[发明专利]一种DCGAN光谱数据扩充方法

说明书

本发明公开了一种DCGAN光谱数据扩充方法，是在原始GAN的基础上引入卷积，借助卷积层的特征提取能力，提取拉曼光谱的深层特征，生成高度相似的光谱。相比红外光谱法，拉曼光谱提供的是无损定性定量分析，对样品无特殊要求，短时简便高灵敏度，避免了因为样品的破坏或者样品自身的缺陷导致的误差，生成光谱的失真程度对比原始光谱差异较小，且生成的光谱较好的保留了原始谱图的信息。

技术领域

本发明涉及光谱计量学领域，具体是一种DCGAN光谱数据扩充方法。

背景技术

食品药品的安全一直是人们重点关注的对象，常用的食品药品检测手段有吸收系数法、化学法和HPLC等，这些检测方法不仅繁琐，而且局限于实验室，因此需要一种可以快速检测的手段，近年来发展较好是近红外光谱检测和拉曼光谱检测，其中拉曼光谱检测技术是基于拉曼光谱的光子指痕而产生的一种检测技术，当光冲击到物体分子上时会发生弹性散射，额外会有少量光子发生非弹性散射，这些光子就是拉曼光子，拉曼光子转移能量到分子上，产生位移散射光，位移的距离就是分子的信息。不同的距离长短对应了不同的分子结构，由此产生拉曼光谱图。根据光谱图可以明确样品化学与分子信息和含量。

由于仪器和方法的改进升级，使用拉曼分析对食品药品进行鉴别和分类得到了广泛应用。将深度学习应用到光谱学是必然趋势。现有拉曼光谱采集需要较高的人力和时间成本，采集到的数据样本量较少和存在干扰因素，不能满足深度学习需要用大样本进行训练的条件，因此将深度学习应用在拉曼光谱中的方法较少。

发明内容

鉴于此，本发明的目的是要提供一种DCGAN光谱数据扩充方法。

一种DCGAN光谱数据扩充方法，是在原始GAN的基础上引入卷积，借助卷积层的特征提取能力，提取拉曼光谱的深层特征，生成高度相似的光谱，其方法包括如下步骤：

(1)使用深度卷积生成对抗网络和新光谱，并输入CNN进行分类；

(2)利用对抗网络生成图片，并输入随机噪声，判别图片真实度；

(3)训练生成网络，通过给定判别网络参数达到优化生成网络的目的，这样判别网络无法识别“假”样本，能够输出的都是真样本的较大概率值，映射到函数内就是最大化D(G(z))，亦即最小化1-D(G(z))；

(4)训练判别网络，同上，给定生成网络的参数达到优化判别网络的目的，这样能大大提高判别网络的精度，这里期望真实图像x能够输出较大的概率值，也就是最大化D(x)；对于生成样本G(z)，最小化D(G(z))。因此得到训练判别网络时的目标函数优化目标：lnD(x)+ln(1-D(G(x)))；

最终得到目标函数：

训练判别网络的标准，即给定生成网络，最大化V(D,G)：

这里希望方程(2)最大，这需要方程中的每一个x都让

P_data(x)ln(D(x))+P_g(x)ln(1-D(x)) (3)

取得最大值。这里x，P_data(x)，P_g(x)都是固定值，显然有：对任意非零的P_data(x)，P_g(x)，且实数值D(x)∈[0,1]时，函数(3)在P_data(x)/(P_data(x)+P_g(x))处取得最大值，列出最优的生成网络D的函数：

对生成网络进行优化时，有P_data＝P_g时生成网络取得最优解，使得生成网络更好地再现真实样本的分布；