文献类型：期刊文章

作　　者：周粲入[1] 王哲涛[2] 杨思危[2] 谢宇浩[2] 梁培[2] 曹丹[1] 陈强[3]

ZHOU Can-Ru;WANG Zhe-Tao;YANG Si-Wei;XIE Yu-Hao;LIANG Pei;CAO Dan;CHEN Qiang(College of Sciences,China Jiliang University,Hangzhou 310018,China;College of Optical and Electronic Technology,China Jiliang University,Hangzhou 310018,China;College of Metrology and Measurement Engineering,China Jiliang University,Hangzhou 310018,China)

机构地区：[1]中国计量大学理学院,杭州310018 [2]中国计量大学光学与电子科技学院,杭州310018 [3]中国计量大学计量测试工程学院,杭州310018

出　　处：《分析化学》

基　　金：国家自然科学基金项目(No.11972334)资助

年　　份：2023

卷　　号：51

期　　号：8

起止页码：1232-1242

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2023_2024、EBSCO、EI、JST、RCCSE、SCIE、SCOPUS、UPD、WOS、ZGKJHX、核心刊

摘　　要：拉曼光谱技术具有快速、准确、应用灵活和灵敏度高等优点,在生物医药、食品安全、医疗诊断和石油检测等领域广泛应用。拉曼光谱技术常与化学计量学方法结合使用,以实现对具有复杂光谱行为及低含量物质的灵敏检测。深度学习作为一种在特征提取和图像识别领域表现优异的人工智能方法,在拉曼光谱技术中的应用受到了越来越多的关注。结合了深度学习方法的拉曼光谱检测技术在准确率和检测速度等性能指标上均可以得到优化。本文综述了拉曼光谱结合化学计量学和深度学习方法用于物质分析检测领域的应用进展,介绍了拉曼光谱分析方法的分析过程以及光谱数据处理方法,包括传统的化学计量学方法如多元线性回归(MLR)、主成分分析(PCA)、线性判别分析(LDA)和偏最小二乘(PLS)等,以及光谱信号预处理和深度学习分析方法等,最后讨论了基于深度学习的拉曼光谱检测技术的优缺点以及发展前景。

关 键 词：拉曼光谱 化学计量学 深度学习  信号处理 成分分析  评述  

分 类 号：O657.37] TP18[化学类]