CN115420726B - 一种利用重构sers光谱快速识别目标物的方法 - Google Patents
一种利用重构sers光谱快速识别目标物的方法 Download PDFInfo
- Publication number
- CN115420726B CN115420726B CN202210610569.4A CN202210610569A CN115420726B CN 115420726 B CN115420726 B CN 115420726B CN 202210610569 A CN202210610569 A CN 202210610569A CN 115420726 B CN115420726 B CN 115420726B
- Authority
- CN
- China
- Prior art keywords
- sers
- spectrum
- sers spectrum
- reconstructed
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000479 surface-enhanced Raman spectrum Methods 0.000 title claims abstract description 140
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000001228 spectrum Methods 0.000 claims abstract description 22
- 238000001069 Raman spectroscopy Methods 0.000 claims description 26
- 230000006870 function Effects 0.000 claims description 13
- 238000007781 pre-processing Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 8
- 230000004913 activation Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000005070 sampling Methods 0.000 claims description 2
- 239000013076 target substance Substances 0.000 claims 1
- 238000004416 surface enhanced Raman spectroscopy Methods 0.000 abstract description 11
- 239000000126 substance Substances 0.000 abstract description 7
- 238000001237 Raman spectrum Methods 0.000 abstract description 6
- 230000008859 change Effects 0.000 abstract description 4
- 239000000203 mixture Substances 0.000 description 15
- KAESVJOAVNADME-UHFFFAOYSA-N Pyrrole Chemical compound C=1C=CNC=1 KAESVJOAVNADME-UHFFFAOYSA-N 0.000 description 13
- 238000001514 detection method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 230000005284 excitation Effects 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 3
- CSCPPACGZOOCGX-UHFFFAOYSA-N Acetone Chemical compound CC(C)=O CSCPPACGZOOCGX-UHFFFAOYSA-N 0.000 description 2
- URLKBWYHVLBVBO-UHFFFAOYSA-N Para-Xylene Chemical group CC1=CC=C(C)C=C1 URLKBWYHVLBVBO-UHFFFAOYSA-N 0.000 description 2
- 239000012491 analyte Substances 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 239000010931 gold Substances 0.000 description 2
- 229910052737 gold Inorganic materials 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000002360 explosive Substances 0.000 description 1
