基于深度学习的拉曼光谱定性与定量分析方法研究
发布时间：2021-04-17 02:20
拉曼光谱技术具有采样简单、检测快速、对样品无损、应用范围广等诸多优点,物质定性鉴别和定量分析是其重要任务。传统拉曼光谱分析方法首先要对拉曼光谱预处理,之后提取特定波峰信息或运用主成分分析等方法进行特征提取。光谱信号处理过程中人工干预必然会造成数据损失或改变,影响分析结果的准确性。卷积神经网络是一种重要的深度学习算法,具有局部连接和权值共享特性,使其能够准确而高效的分析高维且大量的数据。本文使用卷积神经网络建立拉曼光谱定性和定量分析模型,主要研究内容如下:实验采集拉曼光谱数据,包括三类雌性激素粉末（雌酮、雌二醇、雌三醇）的拉曼光谱,用于实现定性鉴别;不同浓度梯度的三聚氰胺表面增强拉曼光谱,用于定量建模。设计三种拉曼光谱数据增强方法,扩充光谱数据量,构建充足的拉曼光谱数据集,便于训练神经网络模型,提高模型泛化性能。基于LeNet-5经典神经网络模型,提出适用于拉曼光谱信号的一维卷积神经网络分类模型,定性分析三类雌性激素的拉曼光谱。通过大量仿真实验,对神经网络模型的结构参数寻优,确定最佳网络结构,优化训练参数并完成网络模型训练。从预处理对光谱分类结果的影响和模型抗干扰性能两个方面与多种传统拉...
【文章来源】：燕山大学河北省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
乙醇532nm激光散射光谱图
图 2-7 经典卷积神经网络结构（1）卷积层：卷积层是 CNN 的核心算法模块，通常位于输入层之后，池之前，是卷积神经网络最重要的组成部分。卷积层的由一组参数可训练的成，这些滤波器通常感知区域较小，也被称作卷积核。网络前向传播过程卷积核都会在输入数据上按一定方向滑动，并且对所覆盖区域执行卷积运卷积计算公式可由（2-19）表示：1j11, 1,2, ,lNl lij i jiljy f x b j K （其中，*表示卷积运算；以 l 代表当前卷积层，ljy 为当前卷积层 l 输出的第图；ij 为卷积层 l-1 中第 i 个特征图上的第 j 组卷积核；l1ix 为 l-1 层第 i 个ljb 为当前层第 j 组卷积核的偏置项；l1jN 为 l-1 层与 l 层间，第 j 组卷积核运特征图数目；该卷积层共有 K 个特征图；激活函数运算以 .f 表示。卷积核内的值最初被随机设定，卷积运算的本质为卷积核内数值与局部感
经过多次运算，卷积核内参数不断优化更新，最终趋于收敛。图2-8 所示是一个简单的卷积运算示例，I 表示原始图像，K 是一个 3*3 的卷积核，*表示卷积运算，卷积核滑动步长为 1，可得卷积运算所得特征图。每个卷积核在原始数据上的卷积运算结果会形成有特定含义的特征图，对应着原始数据中的某一类特征。卷积层数越多，可提取到更偏向于整体的、更具有表征能力的特征数据。
【参考文献】：
期刊论文
[1]可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类[J]. LE Ba Tuan,肖冬,毛亚纯,宋亮,何大阔,刘善军. 光谱学与光谱分析. 2018(07)
[2]基于特征提取的低信噪比拉曼光谱去噪方法研究[J]. 范贤光,王秀芬,王昕,许英杰,阙靖,王小东,何浩,李韦,左勇. 光谱学与光谱分析. 2016(12)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]乙醇含量拉曼光谱检测中噪声与背景同时消除方法研究[J]. 韩庆阳,周鹏骥. 光谱学与光谱分析. 2015(12)
[5]加权最小二乘支持向量机稳健化迭代算法及其在光谱分析中的应用[J]. 包鑫,戴连奎. 化学学报. 2009(10)
[6]对拉曼光谱信号分类的模式识别[J]. 郭平,卢汉清,杜为民. 电子与信息学报. 2002(06)
博士论文
[1]基于可见光近红外光谱的土壤成分预测模型研究[D]. 史杨.中国科学技术大学 2018
