江西朱溪钨矿床矽卡岩矿物热红外光谱学特征研究

朱溪钨矿床白钨矿化与矽卡岩化密切相关,白钨矿多与石榴子石、透辉石等矽卡岩矿物一起产出。该研究对朱溪典型矽卡岩矿物如石榴子石、透辉石、符山石、硅灰石、阳起石等进行显微红外光谱测量和电子探针分析,探究朱溪矽卡岩矿物的热红外光谱特征及其对成矿的指示意义,并建立朱溪地区的矽卡岩矿物热红外光谱库。结果表明,朱溪钨矿床石榴子石主要为钙铝—钙铁榴石系列,在800和920 cm^-1附近存在一大一小两个吸收峰,在880 cm^-1附近存在特征吸收谷;当石榴子石成分中钙铝榴石含量大于50%时,石榴子石特征吸收谷位于880～900 cm^-1,当钙铝榴石含量小于50%时,石榴子石吸收谷位于865～875 cm^-1。随着Al₂O₃含量增加,其特征吸收谷向高波数方向移动,钙铝榴石偏向高波数,钙铁榴石偏向低波数;辉石主要为透辉石—钙铁辉石系列,在850～950 cm^-1波数范围内存在诊断式、呈阶梯状降低的吸收峰,且在1 050 cm^-1处存在吸...     

石榴子石热红外波谱特征研究

近年来短波红外高光谱技术已成功应用于含水含羟基蚀变矿物及矿床学研究,但是对于不含水不含羟基矿物探测效果不好,而热红外高光谱技术可以弥补这一技术缺陷,对于含Si_nO_k,SO₄,CO₃和PO₄等原子基团的矿物具有良好的应用前景。石榴子石是一种重要的含Si_nO_k 基团的岛状结构硅酸盐矿物,根据成分可分为钙铝榴石、钙铁榴石、镁铝榴石、铁铝榴石及锰铝榴石等不同端元,石榴子石成分对成矿温压环境及成矿中心预测具有重要的研究意义。目前针对石榴子石热红外波谱特征研究非常欠缺。故采集不同成分、不同颜色石榴子石样品16件,创新性地运用美国Agilent4300热红外波谱仪开展热红外波谱特征研究,同时运用美国Niton手持式XRF分析仪开展石榴子石同一测量位置的SiO₂,MgO,Al₂O₃,K₂O,CaO和Fe₂O₃等主量元素含量测试,并分析波谱吸收位置与主量元素含量之间的关系。结果表明石榴子石在热红外波段10~13 μm具有左高右低的双峰式诊断性波谱特征,在11.5 μm附近呈现一个主吸收谷,在12 μm附近有一个次级吸收谷,且主吸收谷及次级吸收谷波长位置与石榴子石Al₂O₃和Fe₂O₃含量具有良好的相关性,相关系数大于0.9,即波谱吸收谷的波长位置与Al₂O₃含量具有线性负相关关系,与Fe₂O₃含量具有线性正相关关系。据此研究结果,可以快速开展石榴子石矿物成分的野外鉴定,还可以快速开展矽卡岩矿床野外蚀变分带研究,进而指导找矿勘查。揭示了不同成分石榴子石矿物的热红外波谱特征,对其他架状硅酸盐、岛状硅酸盐、单链状硅酸盐、碳酸盐、硫酸盐矿物的热红外波谱特征研究具有重要的指导意义。     

高压下石榴子石结构和弹性的第一性原理研究

石榴子石是上地幔和地幔转换带的重要成分,掌握其高温高压下的物性演化特征对了解地幔物质组成、结构以及动力学过程具有重要意义。为此,利用第一性原理计算了0～16 GPa压力下铝系列和钙系列常见的6种榴石(镁铝榴石、铁铝榴石、锰铝榴石、钙铬榴石、钙铝榴石和钙铁榴石)的晶体结构和弹性性质。结果表明:铝系列榴石的晶胞体积小于钙系列榴石;除镁铝榴石外,铝系列榴石的密度高于钙系列榴石。在石榴子石压缩过程中,多面体体积变化率由大到小依次为[XO_8]十二面体、[YO_6]八面体、[SiO_4]四面体,且变化率之比接近3∶2∶1,表明石榴子石的压缩机制主要受其结构中的十二面体控制。键角方差的变化表明:高压可以使钙系列榴石的四面体和八面体变得更加规则;而铝系列榴石则与其不同,高压下铝系列榴石的四面体变得更加不规则。研究发现:石榴子石的体弹模量随着铁铝榴石含量的增加而增大,随着钙铬榴石和钙铝榴石含量的增加而减小;而剪切模量则随着钙铝榴石含量的增加而增大,随着铁铝榴石和钙铬榴石含量的增加而减小。除镁铝榴石外,铝系列榴石的波速整体小于钙系列榴石。通过计算结果发现,石榴子石及其固溶体的波速在410 km附近与地球典型波速模型有交点,证明了石榴子石是地幔中的重要组分,且不同组成的石榴子石及固溶体的存在可能对地球地幔的波速结构产生重要影响。     

