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

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。