- 125000000524 functional group Chemical group 0.000 description 1
- 238000013095 identification testing Methods 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000011259 mixed solution Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- RQGPLDBZHMVWCH-UHFFFAOYSA-N pyrrolo[3,2-b]pyrrole Chemical compound C1=NC2=CC=NC2=C1 RQGPLDBZHMVWCH-UHFFFAOYSA-N 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/65—Raman scattering
- G01N21/658—Raman scattering enhancement Raman, e.g. surface plasmons
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明涉及一种利用重构SERS光谱快速识别目标物的方法。该方法通过建立深度卷积自编码器网络模型,首先利用目标物的SERS光谱数据进行对自编码器模型进行训练,而后对采集的待测物复杂SERS光谱进行重构,最后将重构的SERS光谱与目标物SERS光谱进行匹配,根据相似度最大值判断待测物中是否存在目标物。本发明有效屏蔽了其他杂物光谱信息,可消除其他物质SERS信号的影响,减少了测量环境变化带来的影响,具有抗干扰能力强、判别准确等优点,特别适合用于从复杂拉曼光谱中识别目标成分,具有较高的查准率和抗干扰能力。
Description
技术领域
本发明涉及一种拉曼光谱的识别方法,具体地说是一种利用重构SERS光谱快速识别目标物的方法。
背景技术
表面增强拉曼散射光谱(SERS)因具有分子“指纹”信息等优点,广泛用于痕量物质识别、生物传感器和食品安全检测等领域。在利用SERS光谱进行痕量物探测中,如毒品检测或爆炸物检测,检测的目标往往是确定待测物中是否存在某种物质(如TNT等),而不需要分析待测物的所有成分。
目前,光谱识别方法多用于纯物质识别,对混合物成分识别较困难,针对这问题部分学者提出了一些基于拉曼光谱特征峰识别和匹配的算法。理论上,拉曼峰代表了化学键(官能团)的结构信息,通过对拉曼峰的识别就可判别混合物组分。李津蓉提出了基于谱峰分解的拉曼光谱方法,对二甲苯的成分定量分析;Zhang等提出了基于小波峰值检测和数据库反向搜索结合的方法,提升了混合物中目标成分自动化检索功能;刘薇、戴连奎等人提出了结合多元曲线拟合的线性叠加模型分解拉曼光谱,判断物质种类;颜凡等人结合稀疏非负最小二乘算法识别混合物组分。这些方法多依赖特征拉曼峰的明显程度,而实际混合光谱可能发生谱峰重叠、光谱失真等现象,如谱峰宽度或谱峰强度改变。且混合物中干扰杂物的不确定也为光谱分解带来了更大挑战。这些多变且复杂的SERS光谱,使得那些传统的通过匹配SERS光谱特征峰识别物质的方法变得困难。
发明内容
本发明的目的就是提供一种利用重构SERS光谱快速识别目标物的方法,以解决现有复杂SERS光谱中目标物识别困难且识别速度慢的问题。
本发明的目的是这样实现的:
一种利用重构SERS光谱快速识别目标物的方法,包括以下步骤:
S1,采集不同浓度目标物的SERS光谱,在预处理后,利用所得目标物SERS光谱数据结果构建目标物SERS光谱数据库;
S2,构建深度卷积自编码器网络模型,利用目标物SERS光谱数据对深度卷积自编码器网络模型进行训练,使深度卷积自编码器网络模型能够自动提取并重构目标物SERS光谱特征;
S3,采集待测物的SERS光谱并进行预处理,利用训练好的深度卷积自编码器网络模型对待测物SERS光谱进行重构;
S4,将重构的待测物SERS光谱与目标物SERS光谱数据库中的目标物SERS光谱数据进行匹配,计算相似度,根据最大相似度值判断待测物中是否存在目标物;最大相似度值若大于设定的阈值,则该待测物中含有目标物;否则就不含有目标物。
进一步地,SERS光谱的预处理包括:通过对SERS光谱的插值/抽样、基线校正和光滑滤波,使SERS光谱具有统一的拉曼频移空间;通过对SERS光谱的拉曼强度归一化,使SERS光谱具有统一的拉曼强度。
进一步地,步骤S1中所构建的目标物SERS光谱数据库的形式为:Xref=[X1,X2,...,Xn],拉曼频移空间的形式为:W=[ω1,ω2,...,ωm];
其中,n为SERS光谱数据库中目标物样本的数量,m表示拉曼频移空间的大小,Xi为第i个目标物样本的SERS光谱,Xi=[x1,x2,...,xm],xj∈[0,1]为Xi在拉曼频移ωj处的相对拉曼强度。
进一步地,本发明步骤S2中的深度卷积自编码器网络模型包括编码器和译码器两部分,其中:
a-1,所述编码器包括三个特征提取层,每个特征提取层包括一维卷积(1D Conv)和最大池化(1D MaxPooling)模块,以实现SERS光谱特征的提取和降维。
编码器的卷积操作为:h=σ(f(X*W+b))
