拉曼光譜技術(shù)具有采樣簡(jiǎn)單、檢測(cè)快速、對(duì)樣品無(wú)損、應(yīng)用范圍廣等諸多優(yōu)點(diǎn),物質(zhì)定性鑒別和定量分析是其重要任務(wù)。傳統(tǒng)拉曼光譜分析方法首先要對(duì)拉曼光譜預(yù)處理,之后提取特定波峰信息或運(yùn)用主成分分析等方法進(jìn)行特征提取。光譜信號(hào)處理過(guò)程中人工干預(yù)必然會(huì)造成數(shù)據(jù)損失或改變,影響分析結(jié)果的準(zhǔn)確性。卷積神經(jīng)網(wǎng)絡(luò)是一種重要的深度學(xué)習(xí)算法,具有局部連接和權(quán)值共享特性,使其能夠準(zhǔn)確而高效的分析高維且大量的數(shù)據(jù)。本文使用卷積神經(jīng)網(wǎng)絡(luò)建立拉曼光譜定性和定量分析模型,主要研究?jī)?nèi)容如下:實(shí)驗(yàn)采集拉曼光譜數(shù)據(jù),包括三類雌性激素粉末（雌酮、雌二醇、雌三醇）的拉曼光譜,用于實(shí)現(xiàn)定性鑒別;不同濃度梯度的三聚氰胺表面增強(qiáng)拉曼光譜,用于定量建模。設(shè)計(jì)三種拉曼光譜數(shù)據(jù)增強(qiáng)方法,擴(kuò)充光譜數(shù)據(jù)量,構(gòu)建充足的拉曼光譜數(shù)據(jù)集,便于訓(xùn)練神經(jīng)網(wǎng)絡(luò)模型,提高模型泛化性能�；贚eNet-5經(jīng)典神經(jīng)網(wǎng)絡(luò)模型,提出適用于拉曼光譜信號(hào)的一維卷積神經(jīng)網(wǎng)絡(luò)分類模型,定性分析三類雌性激素的拉曼光譜。通過(guò)大量仿真實(shí)驗(yàn),對(duì)神經(jīng)網(wǎng)絡(luò)模型的結(jié)構(gòu)參數(shù)尋優(yōu),確定最佳網(wǎng)絡(luò)結(jié)構(gòu),優(yōu)化訓(xùn)練參數(shù)并完成網(wǎng)絡(luò)模型訓(xùn)練。從預(yù)處理對(duì)光譜分類結(jié)果的影響和模型抗干擾性能兩個(gè)方面與多種傳統(tǒng)拉... 

【文章來(lái)源】：燕山大學(xué)河北省

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

乙醇532nm激光散射光譜圖

圖 2-7 經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)（1）卷積層：卷積層是 CNN 的核心算法模塊，通常位于輸入層之后，池之前，是卷積神經(jīng)網(wǎng)絡(luò)最重要的組成部分。卷積層的由一組參數(shù)可訓(xùn)練的成，這些濾波器通常感知區(qū)域較小，也被稱作卷積核。網(wǎng)絡(luò)前向傳播過(guò)程卷積核都會(huì)在輸入數(shù)據(jù)上按一定方向滑動(dòng)，并且對(duì)所覆蓋區(qū)域執(zhí)行卷積運(yùn)卷積計(jì)算公式可由（2-19）表示：1j11, 1,2, ,lNl lij i jiljy f x b j K （其中，*表示卷積運(yùn)算；以 l 代表當(dāng)前卷積層，ljy 為當(dāng)前卷積層 l 輸出的第圖；ij 為卷積層 l-1 中第 i 個(gè)特征圖上的第 j 組卷積核；l1ix 為 l-1 層第 i 個(gè)ljb 為當(dāng)前層第 j 組卷積核的偏置項(xiàng)；l1jN 為 l-1 層與 l 層間，第 j 組卷積核運(yùn)特征圖數(shù)目；該卷積層共有 K 個(gè)特征圖；激活函數(shù)運(yùn)算以 .f 表示。卷積核內(nèi)的值最初被隨機(jī)設(shè)定，卷積運(yùn)算的本質(zhì)為卷積核內(nèi)數(shù)值與局部感

經(jīng)過(guò)多次運(yùn)算，卷積核內(nèi)參數(shù)不斷優(yōu)化更新，最終趨于收斂。圖2-8 所示是一個(gè)簡(jiǎn)單的卷積運(yùn)算示例，I 表示原始圖像，K 是一個(gè) 3*3 的卷積核，*表示卷積運(yùn)算，卷積核滑動(dòng)步長(zhǎng)為 1，可得卷積運(yùn)算所得特征圖。每個(gè)卷積核在原始數(shù)據(jù)上的卷積運(yùn)算結(jié)果會(huì)形成有特定含義的特征圖，對(duì)應(yīng)著原始數(shù)據(jù)中的某一類特征。卷積層數(shù)越多，可提取到更偏向于整體的、更具有表征能力的特征數(shù)據(jù)。

【參考文獻(xiàn)】：
期刊論文
[1]可見(jiàn)、近紅外光譜和深度學(xué)習(xí)CNN-ELM算法的煤炭分類[J]. LE Ba Tuan,肖冬,毛亞純,宋亮,何大闊,劉善軍.  光譜學(xué)與光譜分析. 2018(07)
[2]基于特征提取的低信噪比拉曼光譜去噪方法研究[J]. 范賢光,王秀芬,王昕,許英杰,闕靖,王小東,何浩,李韋,左勇.  光譜學(xué)與光譜分析. 2016(12)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[4]乙醇含量拉曼光譜檢測(cè)中噪聲與背景同時(shí)消除方法研究[J]. 韓慶陽(yáng),周鵬驥.  光譜學(xué)與光譜分析. 2015(12)
[5]加權(quán)最小二乘支持向量機(jī)穩(wěn)健化迭代算法及其在光譜分析中的應(yīng)用[J]. 包鑫,戴連奎.  化學(xué)學(xué)報(bào). 2009(10)
[6]對(duì)拉曼光譜信號(hào)分類的模式識(shí)別[J]. 郭平,盧漢清,杜為民.  電子與信息學(xué)報(bào). 2002(06)

博士論文
[1]基于可見(jiàn)光近紅外光譜的土壤成分預(yù)測(cè)模型研究[D]. 史楊.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[2]拉曼光譜的數(shù)學(xué)解析及其在定量分析中的應(yīng)用[D]. 李津蓉.浙江大學(xué) 2013
[3]基于光譜分析的燃油組分檢測(cè)技術(shù)研究[D]. 淡圖南.浙江大學(xué) 2011

碩士論文
[1]基于深度學(xué)習(xí)的水果糖度可見(jiàn)/近紅外光譜無(wú)損檢測(cè)方法研究[D]. 溫馨.北京交通大學(xué) 2018
[2]基于深度學(xué)習(xí)的血液制品拉曼光譜分析方法研究及應(yīng)用[D]. 董家林.重慶大學(xué) 2018
[3]分子振動(dòng)光譜的新型智能建模算法研究及其應(yīng)用[D]. 鄢悅.浙江大學(xué) 2018
[4]基于拉曼光譜的食用植物油定性鑒別與定量分析[D]. 周秀軍.浙江大學(xué) 2013



本文編號(hào)：3142623