公开(公告)号：CN118171103A

公开(公告)日：2024-06-11

申请号：CN202410265821.1

申请日：2024-03-08

Applicant: 中国科学院上海技术物理研究所

Inventor： 舒嵘 ,  崔志成 ,  李鲁宁 ,  徐卫明 ,  许学森

IPC: G06F18/214 ,  G06F18/21 ,  G06N3/0464 ,  G06N3/096 ,  G06N3/0985

Abstract: 本发明公开了基于深度CNN预训练模型迁移学习的火星LIBS数据分析方法，涉及激光光谱分析技术领域，其技术要点为：首先构建源域深度CNN预训练模型并用大量地面光谱开展预训练，使其能对光谱形态进行特征提取和学习；随后使用数据量较少的火星光谱重新训练该CNN模型的部分后端层，使其可适用于目标域数据分析；通过深度结合CNN在特征提取方面的优势和迁移学习在训练样本稀缺场景中的优势，利用地面LIBS光谱库实现了火星LIBS光谱定量分析准确度的提升，有效减小算法模型受探测环境和仪器性能差异的影响，并攻克火星光谱数据稀少的难点，适用于深空探测LIBS光谱数据分析。

公开(公告)号：CN119992219A

公开(公告)日：2025-05-13

申请号：CN202510266824.1

申请日：2025-03-07

Applicant: 中国科学院上海技术物理研究所

Inventor： 李鲁宁 ,  崔志成 ,  张绪辰 ,  徐卫明 ,  舒嵘 ,  许学森 ,  刘向锋 ,  王建宇

IPC: G06V10/764 ,  G06V10/82 ,  G06N3/0464 ,  G06N3/08

Abstract: 本发明公开了一种基于深度CNN和样本权重优化的LIBS多距离混合光谱分类方法，涉及光谱分析技术。本发明构建深度卷积神经网络(CNN)模型，并用于激光诱导击穿光谱(LIBS)数据的分类，适用于分析在多个不同距离采集的LIBS光谱混合数据。本发明的核心创新点是在CNN训练过程中对不同距离的光谱样本赋予不同的样本权重。常规的模型训练方法对所有训练集光谱样本赋予均等的权重，而本发明则根据训练集光谱样本的绝对距离值以及训练集光谱样本与测试集光谱样本的距离差值来专门设计各光谱样本权重，使不同距离光谱样本权重得到优化，从而提升深度CNN模型的分类效果。本发明具有无需距离校正、训练高效、准确度高的优点，可以有效地对LIBS多距离混合光谱进行分类。

公开(公告)号：CN115586143A

公开(公告)日：2023-01-10

申请号：CN202211112891.0

申请日：2022-09-14

Applicant: 中国科学院上海技术物理研究所

Inventor： 刘向锋 ,  徐卫明 ,  舒嵘 ,  贾良辰 ,  许学森

IPC: G01N21/27

Abstract: 本发明公开了一种基于随机抽样一致性的光谱漂移标定与校正方法，方法包括以下步骤：(1)光谱仪首次测量目标的光谱作为参考光谱，获得光谱的像元到波长的转换模型及系数；(2)光谱仪再次测量目标的光谱作为测量光谱，识别测量光谱中特征谱线的谱峰位置作为观测像元序列；(3)选取参考像元序列与观测像元序列间能满足条件的最大概率局内点，作为测量特征谱线与参考特征谱线的相匹配谱线；(4)计算匹配谱线间的像元差，将平均值作为光谱漂移量；(5)使用光谱漂移量来改正测量光谱的像元序列；(6)利用绝对平均值和均方根定量描述校正波长精度。本发明能快速自动识别测量光谱与参考光谱间的像元漂移量，准确性好，鲁棒性强，易操作。

公开(公告)号：CN120030385A

公开(公告)日：2025-05-23

申请号：CN202510097519.4

申请日：2025-01-22

Applicant: 中国科学院上海技术物理研究所

Inventor： 舒嵘 ,  崔志成 ,  李鲁宁 ,  徐卫明 ,  徐聿升 ,  唐红 ,  黄荣 ,  许学森 ,  张绪辰 ,  容仕翰

IPC: G06F18/24 ,  G01N15/00 ,  G01N21/71 ,  G06F18/23213 ,  G06F18/2135 ,  G06F18/22 ,  G06F18/15 ,  G16C20/20 ,  G16C20/30 ,  G16C20/70

Abstract: 本发明公开了一种基于PHATE降维的粉尘覆表靶标LIBS光谱有效性识别方法，结合PHATE(基于亲和性的轨迹嵌入热扩散势)算法和K均值算法，实现粉尘覆表靶标LIBS光谱有效性的精准识别。本发明包括特征降维和聚类分析两个阶段：首先基于PHATE算法，将高维LIBS光谱数据变换为低维特征向量，在保留数据全局结构的同时提取出光谱核心特征；随后基于K均值算法，对低维光谱特征向量进行聚类分析，从而区分粉尘光谱、粉尘‑基质过渡光谱和基质光谱这三类不同光谱数据。本发明具有数据处理简捷高效、光谱有效性识别准确度高、鲁棒性强的优点，有助于从粉尘覆表靶标LIBS光谱中筛选出真正有效的靶标光谱，适用于快速分析在野外勘探、深空探测等非洁净场景中采集的LIBS光谱。

公开(公告)号：CN115586143B

公开(公告)日：2024-06-18

申请号：CN202211112891.0

申请日：2022-09-14

Applicant: 中国科学院上海技术物理研究所

Inventor： 刘向锋 ,  徐卫明 ,  舒嵘 ,  贾良辰 ,  许学森

IPC: G01N21/27

Abstract: 本发明公开了一种基于随机抽样一致性的光谱漂移标定与校正方法，方法包括以下步骤：(1)光谱仪首次测量目标的光谱作为参考光谱，获得光谱的像元到波长的转换模型及系数；(2)光谱仪再次测量目标的光谱作为测量光谱，识别测量光谱中特征谱线的谱峰位置作为观测像元序列；(3)选取参考像元序列与观测像元序列间能满足条件的最大概率局内点，作为测量特征谱线与参考特征谱线的相匹配谱线；(4)计算匹配谱线间的像元差，将平均值作为光谱漂移量；(5)使用光谱漂移量来改正测量光谱的像元序列；(6)利用绝对平均值和均方根定量描述校正波长精度。本发明能快速自动识别测量光谱与参考光谱间的像元漂移量，准确性好，鲁棒性强，易操作。