[发明专利]一种基于卷积神经网络的单分子力谱分类方法

权利要求书

1.一种基于卷积神经网络的单分子力谱分类方法，其特征在于，该方法包括如下步骤：

1)获取单分子力谱图像；

2)对步骤1)获取的单分子力谱图像依次进行预处理、数据增强处理和人工标注类别处理，获得人工标注后的单分子力谱图像，制作包含训练集，验证集和测试集的数据集；

3)构建卷积神经网络模型，利用步骤2)制作的训练集对构建好的卷积神经网络模型进行训练，生成训练好的卷积神经网络模型；

4)将测试集中的单分子力谱图像输入到步骤3)训练好的卷积神经网络模型中，得到单分子力谱的折叠事件数量类别信息。

2.根据权利要求1所述的一种基于卷积神经网络的单分子力谱分类方法，其特征在于，步骤2)中预处理是将所有单分子力谱图像统一转换为像素大小为256×256的灰度图像；

3.根据权利要求1所述的一种基于卷积神经网络的单分子力谱分类方法，其特征在于，步骤2)中数据增强是将预处理后的单分子力谱图像分别从左上、中上、右上、左中、中、中右、左下、中下和右下9个方位进行裁剪，裁剪后的图像像素大小为224×224。

4.根据权利要求1所述的一种基于卷积神经网络的单分子力谱分类方法，其特征在于，步骤2)中人工标注类别是指根据数据增强后的单分子力谱图像中折叠事件的数量的不同，将所有单分子力谱图像分为类别1、类别2、类别3、类别4和类别5，分别对应单分子力谱图像中的折叠数量为0、1、2、3和4的单分子力谱图像。

5.根据权利要求1所述的一种基于卷积神经网络的单分子力谱分类方法，其特征在于，步骤3)中卷积神经网络模型由输入模块、第一池化模块、第一卷积模块、第二池化模块、第二卷积模块、第三池化模块、第三卷积模块、第四池化模块、全连接模块和输出模块依次级联构成。

6.根据权利要求5所述的输入模块、第一卷积模块、第二卷积模块、第三卷积模块、第一池化模块、第二池化模块、第三池化模块、第四池化模块、全连接模块和输出模块，其特征在于，所述输入模块和第一卷积模块由两层卷积层构成，两层卷积层顺次级联且参数一致，卷积层中卷积核的大小为3*3，步长为1，扩充边缘为1，卷积层后进行激活函数为LReLU的非线性激活和批归一化；所述的第二、第三卷积模块由三层卷积层构成，三层卷积层顺次级联且参数一致，卷积层中卷积核的大小为3*3，步长为1，扩充边缘为1，卷积层后进行激活函数为LReLU的非线性激活和批归一化；所述的第一、第二、第三、第四池化模块由一个最大池化层构成，池化核大小为2*2，步长为2；所述全连接模块由全连接层和丢弃层构成；所述输出模块由含5个神经元的输出层构成。

7.根据权利要求6所述的丢弃层，其特征在于，所述丢弃层将随机选择全连接层中的部分节点输出，并使用softmax激活函数在5个输出类别上生成概率分布。

8.根据权利要求1所述的一种基于卷积神经网络的单分子力谱分类方法，其特征在于，步骤3)中训练是指采用梯度下降方法训练卷积神经网络参数，使得交叉熵损失函数收敛，基于梯度下降方法的优化器函数采用具有0.001起始学习率的Adam优化器函数。