(19)中华 人民共和国 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 202111641007.8 (22)申请日 2021.12.2 9 (71)申请人 燕山大学 地址 066004 河北省秦皇岛市海港区河北 大街438号 (72)发明人 陈颖　张永彬　刘铮莹　朱奇光　 刘俊飞　陈婷　 (74)专利代理 机构 石家庄众志华清知识产权事 务所(特殊普通 合伙) 13123 代理人 张建 (51)Int.Cl. G06V 10/40(2022.01) G06V 10/77(2022.01) G06V 10/82(2022.01) G06K 9/62(2022.01)G06N 3/04(2006.01) (54)发明名称 一种卷积神经网络荧 光光谱特征提取方法 (57)摘要 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。 权利要求书2页 说明书8页 附图4页 CN 114399642 A 2022.04.26 CN 114399642 A 1.一种卷积神经网络荧 光光谱特征提取方法， 其特 征在于： 包括以下内容： 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； 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EPLS算法作为网络的稀疏约束， 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。 2.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法， 其特征在于： 包括 以下步骤： (1)将测量得到的三维光谱数据通过激发波长首尾相连的形式展成一行， 保留完整波 长点的光谱信息； (2)根据光谱区域激发波长和发射波长的间隔将光谱区域划分为若干个单位区域， 单 位区域阈值设定为单位区域最大积分值的三分之一， 保留积分值大于阈值的光谱数据作为 网络的输入层； (3)设置卷积神经网络包括1个输入层、 3个卷积层， 2个全连接层、 1个拉伸层， 每个卷积 层中都包括 1个池化层， 采用的最大池化法， 采样窗口宽度为2， 以采样窗口内的最大值作为 特征值； 所述3个卷积层为Conv1、 Conv2、 Conv3， 所述2个全连接层为F1、 F2， 所述1个拉伸层 为Flatten； (4)将步骤(2)的输出 数据作为网络的输入， 经 过EPLS稀疏约束 进行稀疏表示； (5)将稀疏表示的数据作为卷积层Conv1的输入， 在Conv1中使用9个卷积核， 3个卷积核 的大小为3， 作为小尺度特征提取， 3个卷积核的大小为5， 作为中尺度特征提取， 3个卷积核 的大小为8， 作为大尺度特征提取， 每个卷积核的步长为2， 原始输入光谱的特征长度减小， 由9个特征维度表示； Co nv1从稀疏表示的含噪声的光谱数据中提取相关信息并去除噪声； (6)将Conv1的输出经过EPLS稀疏约 束作为卷积层Conv2的输入， 在Conv2中使用18个卷 积核， 6个卷积核的大小为3， 作为小尺度特征提取， 6个卷积核的大小为5， 作为中尺度特征 提取， 6个卷积核的大小为8， 作为大尺度特征提取， 每个卷积核的步长为2； 光谱数据的特征 长度再次降低， 由18个特 征维度表示； Co nv2学习到更复杂更抽象的特 征； (7)将Conv2的输出经过EPLS稀疏约 束作为卷积层Conv3的输入， 在Conv3中使用36个卷 积核， 12个卷积核的大小为3， 作为小尺度特征提取， 12个卷积核的大小为5， 作为中尺度特 征提取， 12个卷积核的大小为8， 作为大尺度特征提取， 每个卷积核的步长为2； 光谱数据的 特征长度再次降低， 由3 6个特征维度表示； (8)通过拉伸层将卷积层Conv3输出的36个长度不等的特征图转换为一维向量， 并将该 向量输入到全 连接层F1中， F1层包含134个神经元， 最终输出134个特征， F2层 有3神经元， 对 应3个光谱类别； (9)将LReLU函数作为Conv 1、 Conv2、 Conv3、 F1、 F2的激 活函数， 加快收敛速度， 使梯度下 降和反向传播更高效， 选择Adam作为梯度下降优化器， 分类交叉熵损失函数作为损失函数 (10)将数据 集训练集数设置为40， 将训练批次大小设置为30， 将训练批次设置为50， 训 练批次大小称为batch ‑size， 将训练批次称为epochs； 把原来的数据集打乱， 取出打乱顺序 后的batch ‑size个样 本和对应的标签进行卷积神经网络的训练， 每用batch ‑size个样 本就权　利　要　求　书 1/2 页 2 CN 114399642 A 2调整一次权值； 训练完成后把F1层得到的特征作为最终提取得到的特征向量， 还有一维是 对应样本索引。 3.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法， 其特征在于： 所述 原始数据的预处 理包括： 通过荧光 区域积分找到荧光光谱数据的特征区域， 在特征区域内投将整个荧光 区域划 分为若干个单位区域， 由于三维荧 光光谱数据是离 散数据， 其单位区域的体积 积分为 式中I( λEX, λEM)为在激发波长λEX、 发射波长λEM处的荧光强度， ΔλEX为激发波长间隔， Δ λEM为发射波长间隔。 4.根据权利要求2所述的一种卷积神经网络荧光光谱特征提取方法， 其特征在于： 所述 卷积层的基本卷积计算公式如下表示： 其中， *表示卷积运算， l代表当前卷积层， 为当前卷积层l输出的第j个特征图， ωij为 卷积层l‑1中第i个特征图上的第j组卷积核， 为l‑1层第i个特征图， 为当前层第j组卷 积核的偏置项， 为l‑1层与l层间第j组卷积核运算输出的特征 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受野的数值加权求和， 经过多次运算， 卷积核内参数不断优化更新， 最 终趋于收敛。 5.根据权利要求2所述的一种卷积神经网络荧光光谱特征提取方法， 其特征在于： 所述 池化层的运 算表达式： 其中， down()表示采样过程； 以l代表当前卷积层， 为当前池化层l输 出的第j特征图； 为l‑1层输出的第j特征图； 是乘性偏置项； 是加性偏置项； 激活函数运算以f()表 示。 6.根据权利要求2所述的一种卷积神经网络荧光光谱特征提取方法， 其特征在于： 所述 全连接层的计算公式为： hω,b(x)＝f(ωTx+b) 其中， hω,b为当前神经元的输出； x为输入神经 网络的一维特征向量； ω为当前神经元连 接的权值向量； b为偏置向量； f()代 表激活函数。 7.根据权利要求2所述的一种卷积神经网络荧光光谱特征提取方法， 其特征在于： 所述 LReLU函数作为激活函数， 其计算公式如下： 权　利　要　求　书 2/2 页 3 CN 114399642 A 3