[发明专利]一种基于卷积神经网络的色谱峰识别方法

权利要求书

1.一种基于卷积神经网络的色谱峰识别方法，其特征在于：包括如下步骤：

步骤1：对测试数据集进行预处理；

步骤2：使用卷积神经网络，在卷积层，使用多个卷积核对预处理后的图像进行卷积操作，并进行特征提取和特征映射；

步骤3：在池化层即下采样层，对卷积后的图像进行下采样操作，得到特征图；

步骤4：在全连接层，对池化后的图像即特征图进行全连接操作；

步骤5：使用训练后的卷积神经网络CNN对测试数据集进行识别；

步骤6：计算识别后的图像的一阶导数和二阶导数；

步骤7：根据卷积神经网络CNN识别的结果和一阶导数、二阶导数，计算每个峰的起点和终点；

步骤8：将峰识别的结果输出。

2.根据权利要求1所述的基于卷积神经网络的色谱峰识别方法，其特征在于：在步骤1中，预处理主要包括：(1)将采集到的数据从内存转存到数据库表中；(2)滤除色谱图中的噪声；(3)对去噪后的色谱图进行基线校准。

3.根据权利要求1所述的基于卷积神经网络的色谱峰识别方法，其特征在于：在步骤2中，根据公式(1)，对预处理后的图像进行卷积操作：

其中，星号*表示卷积运算，X为卷积层的输入，H是卷积核。

4.根据权利要求1所述的基于卷积神经网络的色谱峰识别方法，其特征在于：在步骤3中，根据公式(2)，对卷积后的图像进行下采样操作：

其中，β为池化层的权重系数，down()为降采样函数，代表偏置；

特征图的大小：

其中，W为图像宽度，H为图像高度，F为卷积核宽高，S为每次移动的步长。

5.根据权利要求1所述的基于卷积神经网络的色谱峰识别方法，其特征在于：在步骤4中，全连接层将经历卷积、池化操作后得到的特征图，展开为特征向量，然后将特征向量作为分类器的输入，进行类别判定；假定第l+1层全连接层其输入为输出为其中n与m分别代表输入神经元数目与输出神经元数目；记连接第i个输入神经元与第j个输出神经元的权重为根据公式(5)，对池化后的图像进行全连接操作：

其中，f()代表激活函数；

采用ReLU函数作为激活函数，其表达式如式(6)所示：

当输入信号小于0时，输出为0，输入信号大于0时，输出等于输入。

6.根据权利要求1所述的基于卷积神经网络的色谱峰识别方法，其特征在于：在步骤7中，根据原函数F(t)、一阶导数G(t)、二阶导数S(t)和卷积神经网络CNN识别结果判断峰的特征点：

若色谱图中仅有单个色谱峰，则识别方法为：

(1)峰起点前：曲线较为平缓，无明显升降趋势或抖动强度较小，G(t)和S(t)均趋近于0；

(2)峰起点判断条件：G(t)＞0,S(t)＞0,则峰起点出现；

(3)左拐点判断条件：G(t)为最大值，S(t)＝0，则该点为左拐点；

(4)峰顶点判断条件：F(t)为最大值，G(t)＝0，S(t)为最小值，则该点为峰顶点；

(5)右拐点判断条件：G(t)为最小值，S(t)＝0，则该点为右拐点；

(6)峰终点判断条件：G(t)＝0，S(t)＝0，则峰终点出现；

若多个色谱峰连续出现，则需根据卷积神经网络CNN识别的色谱峰顶点位置，再分别向两侧寻找最近的G(t)＝0、S(t)＝0，且G(t)、S(t)都没有出现符号变动的点，即为该峰的起点/终点；

由于色谱峰皆为高斯曲线，即曲线关于顶点两侧对称，所以根据最近的起点/终点和顶点，即可找出另一侧特征点；

若多个色谱峰连续出现，则：

(7)连续峰谷点判断条件：F(t)出现上升沿，G(t)呈上升状态且出现符号变动，S(t)＞0；

连续峰谷点即为两色谱峰的交点。