钙铝榴石-钙铁榴石的拉曼光谱特征

通过对钙铝榴石 -钙铁榴石的拉曼光谱研究发现 ,从钙铝榴石到钙铁榴石 ,随着矿物结构中铁的含量的增加 ,他们的拉曼光发生规律性的变化 ,即所有的峰向低波数方向发生漂移 ;同时 ,由于铁含量的不同使得石榴石晶体结构中O -Si-O与O -Y -O之间的键角发生了一定的变化 ,在其拉曼光谱谱图上表现为铁的含量越高 ,[SiO4 ]四面体和Y -O八面体的两个弯曲振动峰分裂得越明显。     

高钙飞灰的矿物学组成及微区特征研究

对小龙潭电厂飞灰及不同密度级的分选灰的矿物学和颗粒微区特征进行了详细研究,高钙飞灰中的含钙矿物主要包括石灰,硬石膏,钙黄长石,镁黄长石和氢氧钙石;同时含有少量斜硅钙石,方解石,钙铁石,陨硫钙石,钙铁榴石和钙铝榴石;不同密度级分选灰矿物组成和微区特征差异很大.石英、莫来石主要存在于低密度级飞灰;石灰、硬石膏在漂珠中明显富集;斜硅钙石和钙铝榴石主要存在于沉珠中;含铁矿物赤铁矿,磁铁矿以及钙铁石在重灰和沉珠中的含量明显高于漂珠和轻质灰.     

泥质岩体系高温高压变质过程中温度对石榴子石Fe-Mg分异的影响（英文）

在700~780℃、2.1~2.9GPa温压范围内,对天然泥质岩体系进行了高温高压实验,对体系中生成的石榴子石的Fe-Mg组成受温度的影响进行了研究。实验产物中石榴子石主要以MgO和FeO为主要组成。石榴子石中镁铝榴石和铁铝榴石含量高于88%(质量分数),钙铝榴石和锰铝榴石含量低于12%。石榴子石中FeO和MgO含量与温度呈现明显线性关系,但与压力没有呈现线性关系。研究结果确定了具有复杂化学组成的天然泥质岩体系中石榴子石Fe-Mg组成特征随温度的变化趋势,为确定泥质岩原岩组成的榴辉岩相岩石的变质温度提供了实验研究结果。     

黑龙江穆棱地区宝石级石榴石的宝石学及谱学特征

对黑龙江穆棱新生代玄武岩产出的宝石级石榴石进行了宝石学常规测试、电子探针测试、拉曼光谱、红外光谱和紫外-可见光谱测试,以获得该区石榴石的宝石学特征和谱学特征。化学成分分析表明,该区石榴石为镁铝榴石,含有Fe,Ca,Mn,Cr,Ti等杂质元素。其平均晶体结构化学式为 (Mn_0.022Ca_0.455, Fe2+_0.720, Mg_1.793)_∑=2.990(Ti_0.003Cr_0.009Fe3+_0.062Al_1.951)_∑=2.025(SiO₄)₃。拉曼光谱分析表明该区石榴石存在混合相,由石榴石桥氧振动引起的拉曼位移峰反映出该特征。镁铝榴石桥氧弯曲振动拉曼位移峰位于560 cm-1(A₁g模)和641 cm-1(E_g+F₂g模),钙铝榴石和铁铝榴石桥氧弯曲振动E_g+F₂g模形成的拉曼位移峰分别位于507和486 cm-1。官能团区红外光谱显示该区镁铝榴石中不存在分子水,但少数镁铝榴石中存在少量的结构水,它们在3 585,3 566和3 544 cm-1处形成阶梯状的弱小吸收峰。该区镁铝榴石多为褐红色,其颜色由杂质离子Cr3+,Fe3+,Mn2+产生。紫外-可见吸收光谱显示,Fe3+的电子跃迁致570,521和502 nm吸收峰,Mn2+的电子跃迁致460和430 nm吸收峰,Cr3+电子跃迁致690和367 nm吸收峰。     

