[发明专利]一种基于深度学习的定量光谱数据分析处理方法

权利要求书

1.一种基于深度学习的定量光谱数据分析处理方法，其特征在于方法包含如下步骤：

步骤1)：构建一维卷积神经网络模型，并且优化计算获得模型的超参数；

步骤2)：用样品已知预测值的光谱数据输入到卷积神经网络模型中，训练获得模型的权重，经过多轮训练后得到一个最优模型，获得训练后的模型；

步骤3)：将样品未知预测值的光谱数据输入到训练后的模型，输出获得光谱数据的预测值结果；

所述的步骤1)中，具体为：

1.1)卷积神经网络模型主要由输入层、卷积层(1)、卷积层(2)、卷积层(3)、拉伸层、全连接层和输出层依次连接构成；输入层中输入原始的全波段光谱曲线；

第一个卷积层包含一个卷积模块，使用8个卷积核，所有卷积核大小相同；

第二个卷积层采用两个卷积模块和一个池化模块的三个并列的模块，第一个卷积层的输出分别输入到两个卷积模块和一个池化模块中，每个卷积模块使用一种卷积核，两个卷积模块的卷积核不同，每个卷积模块均含有4个1×1×8的卷积核，池化模块中含有4个并列的最大池化结构；

第三个卷积层采用四个卷积模块，四个卷积模块分别使用四种不同的卷积核，第一个卷积模块包含四个1×1×8的第一种卷积核，第二个卷积模块包含四个p×1×4的第二种卷积核，第三个卷积模块包含四个q×1×4的第三种卷积核，第四个卷积模块包含四个1×1×4的第四种卷积核，p和q分别表示第二种卷积核和第三种卷积核的长度，其中第一种卷积核的输出输入到第三个卷积层的第一个卷积模块，第二个卷积层的两个卷积模块和一个池化模块分别输入到第三个卷积层的后三个卷积模块中；拉伸层进行将第三个卷积层的输出拉伸成一维特征向量的操作；

所述卷积神经网络模型的目标函数loss由均方误差和第二范数正则化函数组成：

其中，λ目标函数的正则化系数，w是模型的权重；

1.2)采用随机网格搜索方法优化卷积层的卷积核大小和步长，包括第一层卷积层的卷积核的大小和步长，第三层卷积层的两个卷积核的大小和步长，第二层卷积层的卷积核大小和步长为固定值；具体是采用随机网格搜索方法在以下超参数搜索空间内搜索卷积层中的超参数，采用五折交叉验证选择获得一组由超参数构成的最优超参数组合；

上述三个卷积层中不同卷积核的大小和步长的范围如下：第一层卷积层中的卷积核大小范围是2-19，卷积核步长范围是2-9；第二层卷积层中的第一种卷积核长度设定为1，第一种卷积核步长设定为1，第二层卷积层中的第二种卷积核长度设定为1，第二种卷积核步长设定为1；第三层卷积层中的第一种卷积核长度设定为1，第三层卷积层中的第二种卷积核长度p大小范围是2-5，第二层卷积层中的第三种卷积核长度q大小范围是6-9，第三个卷积层中四种卷积核步长范围2-9。

2.根据权利要求1所述的一种基于深度学习的定量光谱数据分析处理方法，其特征在于：模型的三个卷积层和全连接层的激活函数为Leaky ReLU函数，模型的输出层不具有激活函数。

3.根据权利要求1所述的一种基于深度学习的定量光谱数据分析处理方法，其特征在于：所述步骤2)中，将样品已知参考值的光谱数据输入到卷积神经网络模型中采用Adam方法结合反向传播算方法训练获得模型的权重，训练轮数为5000轮。

4.根据权利要求1所述的一种基于深度学习的定量光谱数据分析处理方法，其特征在于：所述步骤3)中，通过模型输出预测每一条光谱曲线对应的预测值。