一种基于有监督深度神经网络的NMR弛豫时间反演方法与流程

技术特征：
1.一种基于有监督深度神经网络的nmr弛豫时间反演方法，其特征在于，包括以下步骤：步骤1、构建样本对数据集，样本对数据集为nmr弛豫信号和对应的nmr弛豫时间谱组成的样本对的集合；步骤2、构建有监督深度神经网络模型，构建损失函数：其中，为输入有监督深度神经网络模型的第个nmr弛豫信号与对应的有监督深度神经网络模型输出的nmr弛豫时间谱之间的映射关系，为样本对中与第个nmr弛豫信号对应的nmr弛豫时间谱，k为反演核矩阵，为神经网络权重，是样本对的个数，为2
‑
范数的平方，和均为正则化参数；步骤3、根据样本对数据集生成训练数据集和验证数据集，训练数据集训练有监督神经网络模型，使得损失函数最小，得到的nmr弛豫信号与nmr弛豫时间谱的最佳映射关系记为预测模型；验证数据集用于在训练过程中调整有监督神经网络模型的超参数，以提升有监督网络模型的泛化能力；步骤4、将待反演的nmr弛豫信号输入到步骤3中学习得到的预测模型中进行预测，输出对应的预测nmr弛豫时间谱。2.根据权利要求1所述的一种基于有监督深度神经网络的nmr弛豫时间反演方法，其特征在于，所述的步骤1中构建样本对数据集包括以下步骤：模拟反演核矩阵k，模拟连续的nmr弛豫时间谱，模拟噪声，根据可计算出含噪声的nmr弛豫信号，构建样本对数据集。3.根据权利要求2所述的一种基于有监督深度神经网络的nmr弛豫时间反演方法，其特征在于，所述模拟反演核矩阵k包括以下步骤：预定义回波信号参数，具体为：预定义回波信号个数，预定义相邻两个回波信号的采样时间点的间隔；预定义nmr弛豫时间参数，具体为：预定义nmr弛豫时间的个数，在nmr弛豫时间范围内对数布点多个预定义的nmr弛豫时间；根据上述设置的回波信号参数以及nmr弛豫时间参数计算反演核矩阵k。4.根据权利要求2所述的一种基于有监督深度神经网络的nmr弛豫时间反演方法，其特征在于，所述模拟连续的nmr弛豫时间谱包括以下步骤：在对数尺度上随机产生4个具有随机峰半高宽、随机位置和随机相对幅度的高斯函数来模拟连续的nmr弛豫时间谱f，谱峰的半高宽在0.1~1之间，谱峰的位置在上述多个预定义的nmr弛豫时间的最大值到最小值的范围内变化。5.根据权利要求1所述的一种基于有监督深度神经网络的nmr弛豫时间反演方法，其特征在于，所述的有监督深度神经网络模型包括第一子网络和第二子网络，第一子网络包括一个输入层，四个隐藏层和一个输出层；第二子网络包括一个输入层，二个隐藏层和一个输
出层，第一子网络和第二子网络共用同一个输入层。6.根据权利要求1所述的一种基于有监督深度神经网络的nmr弛豫时间反演方法，其特征在于，所述的有监督深度神经网络模型训练前，有监督深度神经网络模型的超参数的设置如下：输入层、各个隐藏层和最后的输出层的初始偏置矢量均为零，迭代回合为2000，迭代算法采用的是自适应矩估计算法，学习率为0.00001。

技术总结
本发明公开了一种基于有监督深度神经网络的NMR弛豫时间反演方法，构建样本对数据集，样本对数据集为NMR弛豫信号和对应的NMR弛豫时间谱组成的样本对的集合；构建有监督深度神经网络模型，构建损失函数；根据样本对数据集生成训练数据集和验证数据集，训练有监督神经网络模型，得到的模拟NMR弛豫信号与NMR弛豫时间谱的最佳映射关系记为预测模型；将待反演的NMR弛豫信号输入到预测模型中进行预测，输出对应的预测NMR弛豫时间谱。本发明预测过程全自动，无需人工参与，无需先验信息；预测的NMR弛豫时间谱，更精确，可以提供更可靠的定量信息。息。息。


技术研发人员：刘朝阳 申胜 陈方 陈黎 陈俊飞 汪慧娟
受保护的技术使用者：中国科学院精密测量科学与技术创新研究院
技术研发日：2021.11.03
技术公布日：2021/12/3