其中,X为输入数据,W为卷积核的权重,b为卷积核权重系数的偏置,*表示一维卷积操作,f(·)表示批归一化操作(1D BatchNorm),σ(·)表示ReLU非线性激活操作。
a-2,所述译码器包括三个反卷积层(1D DeConv)和一个全连接层(FC)。三个反卷积层都采用ReLU的非线性激活函数,全连接层采用Sigmoid为非线性激活函数。全连接层的神经元个数与拉曼频移空间的大小相同,故用m表示。
译码器的反卷积操作为:
其中,为反卷积层的权重系数,c为反卷积层权重系数的偏置,其他参数的含义同步骤a-1。
a-3,以利用特征重构的目标物SERS光谱与输入的目标物样本SERS光谱的欧氏距离的均方差(MSE)作为损失函数,利用Adam算法优化模型参数。
所用均方差(MSE)的计算公式为:
其中,Xpre=[xpre,1,xpre,2,...,xpre,m]为重构的SERS光谱,xj是输入SERS光谱Xi的第j个数据,xpre,j是重构光谱Xpre的第j个数据。
进一步地,本发明步骤S3的具体操作方式是:
b-1,采集待测物的SERS光谱,并对SERS光谱进行预处理,预处理后的待测物SERS光谱作为分析谱。
b-2,将分析谱输入训练好的深度卷积自编码器网络模型,得到提取了包含目标物光谱特征位置信息的重构SERS光谱Xpre。
b-3,对重构的SERS光谱Xpre进行min-max归一化处理:
其中,xpre,j是重构SERS光谱Xpre的第j个数据,min(Xpre)为Xpre的最小值,max(Xpre)为Xpre的最大值。
进一步地,本发明步骤S4的具体操作方式是:
c-1,将步骤b-3归一化处理后的重构SERS光谱与步骤S1中的目标物SERS光谱数据库Xref=[X1,X2,...,Xn]中的样本进行匹配,计算余弦相似度:
其中,Xi为目标物SERS光谱数据库Xref中的数据,xj为光谱Xi的第j个数据,xpre,j为光谱Xpre的第j个数据。
c-2,再以计算出的余弦相似度值中的最大相似度值是否超过阈值,判断待测物中是否存在目标物。
本发明是利用目标物SERS光谱数据训练了一个卷积自编码器网络模型,通过该模型对待测物SERS光谱进行重构,重构的SERS光谱实质上就是从待测物复杂的SERS光谱中提取目标物光谱特征位置的信息。将重构的SERS光谱与目标物SERS光谱数据库中的样本进行匹配,通过计算光谱最大相似度,进而判断待测物中是否存在目标物。本发明识别方法可以对多个待测物的SERS样本进行批量识别,整个识别过程无需人工参与,具有快速且无损、实现过程简单等特点。
与传统的SERS特征峰寻找和匹配的目标物识别方法相比,本发明识别方法不受特征峰变化的影响,识别结果更加准确,尤其是当待测物SERS光谱复杂且变化时,本发明识别方法的优势更加明显。本发明有效屏蔽了其他杂物光谱信息,可消除其他物质SERS信号的影响,减少了测量环境变化带来的影响,具有抗干扰能力强、判别准确等优点,特别适合用于从复杂拉曼光谱中识别目标成分,具有较高的查准率和抗干扰能力。
附图说明
图1是本发明识别方法的流程框图。
图2是R6G的采集SERS光谱和预处理后的SERS光谱。
图3是卷积自编码器网络模型的结构示意图。
图4是模型迭代训练中损失函数值、相似度的变化图。
图5是卷积自编码器网络模型对纯吡咯的SERS光谱所重构的SERS光谱数据图。
图6是吡咯_R6G混合物样本的重构SERS光谱,与R6G数据库光谱匹配结果图。
图7是吡咯_R6G混合物样本0的重构SERS光谱与其相似度最大R6G的SERS光谱图。
图3中,1、输入SERS光谱;2、编码器;3、译码器;4、重构SERS光谱(输出);5、卷积-池化层;6、反卷积层;7、全连接层。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
实施例:
本实施例的目标是识别混合物中是否存在痕量的吡咯。使用的是上海如海光电科技有限公司的便携式科研型拉曼光谱系统,其中激发激光波长785nm,激光功率和积分时间分别设置350Mw和2s,测量范围为200~3900nm,光谱分辨率为4cm-1。金纳米溶胶是采用厦门市普识纳米科技有限公司生产的溶胶型SERS增强试剂CP-G8,粒径约80nm。
如图1所示,本发明利用重构SERS光谱快速识别目标物的方法包括以下步骤:
步骤S1,配置了10-2、10-4、10-5和10-6Mol/L的4种浓度R6G试剂,利用金纳米溶胶增强的方法,采集R6G的SERS光谱,对SERS光谱进行预处理,包括插值、基线矫正、滤波去噪以及拉曼强度归一化等,如图2所示;预处理后的R6G的SERS光谱构建成SERS光谱数据库:Xref=[X1,X2,...,Xn],n=530,表示数据库中的样本数量为530,拉曼频移空间为W=[ω1,ω2,...,ωm]=[101,102,...2148]cm-1,m=2048,表示拉曼频移空间的大小为2048,频移间隔为1cm-1,Xi为第i个样本的SERS光谱,Xi=[x1,x2,...,xm],xj∈[0,1]为在拉曼频移ωj处的相对拉曼强度。
步骤S2,构建深度卷积自编码器网络模型并对模型进行训练,具体步骤如下;
