本發(fā)明的示例性實(shí)施例一般地涉及數(shù)據(jù)分析和處理技術(shù)，并且特別涉及用于分析觀測(cè)對(duì)象的類別的方法和裝置。
背景技術(shù)：
：顆粒分析在眾多行業(yè)和領(lǐng)域(例如包括汽車業(yè)、化工業(yè)、礦業(yè)、林業(yè)、農(nóng)業(yè)、營(yíng)養(yǎng)業(yè)、制藥業(yè)、能源業(yè)、綜合產(chǎn)業(yè)等)中都具有相當(dāng)?shù)闹匾?。以汽車業(yè)為例，可以針對(duì)從汽車的組件或零部件上落下的顆粒來進(jìn)行計(jì)數(shù)，也可以測(cè)量這些顆粒的大小。舉例來說，可以使用顯微鏡(諸如掃描型電子顯微鏡)來獲取有關(guān)這些顆粒的數(shù)量和大小的信息。如果顆粒的尺寸過大，那么可以認(rèn)為該組件或零部件的質(zhì)量不好。另外，還可以根據(jù)顆粒的大小來對(duì)這些顆粒進(jìn)行分類。但是，僅根據(jù)顆粒的大小無法跟蹤顆粒的來源，也不知道顆粒是從什么組件落下來的。因此，提供一種能夠?qū)χT如顆粒這樣的觀測(cè)對(duì)象進(jìn)行分類的有效方案是值得期待的。技術(shù)實(shí)現(xiàn)要素：根據(jù)本發(fā)明示例性實(shí)施例的第一方面，一種用于分析觀測(cè)對(duì)象的類別的方法可以包括：獲取一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息；根據(jù)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息，利用基于神經(jīng)網(wǎng)絡(luò)的分類策略來實(shí)施對(duì)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的分類預(yù)測(cè)；以及至少部分地基于所述分類預(yù)測(cè)的結(jié)果，確定所述一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別。根據(jù)本發(fā)明示例性實(shí)施例的第二方面，一種用于分析觀測(cè)對(duì)象的類別的裝置可以包括：信息獲取模塊，用于獲取一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息；分類預(yù)測(cè)模塊，用于根據(jù)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息，利用基于神經(jīng)網(wǎng)絡(luò)的分類策略來實(shí)施對(duì)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的分類預(yù)測(cè)；以及類別確定模塊，用于至少部分地基于所述分類預(yù)測(cè)的結(jié)果，確定所述一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別。根據(jù)本發(fā)明示例性實(shí)施例的第三方面，一種用于分析觀測(cè)對(duì)象的類別的裝置可以包括：至少一個(gè)處理器和存儲(chǔ)了計(jì)算機(jī)程序代碼的至少一個(gè)存儲(chǔ)器。所述至少一個(gè)存儲(chǔ)器和所述計(jì)算機(jī)程序代碼可被配置為與所述至少一個(gè)處理器一起促使所述裝置至少實(shí)施以下操作：獲取一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息；根據(jù)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息，利用基于神經(jīng)網(wǎng)絡(luò)的分類策略來實(shí)施對(duì)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的分類預(yù)測(cè)；以及至少部分地基于所述分類預(yù)測(cè)的結(jié)果，確定所述一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別。根據(jù)本發(fā)明示例性實(shí)施例的前述任意方面，所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息可以包括所述一個(gè)或多個(gè)觀測(cè)對(duì)象的能譜信息。