广西合浦九只岭汉墓出土石榴子石珠饰的科学分析

为探明广西合浦九只岭汉墓出土的一批紫色珠饰的材质、制作工艺和可能的原料来源,应用X射线荧光光谱、激光拉曼光谱和以及超景深三维显微系统三种分析技术科学分析了其中8枚珠饰。根据X射线荧光光谱和激光拉曼光谱分析结果,从矿物学特征上讲,这些珠饰是由石榴子石族矿物中的铝系石榴石加工而成,除一件样品属于铁铝-镁铝榴石型外,其矿物成分体系具有较高一致性,其他样品均属于富铁铝榴石型石榴子石。结合超景深数码显微系统所获取的样品加工痕迹信息以及近年考古学和科技研究成果,探讨了这批石榴子石的加工工艺和可能的来源。判断这批珠饰采用了旋磨工艺和皮囊球磨工艺两种打磨工艺,采用双钻石钻具对钻的钻孔工艺。这批铁铝榴石宝石珠饰应是由南亚或南亚经东南亚通过海上丝绸之路输入到合浦的,是汉代海上丝绸之路贸易的重要物证,对研究海上丝绸之路的历史和文化交流等具有重要的意义。     

俄罗斯翠榴石的化学成分及光谱学表征

翠榴石为石榴石家族中最为贵重的亚种,以其漂亮的外观和稀有性深受欢迎。尤其是俄罗斯所产翠榴石更是国内外收藏家最为追捧的对象。前人从不同角度对石榴石族矿物研究较多,但关于翠榴石的研究较少。为了探究俄罗斯翠榴石的化学成分及光谱学特征,运用LA-ICP-MS,IR,Raman和UV-Vis,对俄罗斯翠榴石进行系统研究,旨在获得其化学成分尤其是稀土元素特征、光谱学特征,分析致色原因,为其品种鉴定及产地溯源提供重要数据。化学成分研究表明,俄罗斯翠榴石几乎为纯的钙铁榴石(Andradite>96.39 Mol.%)。次要成分中,Cr₂O₃含量较高,平均0.502 Wt%,除此以外还含少量Al,Mn,Ti和V。其中Cr和V均为石榴石中致绿色的元素。稀土元素含量总体不高,∑REE平均4.85 μg·g-1;且轻稀土元素明显富集,∑LREE平均4.56 μg·g-1;重稀土元素相对亏损,∑HREE平均0.29 μg·g-1, ∑LREE/∑HREE=5.35~100.48。多数样品显示Eu正异常。主要拉曼位移为994.5,873.5,841.5,815,576,552,515,492,451,369,351,323,310.5,295,263,234.5和172 cm-1。拉曼光谱仅可作为翠榴石品种鉴定的手段之一,对其产地溯源作用不大。红外光谱研究表明,指纹区红外反射光谱可以有效鉴别翠榴石,红外光谱官能团区显示结构水的吸收峰,表明俄罗斯翠榴石含有少量结构水,这与其形成过程与热液交代作用有关。紫外-可见吸收光谱研究显示,俄罗斯翠榴石在384和440 nm处具明显吸收峰,436 nm见弱吸收峰,620 nm附近出现宽缓吸收带,从500 nm附近至紫外区强烈吸收。分析认为440 nm吸收带归于八面体位Fe3+的6A₁→4A_1g+4E_g(G)跃迁所致;620 nm吸收带归于八面体位Cr3+的4A_2g(F)→4T_2g(F) d-d跃迁所致,Fe和Cr同为致色元素,O-Fe荷移带及440 nm强吸收带使得钙铁榴石产生黄色、黄绿色,Cr3+的加入,产生620 nm宽缓吸收带,吸收橙黄色光,使得宝石颜色向绿色端偏移,显示纯正的绿色。拉曼光谱、红外光谱指纹区特征可以用于准确鉴定翠榴石;稀土元素特征及中红外光谱官能团区结构水特征,可以为其产地溯源提供重要信息。     

基于神经网络的生物表面颜色特性的识别

介绍了一种光纤探头式生物表面颜色测试系统 ,利用此系统测量小区域生物表面反射光谱和确定其色坐标。通过正常生物表面反射光谱与反常生物表面反射光谱的比较 ,利用BP神经网络模型 ,实现了生物表面特性的自动分类和识别。实际应用表明 ,对于一些直观的难以区分的、差异较小的生物表面特性来说 ,采用BP神经网络方法 ,对其反射光谱曲线有较好的识别能力 ,可以识别一些小区域、小差别的生物表面特性     