[2]拉曼光谱的数学解析及其在定量分析中的应用[D]. 李津蓉.浙江大学 2013
[3]基于光谱分析的燃油组分检测技术研究[D]. 淡图南.浙江大学 2011
硕士论文
[1]基于深度学习的水果糖度可见/近红外光谱无损检测方法研究[D]. 温馨.北京交通大学 2018
[2]基于深度学习的血液制品拉曼光谱分析方法研究及应用[D]. 董家林.重庆大学 2018
[3]分子振动光谱的新型智能建模算法研究及其应用[D]. 鄢悦.浙江大学 2018
[4]基于拉曼光谱的食用植物油定性鉴别与定量分析[D]. 周秀军.浙江大学 2013
本文编号：3142623
【文章来源】：燕山大学河北省
【文章页数】：78 页
【学位级别】：硕士
【部分图文】：
乙醇532nm激光散射光谱图
图 2-7 经典卷积神经网络结构（1）卷积层：卷积层是 CNN 的核心算法模块，通常位于输入层之后，池之前，是卷积神经网络最重要的组成部分。卷积层的由一组参数可训练的成，这些滤波器通常感知区域较小，也被称作卷积核。网络前向传播过程卷积核都会在输入数据上按一定方向滑动，并且对所覆盖区域执行卷积运卷积计算公式可由（2-19）表示：1j11, 1,2, ,lNl lij i jiljy f x b j K （其中，*表示卷积运算；以 l 代表当前卷积层，ljy 为当前卷积层 l 输出的第图；ij 为卷积层 l-1 中第 i 个特征图上的第 j 组卷积核；l1ix 为 l-1 层第 i 个ljb 为当前层第 j 组卷积核的偏置项；l1jN 为 l-1 层与 l 层间，第 j 组卷积核运特征图数目；该卷积层共有 K 个特征图；激活函数运算以 .f 表示。卷积核内的值最初被随机设定，卷积运算的本质为卷积核内数值与局部感
经过多次运算，卷积核内参数不断优化更新，最终趋于收敛。图2-8 所示是一个简单的卷积运算示例，I 表示原始图像，K 是一个 3*3 的卷积核，*表示卷积运算，卷积核滑动步长为 1，可得卷积运算所得特征图。每个卷积核在原始数据上的卷积运算结果会形成有特定含义的特征图，对应着原始数据中的某一类特征。卷积层数越多，可提取到更偏向于整体的、更具有表征能力的特征数据。
【参考文献】：
期刊论文
[1]可见、近红外光谱和深度学习CNN-ELM算法的煤炭分类[J]. LE Ba Tuan,肖冬,毛亚纯,宋亮,何大阔,刘善军. 光谱学与光谱分析. 2018(07)
[2]基于特征提取的低信噪比拉曼光谱去噪方法研究[J]. 范贤光,王秀芬,王昕,许英杰,阙靖,王小东,何浩,李韦,左勇. 光谱学与光谱分析. 2016(12)
[3]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[4]乙醇含量拉曼光谱检测中噪声与背景同时消除方法研究[J]. 韩庆阳,周鹏骥. 光谱学与光谱分析. 2015(12)
[5]加权最小二乘支持向量机稳健化迭代算法及其在光谱分析中的应用[J]. 包鑫,戴连奎. 化学学报. 2009(10)
[6]对拉曼光谱信号分类的模式识别[J]. 郭平,卢汉清,杜为民. 电子与信息学报. 2002(06)
博士论文
[1]基于可见光近红外光谱的土壤成分预测模型研究[D]. 史杨.中国科学技术大学 2018
[2]拉曼光谱的数学解析及其在定量分析中的应用[D]. 李津蓉.浙江大学 2013
[3]基于光谱分析的燃油组分检测技术研究[D]. 淡图南.浙江大学 2011
硕士论文
[1]基于深度学习的水果糖度可见/近红外光谱无损检测方法研究[D]. 温馨.北京交通大学 2018
[2]基于深度学习的血液制品拉曼光谱分析方法研究及应用[D]. 董家林.重庆大学 2018
[3]分子振动光谱的新型智能建模算法研究及其应用[D]. 鄢悦.浙江大学 2018
[4]基于拉曼光谱的食用植物油定性鉴别与定量分析[D]. 周秀军.浙江大学 2013
本文编号：3142623
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3142623.html