舉例來說，所述能譜信息可以是歸一化的能譜信息。在示例性實(shí)施例中，所述能譜信息可以是能量色散譜儀(EnergyDispersiveSpectrometer，EDS)能譜信息。根據(jù)本發(fā)明示例性實(shí)施例的前述任意方面，所述獲取一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息可以包括：收集所述一個(gè)或多個(gè)觀測(cè)對(duì)象的位置信息，其中，所述位置信息指示了所述一個(gè)或多個(gè)觀測(cè)對(duì)象的位置；以及根據(jù)所述位置信息來提取所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息。根據(jù)本發(fā)明示例性實(shí)施例的前述任意方面，所述一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別可以指示以下至少一項(xiàng)：所述一個(gè)或多個(gè)觀測(cè)對(duì)象的來源、所述一個(gè)或多個(gè)觀測(cè)對(duì)象的材質(zhì)、所述一個(gè)或多個(gè)觀測(cè)對(duì)象的大小，以及所述一個(gè)或多個(gè)觀測(cè)對(duì)象的組成部分。根據(jù)本發(fā)明示例性實(shí)施例的前述任意方面，所述基于神經(jīng)網(wǎng)絡(luò)的分類策略可以包括基于支持向量機(jī)(SupportVectorMachine,SVM)的算法。根據(jù)本發(fā)明示例性實(shí)施例的前述任意方面，所述基于神經(jīng)網(wǎng)絡(luò)的分類策略可以通過網(wǎng)絡(luò)訓(xùn)練過程來定義特征信息與對(duì)象類別之間的映射關(guān)系。根據(jù)本發(fā)明示例性實(shí)施例的前述任意方面，所述網(wǎng)絡(luò)訓(xùn)練過程可以包括：獲取一個(gè)或多個(gè)訓(xùn)練對(duì)象的特征信息，其中，所述一個(gè)或多個(gè)訓(xùn)練對(duì)象的相應(yīng)類別是已知的；至少部分地基于所述一個(gè)或多個(gè)訓(xùn)練對(duì)象的特征信息和相應(yīng)類別，計(jì)算與所述映射關(guān)系相關(guān)聯(lián)的訓(xùn)練網(wǎng)絡(luò)的一個(gè)或多個(gè)參數(shù)；以及將具有所計(jì)算出的一個(gè)或多個(gè)參數(shù)的所述訓(xùn)練網(wǎng)絡(luò)確定為所述神經(jīng)網(wǎng)絡(luò)，用于預(yù)測(cè)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的分類結(jié)果。根據(jù)本發(fā)明示例性實(shí)施例的前述任意方面，可以至少部分地基于序列最小優(yōu)化(SequentialMinimumOptimization,SMO)原理來計(jì)算所述一個(gè)或多個(gè)參數(shù)。舉例來說，可以通過顯微鏡的至少一部分(諸如顯微鏡的一個(gè)或多個(gè)部件)來實(shí)施根據(jù)本發(fā)明示例性實(shí)施例的第一方面的方法。類似地，根據(jù)本發(fā)明示例性實(shí)施例的第二和/或第三方面的裝置可以是顯微鏡的至少一部分或者可以在通信上耦合于所述顯微鏡。所述顯微鏡可以是帶電粒子顯微鏡或電子顯微鏡(諸如掃描型電子顯微鏡)。通過采用依照本發(fā)明示例性實(shí)施例所提供的方法和裝置，能夠以便捷、高效和準(zhǔn)確的方式來實(shí)現(xiàn)對(duì)諸如顆粒等的觀測(cè)對(duì)象的自動(dòng)分類。附圖說明為了更清楚地說明本發(fā)明示例性實(shí)施例的技術(shù)方案，下面將對(duì)示例性實(shí)施例的附圖作簡(jiǎn)單的介紹。顯而易見地，下面描述中的附圖僅僅是示例性和說明性，而不意味著對(duì)本發(fā)明進(jìn)行任何限制。對(duì)于本領(lǐng)域普通技術(shù)人員來講，還可以根據(jù)這些附圖獲得其它附圖。