[发明专利]一种基于卷积神经网络的色谱峰识别方法

说明书

本发明公开了一种基于卷积神经网络的色谱峰识别方法，属色谱图识别领域。本发明使用小波变换法对含噪声信号的小波系数进行处理，滤除色谱图中的噪声，对去噪后的色谱图进行基线校准；使用卷积神经网络，在卷积层通过将输入数据集与不用卷积核相作用，来得到输出值，提取图片每个小部分里具有的特征；在池化层通过降低卷积层输出的特征向量的维度，减少训练参数的数量，减小过拟合现象，只保留最有用的图片信息，减少噪声的传递；最后应用全连接层生成一个我们需要的类的数量的分类器，对色谱图中峰进行识别；同时结合一阶导数、二阶导数对色谱图的特征点进行标记。本发明提出的色谱峰识别方法在识别的准确率上有了显著提高。

技术领域

本发明属于色谱峰识别领域，具体涉及一种基于卷积神经网络的色谱峰识别方法。

背景技术

色谱分析是重要的仪器分析手段之一，它具有分离效能高、分析速度快、灵敏度高、对复杂的多组分混合物定性与定量分析结果准确，日益广泛地应用于石油、精细化工、医药、生化、电力、白酒、矿山、环境科学等各个领域，成为工农业生产、科研、教学等部门不可缺少的重要分离、分析工具。色谱峰的识别是色谱分析中定性分析与定量计算的基础和关键。色谱峰识别的准确度影响着最终组分的名称和浓度的确定。色谱仪利用混合物中组分的化学或物理上的差异，将组分逐渐分离。在此过程中也可能会因为外界因素和其他干扰使得组分不能完全的分离。表现在色谱图上即会出现完全分离的峰和不规则峰形如重叠峰、前肩峰、后肩峰、拖尾峰，甚至负峰等。这些不规则峰的出现加大了峰识别的难度。而计算峰面积的前提就是确定每个峰的具体区域，其根本就是确定峰的起始点，顶点和终点位置。

随着科研的进一步发展，色谱峰识别也趋向于自动化、智能化发展。近年来国内外的专家学者提出了许多色谱峰识别的方法，目前使用较多的有傅里叶去卷积法、导数法等。虽然傅里叶去卷积法不会使峰位移动，便于定性分析，但是该方法比较适合于几乎完全重叠的色谱峰的识别，而且需要人工选择参数值，给峰识别造成不便。使用一阶导数的方法寻找特征点，可以找到各重叠峰的起、顶、终点。但一阶导数不易检测出峰强极大点的肩峰型重叠峰。使用一阶导数、二阶导数相结合的方法寻找色谱峰的特征点，虽然能很好的识别单峰的特征点，但是对于多峰重叠的情况，特别是有肩峰出现的情况时，识别的准确率会大打折扣，往往不能准确的识，出肩峰的峰顶点等特征点，此外，还有模糊匹配法，免疫算法，模式识别法等不常用的方法，但这些方法都不满足识别准确率的要求。

发明内容

针对现有技术中存在的上述技术问题，本发明提出了一种基于卷积神经网络的色谱峰识别方法，设计合理，克服了现有技术的不足，具有良好的效果。

为了实现上述目的，本发明采用如下技术方案：

一种基于卷积神经网络的色谱峰识别方法，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。

优选地，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)对色谱图进行基线校正；(3)对色谱图进行噪声去除。

优选地，在步骤2中，根据公式(1)，对预处理后的图像进行卷积操作：