一种基于卷积神经网络的恒星光谱快速分类法

恒星光谱数据的分类是天体光谱自动识别的最基本任务之一,光谱分类的研究能够为恒星的演化提供线索。随着科技的发展,天文数据也向大数据时代迈进,需要处理的恒星光谱数量越来越多,如何对其进行自动而精准地分类成为了天文学家要解决的难题之一。当前恒星光谱自动分类问题的解决方法相对较少,为此本文使用了一种基于卷积神经网络的方法对恒星光谱MK系统进行分类。该网络由数据输入层、四个卷积层、四个池化层、全连接层、输出层构成,与传统网络相比具有局部感知、参数共享等优点实验。在Python3.5的环境下编程,利用Tensorflow构建了一个简单高效的具有四个卷积层的卷积神经网络,并将Dropout作用于全连接层之后以防止过度拟合。Dropout的基本思想：当网络模型进行训练时,把一些神经网络节点按一定的比例丢弃,使其暂时不发挥作用。Dropout可以理解成是一种十分高效的神经网络模型平均方法,由于它不依赖于某些局部特征所以能够让网络模型更加鲁棒。实验中使用的一维恒星光谱图是取自LAMOST DR3数据库,首先进行预处理截取光谱3 600~7 300 Å的部分,均匀采样后使用min-max标准化法对其进行初始化。实验包括两部分：第一部分为依据恒星光谱MK系统对光谱进行分类,每一类的训练样本包含1 000条光谱数据,测试样本为400条光谱数据,首先通过训练样本对CNN网络进行训练,进行3 000次的迭代,用训练后的网络将测试样本进行分类以验证网络的准确性;第二部分为相邻两类的恒星光谱的分类,其中O型星数据集样本为250条光谱,其余类别恒星样本数据集均为4 000条光谱,将数据5等分,每次选取当中的一份当作测试集,其余部分当作训练集,采用5折交叉验证法求得模型准确率,用BP神经网络进行对比实验。选择对网络模型进行评估的指标包括精确率P、召回率R、F-score、准确率A。实验结果显示CNN在对六类恒星光谱进行分类时其准确率都在95%以上,在对相邻类别的恒星进行分类时,由于O型星样本量较少,所以得到的分类结果不太理想,对其余类别的恒星分类准确率都高于98%,以上结果都证明了CNN算法能够很好地解决恒星光谱的分类问题。     

基于蝙蝠回波定位模型的材质识别方法研究

在蝙蝠的回波定位和目标识别模型的基础上完成了目标材质识别的工作。利用超声换能器发射超声脉冲，接收回波信号并对其进行处理；分别提取了时域包络、功率谱和短时傅里叶（STFT）系数作为BP（Back—Propagation）网络分类器的输入特征向量；完成了对纸板、泡沫板和木板的识别工作。实验结果表明识别正确率最高达到近90％。     

衰减全反射红外光谱法快速分类和识别多种食用油的方法

提出了一种衰减全反射红外光谱法快速分类和识别多种食用油的方法——KL-BP模型。此模型利用KL算法对原始光谱数据分类特征进行提取并对原始数据降维,降维后的数据作为神经网络的输入建立分析模型。实验共收集了九种食用油包括芝麻油、玉米油、油菜籽油、调和油、葵花油、花生油、橄榄油、大豆油、茶籽油,共84个样品,并测定了其衰减全反射红外光谱。为了对比所提方法性能,分别建立PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP模型的分类结果进行对比。研究结果表明,对所研究的9种食用油,PCA直接分类、KL直接分类、PLS-DA、PCA-BP和KL-BP方法的识别率分别为59.1%,68.2%,77.3%,77.3%和90.9%。在数据降维中,KL算法通过分别提取使类间距离和类内距离比值最大方向的特征向量提取和包含在类内离散度矩阵中的分类信息,能够比PCA方法提取了更多的分类信息;引入BP神经网络能有效地提高分类能力和分类准确率;KL-BP综合了KL对分类信息提取优势以及BP神经网络自学习、自适应、非线性的优点,在分类和识别成分相近的9种食用油中表现出了最优秀的能力。     