當(dāng)結(jié)合附圖閱讀時(shí)，通過參照以下對(duì)說明性實(shí)施例的詳細(xì)描述，將更好地理解本發(fā)明示例性實(shí)施例的各個(gè)方面及其進(jìn)一步的目的和優(yōu)點(diǎn)，在附圖中：圖1依照本發(fā)明的示例性實(shí)施例示出了用于分析觀測(cè)對(duì)象的類別的方法的流程圖；圖2依照本發(fā)明的示例性實(shí)施例示出了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程；圖3依照本發(fā)明的示例性實(shí)施例示出了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過程；圖4依照本發(fā)明的一示例性實(shí)施例示出了用于分析觀測(cè)對(duì)象的類別的裝置的示意圖；以及圖5依照本發(fā)明的另一示例性實(shí)施例示出了用于分析觀測(cè)對(duì)象的類別的裝置的示意圖。具體實(shí)施方式為使本發(fā)明實(shí)施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將參照附圖來詳細(xì)描述本發(fā)明的實(shí)施例。顯然，所描述的實(shí)施例僅是本發(fā)明的一部分實(shí)施例，而不是全部的實(shí)施例。貫穿本說明書全文，談及特征、優(yōu)點(diǎn)或類似的措辭并非意味著可以利用本發(fā)明而實(shí)現(xiàn)的所有特征與優(yōu)點(diǎn)應(yīng)當(dāng)在或者是在本發(fā)明的任何單個(gè)的實(shí)施例中。相反，要理解涉及特征與優(yōu)點(diǎn)的措辭意味著結(jié)合實(shí)施例所描述的具體特征、優(yōu)點(diǎn)或特性包括在本發(fā)明的至少一個(gè)實(shí)施例中。因而，貫穿本說明書全文，對(duì)特征和優(yōu)點(diǎn)的討論以及類似的措辭可以指同一實(shí)施例，但卻不一定指同一實(shí)施例。此外，所描述的本發(fā)明的特征、優(yōu)點(diǎn)以及特性可以用任何合適的方式合并在一個(gè)或多個(gè)實(shí)施例中。相關(guān)領(lǐng)域的技術(shù)人員將會(huì)認(rèn)識(shí)到，可以在沒有特定實(shí)施例的一個(gè)或多個(gè)具體特征或優(yōu)點(diǎn)的情況下實(shí)踐本發(fā)明。在其它的示例中，可以在某些實(shí)施例中實(shí)現(xiàn)附加的特征和優(yōu)點(diǎn)，其不一定出現(xiàn)于本發(fā)明的所有實(shí)施例之中。根據(jù)本發(fā)明的示例性實(shí)施例，術(shù)語“樣本”、“樣品”、“待測(cè)物”和類似術(shù)語可互換地用于表示依照本發(fā)明示例性實(shí)施例而提出的技術(shù)方案適用的對(duì)象。進(jìn)一步地，當(dāng)在文中進(jìn)行描述時(shí)，各種信息、數(shù)據(jù)、圖像、消息或其它通信可以被從一個(gè)部件或裝置發(fā)送或傳送到另一部件或裝置。應(yīng)當(dāng)理解，傳送信息、數(shù)據(jù)、圖像、消息或其它通信可以不僅包括對(duì)所述信息、數(shù)據(jù)、圖像、消息或其它通信的傳送，而且還可以包括對(duì)所述信息、數(shù)據(jù)、圖像、消息或其它通信的準(zhǔn)備。因此，對(duì)任何此類術(shù)語的使用都不應(yīng)認(rèn)為是限制本發(fā)明實(shí)施例的精神和范圍。通過顆粒分析可以獲知顆粒的成分，對(duì)顆粒進(jìn)行分類，追溯顆粒的來源，并且由此判斷相關(guān)部件或產(chǎn)品的質(zhì)量和性能。舉例來說，可以利用光學(xué)顯微鏡技術(shù)和電子顯微鏡技術(shù)來進(jìn)行顆粒分析。在使用光學(xué)顯微鏡的情形中，通過比較明場(chǎng)、偏光下顆粒圖像的不同，并且結(jié)合顆粒的形狀，可以將顆粒分為金屬顆粒、非金屬顆粒和纖維。此外，根據(jù)顆粒的大小，可以將不同類型的顆粒分級(jí)。然而，該方案只能將顆?；\統(tǒng)地分為三類，并按照大小來評(píng)級(jí)，卻無法知道顆粒的成分，進(jìn)而無法追溯顆粒的來源。在使用電子顯微鏡的情形中，通過電子顯微鏡的圖像或照片，可以獲取顆粒的位置、大小等信息，再利用顆粒的能譜信息，可以對(duì)顆粒進(jìn)行分類和評(píng)級(jí)。如果分類的原則是基于顆粒的來源，那么還可以追蹤顆粒的來源。然而，該方案需要建立用于顆粒分類的數(shù)據(jù)庫(kù)。建立該數(shù)據(jù)庫(kù)的過程需要結(jié)合顆粒本身的材料成分和研究人員的經(jīng)驗(yàn)，而由于材料本身的復(fù)雜性，很難建立一個(gè)良好的數(shù)據(jù)庫(kù)來對(duì)顆粒進(jìn)行分類。