摘要
拉曼光谱检测技术因其快速、无损、灵敏度高等优点而广泛应用于农业、食品、医药、化工等各个领域。但在拉曼光谱检测的实际应用过程中，经常遇到先前在一台仪器上建立好的模型无法在另一台仪器上正常使用的情况，这很大程度上限制了拉曼光谱检测技术的发展和普及。解决上述问题的一种常用策略是模型迁移。而传统的模型迁移方法大多需要标准样品的制备和保存，过程复杂且繁琐。本文提出的基于深度学习的拉曼光谱建模及模型迁移方法较好地解决了这个问题。具体来说，本文的研究内容分成如下几个部分： （1）基于卷积神经网络的拉曼光谱建模方法：针对传统线性多元校正算法在非线性体系中预测能力不足的问题，本文提出了基于卷积神经网络的拉曼光谱建模方法。相比于传统的偏最小二乘算法和支持向量回归算法，该方法凭借卷积神经网络良好的非线性拟合能力的优势，取得了更佳的模型预测性能和模型鲁棒性。同时，本文还通过类激活图法探索和验证了卷积神经网络的拉曼光谱特征峰提取机制,获得了一定的可解释性。 （2）基于卷积神经网络的拉曼光谱模型迁移方法：在基于卷积神经网络的拉曼光谱建模的基础上，借鉴迁移学习的思想，本文进一步提出了基于卷积神经网络的拉曼光谱模型迁移方法。该方法充分利用了主仪器丰富的先验信息，有效解决了从仪器有标签样本不足的问题，取得了良好的模型迁移效果。 （3）基于小波变换的双分支网络拉曼光谱模型迁移方法：针对拉曼光谱的多尺度特征，考虑到小波变换具有时频协同分析和多尺度分解的特点，本文提出了将拉曼光谱经小波变换后的时频图作为另一种建模数据的想法。此外，为了更好的提取待测物质组分的特征信息，本文提出了双分支网络模型，即将一维拉曼光谱序列和对应的拉曼光谱时频图作为输入数据进行模型训练。经实验分析和验证，双分支网络模型的建模效果和模型迁移能力相比单输入的卷积神经网络均有进一步提高。 本文的主要创新点在于将深度学习中的卷积神经网络和双分支网络模型应用于拉曼光谱数据建模及模型迁移中。一方面在拉曼光谱建模上，提高了模型的预测精度和鲁棒性，另一方面在拉曼光谱模型迁移上，不但避免了标准样品的制备，而且仅需要少量的从仪器有标签样本即可实现良好的模型迁移效果。本文为拉曼光谱建模和模型迁移提供了新的思路。
NETL