基于一维卷积神经网络的化爆和地震次声分类*

次声事件的分类识别方法应用广泛,传统分类方法在很多方面进行了尝试,但由于次声信号具备非线性的特点,致使分类难度较大,分类精度不高,这对次声事件的分类工作提出了挑战。针对次声事件中的化学爆炸与天然地震信号分类问题,文章构建了一种改进的深度卷积神经网络分类模型用于实现两类次声信号的分类。论文采用"全面禁止核试验条约组织"官网上收集到的化学爆炸和天然地震次声信号进行数据集的构建,使用改进的深度卷积神经网络分别与BP网络和一维LeNet-5网络进行对比分析。实验结果表明,论文的测试识别率能够达到82.72%,较上述算法有优势。     

应用局部神经网络和可见/近红外光谱法估测土壤有效氮磷钾

要实现农田合理施肥,需要对土壤养分状况进行实时、准确地诊断,因而建立快速、稳定可靠的土壤养分定量分析方法是关键。光谱分析是一种有很大潜力的快速分析方法,从可见/近红外光谱建模的几个重要环节,即特征波段、预处理方法及回归模型方法的选择,研究了土壤有效氮、磷、钾含量快速估测的光谱建模方法。采用了多元散射校正加一阶导数进行光谱预处理,通过逐波段相关分析在可见-近红外区优选特征波段,并应用了局部非线性回归方法(BP神经网络局部回归法)建模,所建模型对土壤有效氮、磷、钾含量估测的相关系数r分别为0.90,0.82和0.94,BP神经网络局部建模比全局建模具有更好的精度和稳定性,估测精度提高幅度分别为40.63%,28.64%,22.90%。因此,采用局部BP神经网络回归建模法建立土壤有效氮、磷、钾的光谱定量分析模型,可实现对土壤养分状况的快速诊断。该研究的创新点是通过采用局部非线性回归方法提高了土壤光谱营养诊断模型的稳定性和可靠性,为作物生长过程中不同生长时期的土壤养分的动态监测和过程控制提供了技术支持。     

基于小波系数图和卷积神经网络的太赫兹光谱物质识别

许多太赫兹光谱物质识别方法依靠寻找该物质在太赫兹波段范围内不同光谱表现出的不同特征来识别特定物质。吸收峰提取法是常用的光谱特征提取算法,但当光谱无明显特征吸收峰或峰位、峰值相近或难以识别时,难以利用吸收峰特征辨别物质。将机器学习和统计学习技术用于太赫兹光谱的识别中虽减少了吸收峰的干扰,但常常需要人为定义特征而导致分类误差。深度学习法能自动提取特征,但在识别前往往需要进行复杂的预处理操作,并且在特征提取的过程中容易丢失部分特征从而导致分类误差。针对以上问题,提出了一种基于小波系数图和卷积神经网络的太赫兹光谱识别方法。利用太赫兹光谱信号进行小波变换时,由于小波系数矩阵的每一行系数与原始光谱信号存在着对应关系,因此将太赫兹光谱的吸收系数通过小波变换在频率域上展开,能得到不同的二维的频率-尺度分布图,又称小波系数图。然后构造一个卷积神经网络(CNN)对小波系数图进行分类,可得到太赫兹光谱物质的分类结果。为了验证所提出算法的有效性,将三组小波系数图数据与原始光谱数据分别输入CNN、Support Vector Machin (SVM)、Multilayer Perceptron (MLP)三种不同的分类器作对比,从实验结果可以发现本文算法在三组数据中的识别率均达到了100%,说明相比于传统方法,本文方法能准确分类没有明显特征吸收峰的光谱,证明了使用卷积神经网络识别小波系数图的有效性。为了体现本文算法的优势,与小波脊线寻峰识别算法作对比,实验结果表明本文算法几乎不受峰频、峰位、峰值的影响,无论是识别不存在吸收峰的淀粉,还是识别相似度高的蔗糖和葡萄糖,都具有较高的识别率,分类准确率达97.62%,证明了所提算法的优越性。该算法为太赫兹光谱数据识别提供了一种新思路,同时也可以推广运用到其他谱图物质的识别中。     

基于图像处理的模拟尾流气泡幕分类识别

提出了一种应用数字图像处理技术对模拟尾流气泡幕分类识别的新方法.文章介绍了BP神经网络的基本结构及其工作原理,通过仿真测试了BP神经网络对模拟尾流气泡幕图像的模式分类.应用灰度图像统计矩法得到了均值﹑归一化系数﹑三阶矩﹑一致性和熵等特征量,设定神经网络学习率为0.1时经过14次循环可以达到训练目标误差为0.001,此时网络对不同压强下的尾流气泡幕分类正确率到达100%.这种方法在处理尾流图像时具有直观、高效、精确等特点,易于应用于对尾流探测、识别等工程技术中.     

