基于脑类深层分离网络的单通道拉曼光谱解混

实际应用中获得的拉曼光谱往往是多个不同物质在测试样品中光谱的噪声组合。将其解混为对应每种物质的 individual 组件的光谱在实际应用中具有重要价值，且长期以来一直是拉曼光谱中的难题。现有解混方法主要设计用于反演过确定混合模型，因而需要多个混合光谱作为输入。然而，受控物质检测等开放域和/或非合作检测应用需要单通道解决方案，仅能通过分析单个噪声混合光谱来识别来自成千上万候选对象的 individual 组件。鉴于稀疏回归是唯一能应对此情形的已有方法，但其对噪声容忍度极低，几乎无法在实际中应用。为此，我们引入一种受脑类语音分离启发的新型神经方法，用于单通道拉曼光谱解混。该方法旨在解决欠确定系统问题，可将噪声混合光谱从包含成千上万组件（物质）的库中分解为纯净光谱。我们创建了两种单通道拉曼光谱解混的合成数据集，并在这些数据集上展示了 RSSNet 的可行性和优越性（相较于竞争方法提升 >4 dB）。此外，我们验证了仅用合成数据训练的 RSSNet 能成功解混矿物粉末混合物的真实世界混合光谱，显示出强大的泛化能力。该方法代表了拉曼解混的新范式，开启了快速检测拉曼混合物的新可能性。