电子信息技术

本发明公开了一种卷积神经网络荧光光谱特征提取方法，涉及荧光光谱的特征提取技术，本发明首先在卷积神经网络的输入层做原始数据的预处理，通过特征区域积分找到重要光谱区域，减少网络训练的时间和复杂度；其次卷积神经网络采用DeepSpectra模型，在增加网络深度的同时减少每个特征图的长度，在每个卷积层输入前加入稀疏约束，提高特征提取的有效性，同时每个卷积层的卷积核采用大中小三个尺度进行特征提取，将融合后信息作为特征图来增强每层的提取效果。本发明可以更好的找到原始数据中的特征信息，减少了网络训练的时间和复杂度，提高特征提取的有效性，使得重要的特征信息被不断加强，而不重要的信息被逐渐削弱。

高精度物质识别：通过卷积神经网络提取荧光光谱特征，能够精确识别复杂样品中的化学成分，广泛应用于环境监测、食品安全等领域。

快速检测与分析：该方法可大幅缩短光谱数据处理时间，实现实时或近实时的物质检测，提高实验室和工业现场的检测效率。

医学诊断与生物研究：在医学领域，该技术可用于癌细胞检测、药物分析等，提供高灵敏度和高特异性的诊断工具，推动精准医疗发展。

智能光谱仪器开发：结合该方法的智能光谱仪器可实现自动化特征提取和分析，降低人工干预，提升仪器智能化水平和市场竞争力。

卷积神经网络可以通过稀疏连接和权值共享等特征从原始光谱中获取光谱特征，它是由输入层、隐藏层和输出层等多层神经元规律连接组成，其隐藏层通常由交替的卷积层和池化层加上全连接层构成，卷积层可以逐层提取输入信息中的多种局部特征，池化层将相邻的多个特征点合并，精简数据量、提高运算效率，全连接层可完成非线性分类任务。无论是卷积核还是全连接层，它的权重都不是人为决定的，而是通过大量的样本进行反向传播、学习出来的，我们不知道卷积层会卷积成什么样，也不知道每一个卷积层具体提取的是什么特征，但是通过大量的样本反向传播、梯度下降、迭代，自动学习到卷积核的权重和全连接层的权重，这正是卷积神经网络要训练的地方。