粒子群优化算法在混合气体红外光谱定量分析中的应用

通过将粒子群优化技术及BP神经网络技术相结合,建立了三种烃烷混合气体的红外光谱定量分析模型。混合气体主要由甲烷、乙烷、丙烷三种组分气体组成,三种组分气体浓度范围分别为0.01%～0.1%。文章首先采用主成分分析技术从红外光谱1 866个数据中提取了5个特征变量作为神经网络的输入,将气体浓度作为网络输出。然后将粒子群优化算法与BP神经网络技术相结合,对网络的隐含层节点数进行了优化选择。再对结构优化后的网络进行训练,建立气体分析模型。分析模型的标准气体验证实验结果表明,采用此方法建立混合气体红外光谱定量分析模型所用时间(大约4 600 s)比单纯采用BP神经网络进行遍历优化建模所用时间(大约24 500 s)降低5倍以上,模型预测精度水平相当,网络结构大致相同,具有一定的实践意义和应用潜力。     

基于DBN,SVM和BP神经网络的光谱分类比较

恒星的分类对了解恒星和星系形成与演化历史具有重要的研究价值。面对大型巡天计划及由此产生的海量数据,如何迅速准确地将天体自动分类显得尤为重要。通过对SDSS DR9的恒星光谱数据进行深度置信神经网络(DBN)、神经网络和支持向量机(SVM)等算法分类的对比,分析三种自动光谱分类方法在恒星分类上的适用性。首先利用上述三种方法对K,F恒星进行识别分类,然后再分别对K1,K3和K5次型和F2,F5,F9次型识别,最后基于SVM支持向量机的二次分类模型,利用K次型的数据,构建剔除不属于K次型的模型。结果表明:深度置信网络对K,F型恒星分类效果较好,但是对K,F次型的分类效果不佳;SVM支持向量机在K,F型恒星分类以及相应的次型分类都具有较好的识别率,对K,F型分类效果要好于K,F次型的分类效果;BP神经网络对K,F型恒星以及其次型的识别一般;在剔除不属于K次型实验中,剔除率高达100%,可知SVM能够对未知的光谱数据进行筛选与分类。     

可见-近红外光谱的古陶瓷断代分类识别

为客观、有效对古陶瓷进行无损断代,提出了一种基于可见-近红外光谱古陶瓷断代分类识别方法。耀州窑古陶瓷跨代较多,且不同朝代之间具有物理相似性,因此耀州窑的断代具有一定的挑战性。以耀州窑为研究对象,在采用紫外-可见-近红外光谱分析仪获取古陶瓷不同朝代的多光谱数据的基础上,提出基于分数阶微分对光谱数据进行预处理,避免微分预处理常用的一阶微分和二阶微分遗漏中间过渡信息,同时压制并消除光谱数据中的背景信息和噪声干扰。实验结果表明,未进行微分处理(0阶)时,耀州窑不同年代古陶瓷的分类准确率仅为84.8%,而基于不同分数阶微分的分类准确率均较0阶明显高,分数阶微分的最优阶数为0.7阶。另外,提出基于深度信念网络对不同朝代古陶瓷进行断代分类,首先采用层叠的受限玻尔兹曼机(RBM)对深度网络进行预训练,提取光谱数据高层特征以消除光谱数据中的冗余特征。实验结果表明,光谱数据经RBM降维之前特征间的相关系数为0.885 7,经第一层和第二层RBM降维后的相关系数分别为0.544 6和0.391 5,特征间的相关性明显下降,冗余度明显减少。然后将RBM预训练得到的权值参数对BP神经网络进行初始化,并对深度信念网络进行微调,在克服BP神经网络因随机初始化权值参数而陷入局部最优局限性的同时,提升网络训练主动性。实验可得,深度信念网络的最优RBM数量为2,RBM隐藏层最优节点数为100。最后,为避免小样本数据基于深度信念网络进行训练易出现过拟合,提出了一种Dropout随机丢弃策略,在深度信念网络训练阶段以一定概率随机让网络某些隐含层节点的权重不工作,以减少网络训练过程特征之间的相互依赖性,实验可得当Dropout丢弃比例为0.45时,分类性能最高。采用所提方法,耀州窑不同朝代古陶瓷分类的平均准确率为93.5%,而耀州窑五代时期的分类识别率最高为96.3%。通过与同类古陶瓷断代分析方法的客观定量对比,表明所提方法有效、可行,为古陶瓷的断代提供了新方法。