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,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;
步骤3,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;
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,X
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:使用Adam优化器对步骤2中构建的基于DenseNet-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;y
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。
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DenseNet-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。