(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110560789.6 (22)申请日 2021.05.21 (65)同一申请的已公布的文献号 申请公布号 CN 113295722 A (43)申请公布日 2021.08.24 (73)专利权人 厦门大学 地址 361000 福建省厦门市思明南路42 2号 (72)发明人 方正　陈淮南　高逸飞　 (74)专利代理 机构 厦门原创专利事务所(普通 合伙) 35101 专利代理师 魏思凡 (51)Int.Cl. G01N 23/046(2018.01) G06F 30/27(2020.01) G06N 3/04(2006.01)G06N 3/08(2006.01) 审查员 刘欢 (54)发明名称 一种基于深度学习算法的X射线光谱 数据矫 正方法及装置 (57)摘要 本发明涉及一种基于深度学习算法的X射线 光谱数据矫正方法及其装置， 包含以下步骤： S1， 采集X射线 穿过样本的光谱数据， 计算得到 X射线 的实测光谱数据； S2， 通过数学软件模拟X射线 穿 过所述样本的光谱数据， 计算得到X射线的仿真 光谱数据； S3， 建立深度神经网络模型， 通过所述 实测光谱数据和仿真光谱数据对所述深度神经 网络模型进行训练， 得到合适的参数值， 生成光 谱矫正网络； S4， 将所述实测光谱数据通过所述 光谱矫正网络矫 正得到矫 正光谱数据。 权利要求书2页 说明书6页 附图4页 CN 113295722 B 2022.09.20 CN 113295722 B 1.一种基于深度学习算法的X射线光谱数据矫 正方法， 其特 征在于： 包 含以下步骤： S1， 采集X射线穿过样本的光谱数据， 计算得到X射线的实测光谱数据； S2， 通过数学软件模拟X射线穿过所述样本的光谱数据， 计算得到X射线 的仿真光谱数 据； S3， 建立深度神经网络模型， 通过所述实测光谱数据和仿真光谱数据对所述深度神经 网络模型进行训练， 得到合适的参数值， 生 成光谱矫正网络； 所述步骤S3具体为： 使用keras 和/或TensorFlow数据库 建立深度神经网络模型， 基于对抗自编码器AAE算法， 在监督学习 模式下， 通过所述实测光谱数据和仿真光谱数据对所述深度神经网络模型进行训练， 得到 合适的参数值， 生 成光谱矫正网络； 所述对抗自编 码器AAE算法是自编 码器网络和生 成对抗 网络的结合， 所述 生成对抗网络包 含判别器， 所述 步骤S3具体为： S3.1， 计算所述仿真光谱数据的均值和方差， 通过均值和方差找到所述实测光谱数据 分布的规律， 然后使用自编码器对仿真光谱数据进行降维得到隐含变量， 然后通过解码器 对隐含变量解码输出， 通过输出和输入之间的误差调整， 控制解码器的输出最小化重构误 差， 使用自编码器对所述仿真光谱数据进行降维得到隐含变量z； S3.2， 输入所述隐含变量z和所述实测光谱数据至判别器， 所述判别器对所述隐含变量 z和所述实测光谱数据进行判断， 训练所述判别器， 通过所述判别器训练所述自编码器； 具 体为： 每次只对一个模型进行训练， 即固定一个模 型的参数对另一个模型进行优化， 这样交 替训练使得整个网络达到平衡， 生 成器生成的 隐含变量z能够 逼近实测光谱数据的分布， 而 判别器则无法分辨出数据真伪， 判别概率在0.5左右， 认定判别器已经无法判断该数据是来 自生成器还是来自实测光谱数据， 其判定方式为随机； S3.3， 训练完成后， 得到合 适的参数值， 生成光谱矫 正网络； S4， 将所述实测光谱数据通过 所述光谱矫正网络矫 正得到矫 正光谱数据。 2.根据权利要求1所述的一种基于深度 学习算法的X射线光谱数据矫正方法， 其特征在 于： 所述参数值包括损失函数、 激活函数、 批次大小、 学习率、 训练轮数、 网络层数、 隐藏单元 个数其中的一种或多种。 3.根据权利要求1所述的一种基于深度 学习算法的X射线光谱数据矫正方法， 其特征在 于： 所述判别器的损失函数为交叉熵损失函数。 4.根据权利要求1所述的一种基于深度 学习算法的X射线光谱数据矫正方法， 其特征在 于： 所述自编码器的损失函数 是均方误差损失函数。 5.根据权利要求1所述的一种基于深度 学习算法的X射线光谱数据矫正方法， 其特征在 于： 所述步骤S3.3中， 训练完成后， 所述判别器的判别方式为随机判定 。 6.根据权利要求1所述的一种基于深度 学习算法的X射线光谱数据矫正方法， 其特征在 于： 所述步骤S3之后进一 步包含以下步骤： 采集X射线穿过新样本的光谱数据， 计算得到X射线的新的实测光谱数据， 通过数学软 件模拟X射线穿过 所述新的样本的光谱数据， 计算得到X射线的新的仿真光谱数据； 通过所述新的实测光谱数据验证所述光谱矫正网络， 若所述新的矫正光谱数据与 所述权　利　要　求　书 1/2 页 2 CN 113295722 B 2新的仿真光谱数据不匹配， 则调整所述 参数值。 7.一种基于深度 学习算法的X射线光谱数据矫正装置， 其特征在于： 用于实现权利要求 1－6任意 一条所述的一种基于深度学习算法的X射线光谱数据矫 正方法， 包 含： 实测光谱数据计算单元， 用于采集X射线穿过样本的光谱数据， 计算得到X射线的实测 光谱数据； 仿真光谱数据计算单元， 用于通过数学软件模拟X射线穿过所述样本的光谱数据， 计算 得到X射线的仿真光谱数据； 光谱矫正网络生产单元， 用于建立深度神经网络模型， 通过所述实测光谱数据和仿真 光谱数据对所述深度神经网络模型进行训练， 得到合 适的参数值， 生成光谱矫 正网络； 矫正单元， 用于将所述实测光谱数据通过 所述光谱矫正网络矫 正得到矫 正光谱数据。权　利　要　求　书 2/2 页 3 CN 113295722 B 3