S2.1构建的深度卷积自编码器网络模型包括编码器和译码器两部分(如图3所示),其中:编码器包含了三个特征提取层,每层由一维卷积(1D Conv)和最大池化(1DMaxPooling)模块所组成,实现SERS光谱特征提取和降维;每个卷积层后连接批归一化(1DBatchNorm)和ReLU非线性激活操作,最大池化层核的大小都是2。译码器包含了三个反卷积层(1D DeConv)和一个全连接层(FC),反卷积层都采用ReLU的非线性激励函数,全连接层采用Sigmoid的非线性激励函数,全连接层的神经元个数为2048,与输入的SERS光谱的拉曼频移空间的大小相同。
卷积层和反卷积层的参数如表1所示。
表1卷积层和反卷积层的部分参数
S2.2将R6G的SERS光谱数据按照8:2分为训练集和验证集,对构建的深度卷积自编码器网络模型进行训练;以模型输出SERS光谱(重构SERS光谱)与样本SERS光谱的欧氏距离均方差(MSE)为损失函数,均方差的计算公式为:
其中,Xpre=[xpre,1,xpre,2,...,xpre,m]为重构的SERS光谱,xj是输入SERS光谱Xi的第j个数据,xpre,j是重构光谱Xpre的第j个数据。
利用Adam优化模型参数,Adam的学习率为0.01,训练迭代次数设为100,以最小损失函数为训练目标进行迭代训练,损失函数值的变化如图4所示。
在验证集上,模型重构SERS光谱与验证集部分样本SERS光谱之间的余弦相似度如表2所示,其中样本0的SERS光谱与其对应的重构SERS光谱如图5所示。
表2重构SERS光谱与验证集部分样本SERS光谱之间的余弦相似度
步骤S3,选取纯吡咯和10-4Mol/L的R6G溶液,配置4中不同体积比的吡咯_R6G混合物(1:1、1:10、10:1、100:1),并采集混合物的SERS光谱176个,作为待测样本,具体步骤如下:
S3.1,按照步骤S1的预处理方式,对待测物SERS光谱进行预处理,预处理后的待测物SERS光谱作为后续操作的分析谱。
S3.2,将分析谱输入训练好的深度卷积自编码器网络模型,获得重构的SERS光谱Xpre。
S3.3,对重构的SERS光谱Xpre进行min-max归一化处理:
其中,xpre,j是重构SERS光谱Xpre的第j个数据,min(Xpre)为Xpre的最小值,max(Xpre)为Xpre的最大值。
步骤S4,将步骤S3.3中归一化处理后的重构SERS光谱与步骤S1中的目标物SERS光谱数据库Xref=[X1,X2,...,Xn]中的样本进行匹配,计算余弦相似度以判断待测物中是否存在目标物。
测试了176组混合物待测样本的SERS光谱,并生成了重构SERS光谱,计算出这些重构SERS光谱与R6G的SERS光谱数据库中的样本SERS的余弦相似度,记录了余弦相似度最大的匹配样本。176个待测样本数据经卷积自编码器重构后,与目标成分R6G样本的最大相似度分布如图6所示,均值0.945,中位数0.951,最小值为0.831,其中152个样本(86.4%)最大相似度大于0.9,可以成功识别待测物中的R6G。混合物样本0的重构SERS光谱以及匹配的最大相似度R6G的SERS光谱如图7所示。
部分吡咯_R6G混合物样本的重构SERS光谱与R6G的SERS光谱数据(库)的最大余弦相似度数据如表3所示。
表3部分吡咯_R6G混合物样本的重构SERS光谱与R6G的SERS光谱数据(库)的最大余弦相似度
在Intel(R)Core(TM)i7-10750H的CPU上运行模型,采用批处理的方式分析了176个待测SERS光谱数据,总的分析时间为8.58s,平均每个SERS样本识别时间仅为0.049s,达到了快速识别的目的。
作为对比,我们采用20组吡咯_丙酮混合溶液(不含R6G)的SERS光谱做识别测试,重构后的SERS光谱与目标成分R6G光谱的最大相似度小于0.3,如表4所示,表明该方法可降低识别的假阳性。
表4部分吡咯_丙酮混合物样本的重构SERS光谱与R6G的SERS光谱数据(库)的最大余弦相似度
Claims (5)
1.一种利用重构SERS光谱快速识别目标物的方法,其特征在于,包括以下步骤:
S1,采集不同浓度目标物的SERS光谱,在预处理后,利用所得目标物SERS光谱数据结果构建目标物SERS光谱数据库;
S2,构建深度卷积自编码器网络模型,利用目标物SERS光谱数据对深度卷积自编码器网络模型进行训练,使深度卷积自编码器网络模型能够自动提取并重构目标物SERS光谱特征;
S3,采集待测物的SERS光谱并进行预处理,利用训练好的深度卷积自编码器网络模型对待测物SERS光谱进行重构;
S4,将重构的待测物SERS光谱与目标物SERS光谱数据库中的目标物SERS光谱数据进行匹配,计算相似度,根据最大相似度值判断待测物中是否存在目标物;最大相似度值若大于设定的阈值,则该待测物中含有目标物;否则就不含有目标物;
步骤S2中的深度卷积自编码器网络模型包括编码器和译码器两部分,其中;
a-1,所述编码器包括三个特征提取层,每个特征提取层包括一维卷积和最大池化模块,以实现SERS光谱特征的提取和降维;
编码器的卷积操作为:h=σ(f(X*W+b))
其中,X为输入数据,W为卷积核的权重,b为卷积核权重系数的偏置,*表示一维卷积操作,f(·)表示批归一化操作,σ(·)表示ReLU非线性激活操作;
