[发明专利]基于DRS-VGG的端到端深度学习拉曼光谱数据分类方法

权利要求书

1.一种基于Deep Residual Shrinkage-VGG的端到端深度学习拉曼光谱数据分类方法，包括以下步骤：

步骤1，获取拉曼光谱数据，进行一阶样条插值处理，将超出原光谱波数范围的插值点补零，将处理后的拉曼光谱数据随机打乱后划分成训练集、验证集和测试集；

步骤2，构建一个基于Deep Residual Shrinkage-VGG的端到端深度学习的分类模型；

步骤3，使用训练集训练基于Deep Residual Shrinkage-VGG的端到端深度学习的分类模型，使用验证集对模型的超参数进行调整，初步评估模型的性能；

步骤4，使用测试集测试基于Deep Residual Shrinkage-VGG的端到端深度学习的分类模型性能。

2.根据权利要求1所述的基于Deep Residual Shrinkage-VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤1中，进行一阶样条插值处理，具体包括：

采用式(1)对拉曼光谱数据进行一阶样条插值处理，由指定波数值求得对应光谱强度值，使得每个拉曼光谱在指定波数范围内均匀采样：

式中，x_i-1和x_i+1为插值前的某个分段区间左右端点拉曼光谱数据波数值；y_i-1和y_i+1为插值前的该分段区间左右端点拉曼光谱数据强度值；X_i为该区间插值后的拉曼光谱数据波数值；Y_i为该区间插值后的拉曼光谱数据强度值。

3.根据权利要求1所述的基于Deep Residual Shrinkage-VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤1中，将超出原光谱波数范围的插值点补零，具体包括：

若给定插值区间大于原拉曼光谱数据的波数范围，在原拉曼光谱数据的波数范围内进行一阶样条插值后，在超出在原拉曼光谱数据的波数范围用数值0补齐范围外插值数据的强度值。

4.根据权利要求1所述的基于Deep Residual Shrinkage-VGG的端到端深度学习的拉曼光谱数据分类方法，其特征在于，步骤1中，将处理后的拉曼光谱数据随机打乱后划分成训练集、验证集和测试集，具体包括：

将随机打乱后的拉曼光谱数据的30％划分为测试集，在划分过程中将数据按原数据集中各标签的比例传递，使得样本分布相同；采取同样的划分策略，将剩下数据的80％划分为训练集，将剩下数据的20％划分为验证集。