(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111652448.8 (22)申请日 2021.12.3 0 (71)申请人 浙江工业大 学 地址 310014 浙江省杭州市下城区潮王路 18号 (72)发明人 周猛飞　郭添　胡寅朝　余奇清　 孙小方　蔡亦军　 (74)专利代理 机构 杭州求是专利事务所有限公 司 33200 专利代理师 陈升华 (51)Int.Cl. G06K 9/62(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G01N 21/65(2006.01) (54)发明名称 基于DenseNet-biAttention深度学习的拉 曼光谱数据分类方法 (57)摘要 本 发 明 公 开 一 种 基 于 D e n s e N e t ‑ biAttention深度学习的拉曼光谱数据分类方 法， 包括： 获取拉曼光谱 数据， 对拉曼光谱数据进 行归一化处理后， 划分成训练集、 验证集和测试 集； 构建并训练一个基于Den seNet‑biAttention 深度学习的分类模型； 使用验证集对基于 DenseNet ‑biAttention深度学习的分类模型进 行评估和调参； 最后测试基于DenseNet ‑ biAttention深度学习的分类模型性能。 本发明 提出的一种基于DenseNet ‑biAttention深度学 习的拉曼光谱数据分类方法提高了拉曼光谱数 据分类的准确率， 可适用于多分类问题。 权利要求书2页 说明书5页 附图3页 CN 114528905 A 2022.05.24 CN 114528905 A 1.一种基于DenseNet ‑biAttention深度学习的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， 对拉曼光谱数据进行归一化处理， 将处理后的拉曼光谱数 据划分成训练集、 验证集和 测试集； 步骤2， 构建一个 基于DenseNet ‑biAttention深度学习的分类模型； 步骤3， 使用训练集训练基于D enseNet‑biAttention深度学习的分类模型， 使用验证集 对基于DenseNet ‑biAttention深度学习的分类模型进行评估和调参； 步骤4， 使用测试集测试基于DenseNet ‑biAttention深度学习的分类模型性能。 2.根据权利要求1所述的基于DenseNet ‑biAttention深度学习的拉曼光谱数据分类方 法， 其特征在于， 步骤1中， 采用式(1)对拉曼光谱数据进行归一化处理， 使得每一条拉曼光 谱数据分布在0 ‑1之间： 其中， Xnorm为归一化后的拉曼光谱数据； X为原始拉曼光谱数据； Xmin为原始拉曼光谱数 据最小值； Xmax为原始拉曼光谱数据最大值。 3.根据权利要求1所述的基于DenseNet ‑biAttention深度学习的拉曼光谱数据分类方 法， 其特征在于， 步骤1中， 将处理后的拉曼光谱数据划分成训练集、 验证集和测试集， 具体 包括： 将70％～90％的拉曼光谱数据划分为训练数据， 剩下10 ％～30％的拉曼光谱数据划分 为测试集； 在划分验证集时， 采用5～15折交叉验证法， 即将训练数据划分为5～15等份， 每 一次取一份作为验证集， 其 余作为训练集用于训练。 4.根据权利要求1所述的基于DenseNet ‑biAttention深度学习的拉曼光谱数据分类方 法， 其特征在于， 步骤2中， 构建一个基于DenseNet ‑biAttention深度学习的分类模型， 具体 包括： 构建的基于DenseNet ‑biAttention深度学习的分类模型包括三部分， 前两个部分用来 提取拉曼光谱特 征信息， 第三部分用来分析提取的特 征信息并进行分类； 第一部分的DenseNet由两个Dense块组成， 在两个块之间用一个平均池化层进行连接； 一个Dense块有四个卷积层， 激活函数层 使用ReLU激活函数， 在每个卷积层和激活函数层之 间插入一个批标准 化层， 每个卷积层将会接收前面所有卷积层的特 征图作为输入； 第二部分biAttention是由压缩激励模块和空间注意力模块两者并行组成的双注意力 机制模块； 通过压缩激励模块得到一个一维向量作为通道的权重， 然后将权重分别施加到 对应的通道上， 空间注意力模块则是强化拉曼光谱峰所在位置的信息； 第三部分由平坦层、 全连接层和输出层组成， 其中， 平坦层和全连接层把提取的拉曼光 谱特征信息连接起 来进行分析， 最后通过输出层Softmax分类 器得到最终的分类结果。 5.根据权利要求1所述的基于DenseNet ‑biAttention深度学习的拉曼光谱数据分类方 法， 其特征在于， 步骤3中， 使用训练集训练基于DenseNet ‑biAttention深度学习的分类模 型， 使用验证集对基于DenseNet ‑biAttention深度学习的分类模型进行评估和调参， 具体 包括：权　利　要　求　书 1/2 页 2 CN 114528905 A 2使用Adam优化器对步骤2中构建的基于D enseNet‑biAttention深度学习的分类模型进 行训练， 损失函数使用交叉熵损失函数， 使用L2 正则化来缓解过拟合， 交叉熵损失函数表达 式(2)为： 其中， W为模型权重； N为拉曼光谱数； n为拉曼光谱索引； yn为拉曼光谱标签的真实值； 为拉曼光谱标签的预测值； λ为 L2正则化因子； 使用验证集评估训练的基于DenseNet ‑biAttention深度学习的分类模型的误差和分 类准确率， 从而进行模型调参， 保存最优的基于DenseNet ‑biAttention深度学习的分类模 型。 6.根据权利要求1所述的基于DenseNet ‑biAttention深度学习的拉曼光谱数据分类方 法， 其特征在于， 步骤4中， 使用测试集测试基于DenseNet ‑biAttention深度学习的分类模 型性能， 具体包括： 使用测试集对步骤3中保存的基于D enseNet‑biAttention深度学习的分类模型的性能 进行测试， 采用准确率、 召回率、 F1分数和AUC作为基于DenseNet ‑biAttention深度学习的 分类模型的评价指标。权　利　要　求　书 2/2 页 3 CN 114528905 A 3