a-2,所述译码器包括三个反卷积层和一个全连接层;三个反卷积层都采用ReLU的非线性激活函数,全连接层采用Sigmoid为非线性激活函数;全连接层的神经元个数与拉曼频移空间的大小相同,故用m表示;
译码器的反卷积操作为:
其中,为反卷积层的权重系数,c为反卷积层权重系数的偏置,其他参数的含义同a-1;
a-3,以利用特征重构的目标物SERS光谱与输入的目标物样本的SERS光谱欧几里得距离的均方差作为损失函数,利用Adam算法优化模型参数;
所用均方差的计算公式为:
其中,Xpre=[xpre,1,xpre,2,...,xpre,m]为重构的SERS光谱,xj是输入SERS光谱Xi的第j个数据,xpre,j是重构光谱Xpre的第j个数据。
2.根据权利要求1所述的利用重构SERS光谱快速识别目标物的方法,其特征在于,SERS光谱的预处理包括:通过对SERS光谱的插值/抽样、基线校正和光滑滤波,使SERS光谱具有统一的拉曼频移空间;通过对SERS光谱的拉曼强度归一化,使SERS光谱具有统一的拉曼强度。
3.根据权利要求2所述的利用重构SERS光谱快速识别目标物的方法,其特征在于,步骤S1中所构建的目标物SERS光谱数据库的形式为:Xref=[X1,X2,...,Xn],拉曼频移空间的形式为:
W=[ω1,ω2,...,ωm];
其中,n为SERS光谱数据库中目标物样本的数量,m表示拉曼频移空间的大小,Xi为第i个目标物样本的SERS光谱,Xi=[x1,x2,...,xm],xj∈[0,1]为Xi在拉曼频移ωj处的相对拉曼强度。
4.根据权利要求1所述的利用重构SERS光谱快速识别目标物的方法,其特征在于,步骤S3的具体操作方式是:
b-1,采集待测物的SERS光谱,并对SERS光谱进行预处理,预处理后的待测物SERS光谱作为分析谱;
b-2,将分析谱输入训练好的深度卷积自编码器网络模型,得到提取了包含目标物光谱特征位置信息的重构SERS光谱Xpre;
b-3,对重构的SERS光谱Xpre进行min-max归一化处理:
其中,xpre,j是重构SERS光谱Xpre的第j个数据,min(Xpre)为Xpre的最小值,max(Xpre)为Xpre的最大值。
5.根据权利要求4所述的利用重构SERS光谱快速识别目标物的方法,其特征在于,步骤S4的具体操作方式是:
c-1,将步骤b-3归一化处理后的重构SERS光谱与步骤S1中的目标物SERS光谱数据库Xref=[X1,X2,...,Xn]中的样本进行匹配,计算余弦相似度:
其中,Xi为目标物SERS光谱数据库Xref中的数据,xj为光谱Xi的第j个数据,xpre,j为光谱Xpre的第j个数据;
c-2,再以计算出的余弦相似度值中的最大相似度值是否超过阈值,判断待测物中是否存在目标物。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610569.4A CN115420726B (zh) | 2022-05-31 | 2022-05-31 | 一种利用重构sers光谱快速识别目标物的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210610569.4A CN115420726B (zh) | 2022-05-31 | 2022-05-31 | 一种利用重构sers光谱快速识别目标物的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115420726A CN115420726A (zh) | 2022-12-02 |
CN115420726B true CN115420726B (zh) | 2024-08-27 |
Family
ID=84197298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210610569.4A Active CN115420726B (zh) | 2022-05-31 | 2022-05-31 | 一种利用重构sers光谱快速识别目标物的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115420726B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102022133962B4 (de) | 2022-12-19 | 2024-07-25 | Friedrich-Schiller-Universität Jena Körperschaft des öffentlichen Rechts | Aufbereitung gemessener raman-spektren mit neuronalen netzwerken |
CN117405650B (zh) * | 2023-12-14 | 2024-03-12 | 奥谱天成(厦门)光电有限公司 | 不可降解物质的检测方法、介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11614408B2 (en) * | 2020-05-19 | 2023-03-28 | Jiangnan University | Method for improving identification accuracy of mixture components by using known mixture Raman spectrum |
