[发明专利]生成对抗与神经网络并结合拉曼光谱进行物质分类的方法

权利要求书

1.生成对抗与神经网络后结合拉曼光谱进行物质分类的方法，其特征在于，包括：

步骤一、采用差分求导方法，删除光谱中与宇宙射线相对应的光谱部分；

步骤二、采用自适应迭代重加权惩罚最小二乘法，对光谱进行去除背景操作；

步骤三、采用Min-Max对光谱进行归一化处理；所述Min-Max是matlab软件中的一个函数；

步骤四、将上述预处理操作后的光谱拟合到对抗网络中，通过交互训练，生成的大量高分辨率的拉曼光谱；

步骤五、再将所述生成的大量高分辨率的拉曼光谱拟合到残差神经网络中，通过训练，得到精准的分类模型。

2.根据权利要求1所述的生成对抗与神经网络后结合拉曼光谱进行物质分类的方法，其特征在于，所述对抗网络PGGAN通过GAN、WGAN、DCGAN、StackGAN、InfoGAN等生成对抗网络的变种达到生成大量高分辨率拉曼光谱。

3.根据权利要求1所述的生成对抗与神经网络后结合拉曼光谱进行物质分类的方法，其特征在于，对抗网络的所述交互训练的具体架构设置包括：

①设置每批数据量的大小为10，每个分辨率阶段，训练集中的全部样本训练2000次；额外的训练集中的全部样本训练2000次用于衰落；

②使用ADAM优化器训练网络，其中学习率为0.001；

③生成器的潜在变量从N(0,1)中采样；

④生成器中的每个上采样块均包括：1个上采样层和大小为9的2个卷积层；

⑤每个临界值块均包括：2个卷积层和1个下采样层。

4.根据权利要求3所述的生成对抗与神经网络后结合拉曼光谱进行物质分类的方法，其特征在于，所述下采样层，采用大小和步幅均为2的平均池化和跨步卷积。

5.根据权利要求1所述的生成对抗与神经网络后结合拉曼光谱进行物质分类的方法，其特征在于，所述残差神经网络的网络结构设置包括：

①神经网络架构引用自在一系列计算机视觉任务中广泛成功的ResNet架构；

②ResNet在低信噪比的拉曼光谱分类有着很高的精度，包括：

初始卷积层、6个残差层和最终全连通分类层；

每个残差层包含4个卷积层，因此网络的总深度为26层。