买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：浙江工业大学

摘要：本发明公开一种基于DeepResidualShrinkage‑VGG的端到端深度学习的分类方法，包括：获取拉曼光谱数据，进行一阶样条插值处理且补零，随机打乱后划分成训练集、验证集和测试集；构建一个基于DeepResidualShrinkage‑VGG的端到端深度学习的分类模型；使用训练集训练该分类模型，使用验证集对模型的超参数进行调整；使用测试集测试该性能。本发明提出的方法，无需光谱数据校正预处理，适用于高噪声、小样本、超多分类的拉曼光谱数据，提高了拉曼光谱数据分类问题的正确率与适用性，在一定程度上改善了深层深度学习网络模型的训练过慢的问题。

主权项：1.一种基于DeepResidualShrinkage-VGG的端到端深度学习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，进行一阶样条插值处理，将超出原光谱波数范围的插值点补零，将处理后的拉曼光谱数据随机打乱后划分成训练集、验证集和测试集；步骤2，构建一个基于DeepResidualShrinkage-VGG的端到端深度学习的分类模型，具体包括：构建的基于DeepResidualShrinkage-VGG的端到端深度学习的分类模型依次由两个卷积模块、三个DRS模块、两个全连接模块和Softmax输出层构成；卷积模块依次由卷积层、ReLU激活函数、卷积层、ReLU激活函数、最大池化层连接构成；DRS模块由卷积层、ReLU激活函数、全局平均池化层、全连接层、批标准化层、Sigmoid激活函数、最大池化层相组合构成；DRS模块的主体是四个依次连接的卷积层，在主体的不同阶段加入了两个分支，在一分支中加入了恒等映射，在参数反向传播的过程中使得梯度可以更加有效地流回上层以减轻卷积神经网络的训练难度，在另一分支中借助了注意力机制来自动实现了特征的软阈值化，它的主要功能是将绝对值小于某个阈值的特征消除为0，同时其它的特征也向着0进行调整，表示为： 式中，代表了软阈值化后的第i个通道的第j个强度值；zij代表未经处理前第i个通道的第j个强度值；λi代表经过全局平均池化层后第i个强度值；wi代表经过Sigmoid激活函数后的第i个强度值，它代表了的λi权重，λi与wi的相乘代表了每一层通道所对应的阈值；将DRS模块的输出展开作为全连接层的输入，全连接模块依次由全连接层、批标准化层、ReLU激活函数、丢弃率为0.5的Dropout层连接构成；将全连接模块的输出作为Softmax输出层的输入，通过Sotfmax输出层获得概率分布形式的分类预测结果；步骤3，使用训练集训练基于DeepResidualShrinkage-VGG的端到端深度学习的分类模型，使用验证集对模型的超参数进行调整，初步评估模型的性能；步骤4，使用测试集测试基于DeepResidualShrinkage-VGG的端到端深度学习的分类模型性能。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于DRS-VGG的端到端深度学习拉曼光谱数据分类方法