CN112348114B (zh) * | 2020-11-27 | 2023-05-30 | 上海交通大学烟台信息技术研究院 | 一种拉曼光谱气体标记物的自检测分类方法及系统 |
CN113514446B (zh) * | 2021-05-26 | 2022-11-22 | 哈尔滨工业大学 | 一种用于快速匹配识别sers谱图的方法 |
-
2022
- 2022-05-31 CN CN202210610569.4A patent/CN115420726B/zh active Active
Non-Patent Citations (1)
Title |
---|
增量学习的拉曼光谱识别算法;陈赵懿等;《陆军工程大学学报》;20230831;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115420726A (zh) | 2022-12-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115420726B (zh) | 一种利用重构sers光谱快速识别目标物的方法 | |
CN109493287B (zh) | 一种基于深度学习的定量光谱数据分析处理方法 | |
CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
CN109858477A (zh) | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 | |
CN110243806A (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
Cai et al. | Rapid identification of ore minerals using multi-scale dilated convolutional attention network associated with portable Raman spectroscopy | |
US20220390374A1 (en) | Method for extracting raman characteristic peaks employing improved principal component analysis | |
CN111832477A (zh) | 一种新型冠状病毒的检测方法及系统 | |
CN114878544B (zh) | 一种从混合物sers光谱中识别目标成分的方法 | |
CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
Pan et al. | Identification of complex mixtures for Raman spectroscopy using a novel scheme based on a new multi-label deep neural network | |
Ju et al. | Rapid Identification of Atmospheric Gaseous Pollutants Using Fourier‐Transform Infrared Spectroscopy Combined with Independent Component Analysis | |
CN117556245B (zh) | 一种四甲基氢氧化铵生产过滤杂质检测方法 | |
CN109146003B (zh) | 一种基于高光谱成像的分类识别方法、装置及系统 | |
CN110887798B (zh) | 基于极端随机树的非线性全光谱水体浊度定量分析方法 | |
CN116858822A (zh) | 一种基于机器学习和拉曼光谱的水体中磺胺嘧啶定量分析方法 | |
CN116380869A (zh) | 一种基于自适应稀疏分解的拉曼光谱去噪方法 | |
CN111912823A (zh) | 一种多成分农药残留荧光检测分析方法 | |
CN111929285A (zh) | 一种激光诱导荧光红酒掺杂酒精的光谱识别方法 | |
CN115078327A (zh) | 一种基于神经网络架构搜索的危险化学品快速检测方法 | |
CN116026808A (zh) | 一种拉曼光谱判别方法和系统 | |
CN108169204B (zh) | 一种基于数据库的拉曼光谱预处理方法 | |
CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 | |
CN115656063A (zh) | 基于高光谱数据的目标污染物含量分析方法及装置 | |
CN112801173A (zh) | 一种qr模糊鉴别分析的生菜近红外光谱分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |