空气中的高危病原微生物对人类社会存在着极大威胁，而传统的监测方法无法对空气中的微生物实现准确的识别与分类。因此采用激光诱导荧光技术原理，以单光子探测器为核心器件，设计并搭建了一种高效的荧光光谱仪用于空气中高危病原微生物的识别与分类，并且该光谱仪可以实现对微生物浓度的预测，其对于环境安全具有重要意义。对于该光谱仪采集的数据，探索了以一维向量和二维矩阵2种输入形式来实现荧光光谱的识别与分类，并研究对比了主成分分析网络、卷积神经网络和全卷积网络等深度学习网络的识别与分类效果。实验结果表明以矩阵形式输入的卷积神经网络模型在测试集中识别分类准确率达到98.05%。采用矩阵形式输入的全卷积网络模型在测试集中微生物浓度预测准确率达到98.97%。

随着观测设备的不断完善, 人们获得的光谱数量持续上升, 如何进一步提高光谱自动分类的性能引起广泛关注。 为此, 以恒星光谱为研究对象, 在近年来新出现的BERT和CNN等深度学习模型的基础上, 试图融合了BERT模型和CNN模型在特征提取和智能分类方面的优势, 提出高性能混合深度学习网络BERT-CNN, 用以探讨该模型在提升光谱分类性能方面的有效性。 该模型首先将恒星光谱数据输入BERT模型; 然后, 利用BERT模型中的Transformer进行特征提取, 得到特征向量; 最后, 将特征向量输入CNN模型, 通过softmax分类器获得分类结果。 该实验的编程语言为Python3.7, 引入TensorFlow1.14作为深度学习模型框架, 并以SDSS DR10中的K型、 F型、 G型的恒星光谱数据作为实验数据集。 使用min-max方法对恒星光谱数据做归一化处理, 通过与SVM、 CNN等分类模型的比较来验证BERT-CNN混合模型在恒星光谱分类中的有效性。 引入网格搜索和10折交叉验证来获得模型的实验参数。 实验包括两部分: 一是利用精准率P、 召回率R、 调和平均值F1等指标对BERT-CNN模型的恒星光谱分类性能进行评价。 当训练数据集占比实验数据集的30%~70%时, BERT-CNN模型处理K, F和G型恒星光谱数据集的精准率P、 召回率R、 调和平均值F1随训练样本数的增加而提升。 在相同规模的训练样本条件下, BERT-CNN模型在K型恒星光谱数据集上的P, R和F1值均最高, 其次是G型恒星光谱数据集, F型恒星光谱数据集上的分类效果较差。 二是利用准确率对SVM, CNN和BERT-CNN等模型的对比实验结果进行评价。 对K, F和G型恒星光谱数据集上, BERT-CNN模型分类效果最优, 其次是CNN模型, SVM模型分类效果较差。 表明, BERT-CNN模型有助于提升光谱分类性能。