[发明专利]一种基于深度学习的超材料太赫兹谱学识别方法

权利要求书

1.一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，包括以下步骤：

S1：通过太赫兹时域光谱仪对待测样品进行时域数据采集；

S2：数据预处理；

S2-1：对步骤S1的时域数据进行数据扩增；

S2-2：将步骤S2-1获得的数据经过傅里叶变换转换成频域数据；

S2-3：将步骤S2-2获得的频域数据按列进行L₂范数归一化；

S2-4：将步骤S2-3获得的数据随机分为训练数据集和测试数据集，所述训练数据集和所述测试数据集均分为两类标签：有超材料和无超材料；

S3：卷积神经网络训练，所述卷积神经网络包括输入层、第一层卷积层、第二层卷积层、Flatten层和全连接层，具体方法如下：

S3-1：定义并初始化参数，定义一次训练所选取的样本数batch size为4，epochs为100次，学习率为0.001；

S3-2：将训练数据集输入所述输入层，输入的数据即n个长度为61的一维向量，n为数据个数；

S3-3：第一层卷积层对步骤S3-2的n个长度为61的一维向量进行卷积，定义32个长度为3的卷积核，按步长为2进行特征提取，输出30×32的矩阵，输出矩阵的每一列都包含一个滤波器的权值，每个过滤器将包含30个权重值；

S3-4：将步骤S3-3的结果输入到第二层卷积层中，定义8个长度为3的卷积核，按步长为2进行特征提取，输出为14×8的矩阵；

S3-5：使用Flatten层将第二层卷积层的输出压平，把多维输入一维化为112个；

S3-6：将步骤S3-5的结果输入全连接层，把长度为112的向量降为长度为2的向量，输出二分类结果；

S3-7：采用交叉熵损失函数计算损失，反向传播，通过RMSprop优化器更新每一层的参数，重复步骤S3-3至步骤S3-6直到epochs达到100次，损失收敛，训练完成；

S4：将测试数据集输入经过步骤S3训练的卷积神经网络中，根据输出结果即可区分混合物质中有无超材料。

2.根据权利要求1所述的一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，所述步骤S2-1的数据扩增的方法为压缩、拉伸或添加噪声。

3.根据权利要求1所述的一种基于深度学习的超材料太赫兹谱学识别方法，其特征在于，所述步骤S2-4的所述训练数据集和所述测试数据集的数量的比例是4：1。