视觉和自然语言处理等领域取得巨大成功。因此，研究者们纷纷设计基于深度学习的拉曼光谱分析算法以提高拉曼检测的准确性和普适性，具有巨大的发展潜力和市场前景。例如《Fan X,Ming W,Zeng H,et al.Deep learning-based componentidentification for the Raman spectra of mixtures[J].Analyst,2019.》使用神经网络对混合物的拉曼光谱进行成分分析。