[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

说明书

本发明公开一种基于Deep Residual Shrinkage‑VGG的端到端深度学习的分类方法，包括：获取拉曼光谱数据，进行一阶样条插值处理且补零，随机打乱后划分成训练集、验证集和测试集；构建一个基于Deep ResidualShrinkage‑VGG的端到端深度学习的分类模型；使用训练集训练该分类模型，使用验证集对模型的超参数进行调整；使用测试集测试该性能。本发明提出的方法，无需光谱数据校正预处理，适用于高噪声、小样本、超多分类的拉曼光谱数据，提高了拉曼光谱数据分类问题的正确率与适用性，在一定程度上改善了深层深度学习网络模型的训练过慢的问题。

技术领域

本发明涉及拉曼光谱数据分类领域，具体涉及一种基于Deep ResidualShrinkage-VGG的端到端深度学习拉曼光谱数据分类方法。

背景技术

拉曼光谱是一种振动光谱，在分析科学领域中为我们提供了一种具有快速、灵敏、非接触性、非破坏性特点的检测方法，它通过材料对入射光源中产生的拉曼散射进行材料的结构分析。拉曼光谱适用于不同温度下气体、液体、固体的定性定量分析，因此，在医疗领域、食品科学领域、法医学领域、地质学领域实现了广泛应用。

拉曼光谱信号中包含的信息是分析的关键。由于拉曼信号容易受到荧光过程、材料密度、环境噪声、外部光源的影响，光谱会出现基线漂移的现象和受到噪声信号的干扰，噪声信号强度可比拉曼散射高出几个数量级，严重影响光谱的分析。由于这些限制因素的存在，传统的拉曼光谱分析过程通常需要通过去噪、平滑、基线消除、归一化等数据预处理。许多传统的机器学习方法已经被应用于对目标物的定性定量分析。支持向量机(SupportVector Machine，SVM)、K近邻(K-Nearest Neighbor，KNN)、随机森林(Random Forest，RF)、逻辑斯蒂回归(Logistic Regression，LR)算法是几种简单有效的分类器，然而这些算法容易在小样本、类不均衡、高噪声数据的场景上出现过拟合的问题，且无法构造无需预处理的端到端的数据分类模型。

近年来，深度学习算法也逐渐被应用到光谱数据的自动化分析方面，它的目的在于用抽象的方法不断从低级特征向量中提取重要特征。相比之下，深度学习算法是更为优异的选择方案，它在光谱识别的任务中拥有着如下两大优点：(1)不仅能识别相关特征，还能学习识别模式和知识。(2)相比于机器学习算法拥有更良好的分类结果。就总体而言，目前拉曼光谱识别研究过渡依赖于特征工程，注重采用数据增强手段实现识别正确率的提升，较少考虑模型性能与训练时间成本之间的权衡。我们认为构造一种能够自动处理数据、训练速度快、精度高的端到端分类模型是解析和理解光谱信息不可缺少的手段。

发明内容

本发明的目的在于，提出一种基于DRS(Deep Residual Shrinkage)-VGG的端到端深度学习拉曼光谱数据分类方法，利用深度学习方法取代了传统的通过预处理的方案，实现了富含干扰信息的多类别的拉曼光谱数据的识别，且达到了深度学习网络模型性能与训练时间成本之间的权衡。

本发明的技术方案为：

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。