。

其对应代码仓库提供了实验使用的数据集、平行因子分析结果和CNN模型。

论文和…说明：VGG16和CF-VGG11是论文《A

Fluorescence

Method》使用的两种主要模型。

其对应代码仓库提供了实验使用的数据集、平行因子分析结果和CNN模型。

论文和代码仓库是本文实验使用的基本材料。

：代码仓库/VGG16）修改代码实验流程实验结果train.py笔记数据流

组分拟合实验（工作目录：代码仓库/CF-VGG11）修改代码实验流程实验结果笔记train.py数据流分析FVGG11.pyFAlexNet.pySimpleCNN.py

论文摘要

三维荧光的研究目前主要采用平行因子分析(PARAFAC)、荧光区域积分(FRI)和主成分分析(PCA)等方法。

目前结合卷积神经网络(CNN)的研究也很多，但在CNN与三维荧光分析相结合的方法中，还没有一种方法被认为是最有效的。

本文在已有研究基础上，从实际环境中采集了一些样品进行三维荧光数据的测量，并从互联网中获得了一批公开数据集。

首先对数据进行预处理(包括PARAFAC分析和CNN数据集生成两步)，然后提出了基于VGG16和VGG11卷积神经网络的三维荧光分类方法和分量拟合方法。

使用VGG16网络对三维荧光数据进行分类，训练准确率为99.6%(与PCA

SVM方法同样准确)。

对于分量图拟合网络，我们综合比较了改进的LeNet网络、改进的AlexNet网络和改进的VGG11网络，PCA

SVM改进的VGG11网络。

在改进的VGG11网络训练中，我们使用MSE损失函数和余弦相似度来判断模型的优劣，网络训练的MSE损失达到4.6×10−4，训练结果的余弦相似度达到0.99。

（由此可见，）网络性能非常出色。

实验表明，CNN在三维荧光分析中具有很大的应用价值。

数据集信息

以下表格中的Samples,Number,Train,Validate,Test,Total

Samples

SamplesNumberTrainValidateVGG16/mainVGG11/trainTestVGG11/testVGG16/testTotal

Samples

ExpansionFU4527935359735135F10563218181212181315P206124411611614142161618PU6036124545121245180论文中的数据扩充说明：在实际训练过程中，我们通过色域失真和镜像翻转来扩展图像。

表格分析：Train+Validate与2个网络的训练集大小相近，VGG16的测试集扩充了4倍，Total

Samples

python=3.10安装torch-2.2.1+cu121-cp310-cp310-win_amd64.whl在虚拟环境中安装matplotlib,opencvpip3

install

https://download.pytorch.org/whl/cu121分类实验（工作目录：代码仓库/VGG16）

修改代码

新增annotation_generator.pyimport

from

'model_data/cls_train.txt'assert

os.path.exists(img_root_path)txt

open(txt_path,'w')

range(0,num_classes):class_name

img_root_path