(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211053356.2 (22)申请日 2022.08.31 (71)申请人 电子科技大 学 地址 611731 四川省成 都市高新区 （西区） 西源大道 2006号 (72)发明人 李福生　王欣然　 (74)专利代理 机构 电子科技大 学专利中心 51203 专利代理师 闫树平 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/82(2022.01) G06V 10/774(2022.01) G06N 3/04(2006.01)G06N 3/08(2006.01) G01N 23/223(2006.01) (54)发明名称 一种基于卷积自编码器的XRF谱图自动分类 方法 (57)摘要 本发明公开了一种基于卷积自编码器的XRF 谱图自动分类方法,属于 XRF光谱分析处理领域。 本发明对获取的待测X RF光谱谱图数据进行归一 化处理， 并在归一化处理后将其由一维光谱数据 向量转化为二维光谱信息矩阵形式， 使其可以采 用图片处理的方式对XRF光谱谱图数据进行处 理， 提升了分类的精度。 在此基础上， 通过搭建卷 积自编码器神经网络模型， 对待测XRF光谱谱图 进行特征压缩， 得到特征压缩后的光谱数据谱 图； 通过设计kmeans分类网络， 实现无监督的进 行分类， 有效解决了XRF光谱谱图特征指标繁杂 带来的分类精度和效率低的问题。 权利要求书3页 说明书8页 附图3页 CN 115512144 A 2022.12.23 CN 115512144 A 1.一种基于卷积自编码器的XRF谱图自动分类方法,其特 征在于： 包括以下步骤： 步骤1、 使用手持式X荧光光谱分析仪对未知样本进行检测， 作为待测的XRF光谱谱图数 据； 步骤2、 对步骤1得到的待测XRF光谱谱图数据进行归一化处理， 将其转化为二维光谱信 息矩阵形式， 转换到二维空间后的每个光谱信息矩阵包含512 ×512个特征； 然后根据转换 后的XRF光谱信息创建训练样本集； 步骤3、 根据步骤2创建的训练样本集 生成训练集和 测试集； 步骤4、 卷积自编码器神经网络模型的搭建和训练： 步骤4.1、 基于卷积自编码器神经网络对训练集进行迭代训练， 构建卷积自编码器神经 网络模型； 步骤4.2、 将测试集输入步骤4.1得到的卷积自编码器神经网络模型中得到压缩后的 XRF光谱谱图； 步骤5、 搭建Kmeans无监督分类模型， 然后将步骤4.2得到的特征压缩后的XRF光谱数据 图输入到Kmeans无监 督分类模型中， 通过训练得到未知样本的XRF光谱 谱图分类结果。 2.根据权利要求1所述的一种基于卷积自编码器的XRF谱图自动分类方法,其特征在 于： 所述步骤2中进行归一 化处理采用的公式为： 式(1)中， Xmax表示输入同一种类样本的一维光谱数据的最大值， Xmin表示输入同一种类 样本的一维光谱数据的最小值， Xnorm表示归一 化后的该种类样本的光谱数据。 3.根据权利要求1所述的一种基于卷积自编码器的XRF光谱谱图自动分类方法,其特征 在于： 所述步骤4.1构建的卷积自编 码器神经网络模型包括编码 器和解码 器； 其中编码 器由 1个输入层和m个编码隐藏层组成； 解码器由m ‑1个解码隐藏层和1个输出层组成； 输入层的 输入数据为步骤3得到的训练集， 用于将 输入数据输出至 m个编码隐藏层； m个编 码隐藏层用 于对输入 数据进行压缩处理得到输入数据的核心特征， 并将输入数据的核心特征输出至 m‑ 1个解码隐藏层进行解压后传递至输出层， 输出层对接 收到的核心数据进行重构后得到特 征压缩后的XRF光谱 谱图输出。 4.根据权利要求3所述的一种基于卷积自编码器的XRF谱图自动分类方法,其特征在 于： 所述编码器和解码器的隐藏层均采用Tanh非线性函数作为激活函数， 所述解码器的输 出层采用LeakyReLU非线性 函数作为激活函数。 5.根据权利要求4所述的一种基于卷积自编码器的XRF谱图自动分类方法,其特征在 于： 所述步骤4.2利用卷积自编码器神经网络模型得到压缩后的XRF光谱谱图的详细过程 为： 步骤4.2.1、 将步骤3得到的测试集作为输入数据， 输入到卷积自编码器的输入层， 并将 其分别映射到编码器的m个隐藏层进行特征压缩并得到输入数据的核心特征， 完成卷积自 编码器编码的过程， 卷积自编码器编码的表达式如下： y＝f(wyx+by)                          (5) 其中， x为装载好的输入数据， y表示中间隐藏层学习到的特征， wy代表隐藏层输入的权 重， by表示隐藏单 元的偏移系数， f代 表卷积操作；权　利　要　求　书 1/3 页 2 CN 115512144 A 2步骤4.2.2、 将步骤4.2.1得到核心特征传输至解码器的m ‑1个隐藏层进行解压后， 再传 递到一个输出层进行重构后， 得到一个与输入数据相 近的输出数据， 即特征压缩后的压缩 的XRF光谱 谱图， 从而完成自编码器的解码过程， 解码过程的表达式如下： z＝f(wzy+bz)                          (6) 其中， y表示中间隐藏层学习到的特征， z为通过隐藏特征y重建后的数据， wz代表隐藏层 输出的权 重， bz表示输出 单元的偏移系数， f代 表卷积操作； 卷积自编码器的约束条件如下 所示： wy＝wz′＝w                           (7) 其中， wz′表示wz的转置， 表示卷积自编码具有相同的绑定权重w， 有助于使模型的参数 量减半； 卷积自编码器训练的目标使输入数据与重建数据的误差不断缩小， 数 学表达式如下： 在此， 自动编码器需要训练的参数为： w， by， bz， 其中， x为装载好的样本数据， z表示重建 后的输出 数据， c(x,z)代 表输入数据与重建数据之间的误差； 其权值更新 规则由如下公式进行表示： 其中， cost(x,z)为输入数据与重建数据之间的误差损失， η为学习率， 表示 对权重W求偏导， 表示对隐藏单元的偏移系数by求偏导， 表示对输出 单元的偏移系数bz求偏导。 6.根据权利要求1所述的一种基于卷积自编码器的XRF谱图自动分类方法,其特征在 于： 所述步骤5中Kmeans无监 督分类模型的搭建和训练过程如下： 步骤5.1、 Kmeans无监 督分类模型的搭建 步骤5.1.1、 给定一个样本数据集x＝{x1,x2, …,xn}， 对该数据 集中任意一个数据样本 求其到k(k≤n)个中心的距离， 通过指定该数据集中的k(k≤n)数据样本作为初始 中心， 将 该数据样本归属到数据样本距离中心最短的类； 步骤5.1.2、 针对步骤5.1.1得到的类中的数据样本， 以求类的均值方法更新每 类中心； 步骤5.1.3、 重复迭代上述两个步骤更新类中心， 如果类 中心不变或者类中心变化小于 预设阈值， 则更新结束， 形成类簇从而完成Kmeans无监 督分类模型的搭建； 否则继续； 迭代实现样本与其归属的类中心的距离为 最小的目标， 目标函数如下 所示：权　利　要　求　书 2/3 页 3 CN 115512144 A 3