团体标准网
(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

.PDF文档 专利 基于DenseNet-biAttention深度学习的拉曼光谱数据分类方法

文档预览
中文文档 11 页 50 下载 1000 浏览 0 评论 309 收藏 3.0分
温馨提示:本文档共11页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
专利 基于DenseNet-biAttention深度学习的拉曼光谱数据分类方法 第 1 页 专利 基于DenseNet-biAttention深度学习的拉曼光谱数据分类方法 第 2 页 专利 基于DenseNet-biAttention深度学习的拉曼光谱数据分类方法 第 3 页
下载文档到电脑,方便使用
本文档由 人生无常 于 2024-03-18 21:49:49上传分享
站内资源均来自网友分享或网络收集整理,若无意中侵犯到您的权利,敬请联系我们微信(点击查看客服),我们将及时删除相关资源。