舉例來說，一種采用能量色散譜儀(EnergyDispersiveSpectrometer，EDS)信息來實(shí)現(xiàn)顆粒分類的方案是根據(jù)化學(xué)成分來對(duì)顆粒進(jìn)行分類并跟蹤顆粒的來源。在獲得了每個(gè)顆粒的EDS結(jié)果的情況下，可以使用EDS數(shù)據(jù)庫(kù)把它們分為不同的類型。具體而言，可以使用EDS來獲得每個(gè)顆粒的元素組成。例如，已知顆粒是由90％的鐵(Fe)和10％的硫(S)組成。由于不同的材料具有不同的元素組成，可以基于EDS信息將這些顆粒分為不同的材料，進(jìn)而可以跟蹤顆粒的來源。由此可見，基于EDS信息的分類方法需要設(shè)定各種顆粒類型中每個(gè)顆粒的元素范圍，而具體的分類規(guī)則便取決于對(duì)該范圍的設(shè)定。設(shè)置EDS數(shù)據(jù)庫(kù)的常規(guī)方法是基于特定元素百分含量的范圍。例如，如果要對(duì)FeMnCr顆粒進(jìn)行分類，則需要手動(dòng)地對(duì)數(shù)據(jù)庫(kù)進(jìn)行如下設(shè)置：{鐵(Fe)：90-98％；錳(Mn)：1-2％；鉻(Cr)：0.1-2％}。然而，這種顆粒分類方法的可行性和準(zhǔn)確度是有限的。一方面，顆粒及其類型的數(shù)量總是過大，因而難以實(shí)現(xiàn)有效的人工分類。另一方面，每種顆粒類型的EDS結(jié)果變化較多。由于這種限制，很難找到一種明確的規(guī)則或標(biāo)準(zhǔn)來利用顆粒的化學(xué)組成對(duì)顆粒進(jìn)行分類。實(shí)際上，如果顆粒只含有特定的元素，諸如FeMnCr，那么為每個(gè)元素設(shè)置合理的比例是可行的。然而，當(dāng)顆粒類型的數(shù)量增加時(shí)，這就變得不可行了，因?yàn)闆]辦法顧及所有類型的顆粒。此外，考慮到一些材料之間的成分差異很小，其顆粒可能含有大量類似的元素，諸如CuZn16，CuZn33，CuZn16Si，這會(huì)使顆粒分類處理的情況變得更糟。即便是相同材料的顆粒，由于材料天然的不均勻性，這些顆粒的主要成分之間的百分含量也存在差異，甚至一些顆粒的成分含量誤差大于20％。由此可見，由于顆粒本身的復(fù)雜性，人工很難對(duì)較多種類或類別的顆粒建立一個(gè)精確的標(biāo)準(zhǔn)分類數(shù)據(jù)庫(kù)。根據(jù)本發(fā)明的示例性實(shí)施例，提供了一種用于分析觀測(cè)對(duì)象的類別的方案，其通過利用基于神經(jīng)網(wǎng)絡(luò)的分類策略來實(shí)現(xiàn)對(duì)諸如顆粒、微粒、樣品等待測(cè)物或觀測(cè)對(duì)象的自動(dòng)分類。這種分類方案的實(shí)施無需人工參與，用戶也不需要知道觀測(cè)對(duì)象本身的具體材料或元素構(gòu)成，因而在提供較高分類精確度的同時(shí)還降低了操作的復(fù)雜度。圖1依照本發(fā)明的示例性實(shí)施例示出了用于分析觀測(cè)對(duì)象的類別的方法的流程圖?？梢酝ㄟ^各種設(shè)備或裝置來實(shí)現(xiàn)圖1所示的方法。所述設(shè)備或裝置可以是任何類型的電子設(shè)備或裝置，包括但不限于數(shù)據(jù)處理設(shè)備、數(shù)據(jù)分析儀、計(jì)算設(shè)備、觀測(cè)儀、顯微鏡、能譜儀、測(cè)量?jī)x、個(gè)人數(shù)字助理、數(shù)字記錄儀、監(jiān)測(cè)器、傳感器、多媒體設(shè)備和/或控制臺(tái)等。根據(jù)圖1所示的方法，在步驟102中，可以獲取一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息。舉例來說，所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息可以包括所述一個(gè)或多個(gè)觀測(cè)對(duì)象的能譜信息?？蛇x地或附加地，所述特征信息也可以包括與觀測(cè)對(duì)象的來源、類別、成分和/或材料等相關(guān)聯(lián)的任何其它信息。利用各種適當(dāng)?shù)脑O(shè)備或裝置(諸如掃描型電子顯微鏡和能譜儀)，通過掃描一個(gè)或多個(gè)觀測(cè)對(duì)象，可以獲得所述一個(gè)或多個(gè)觀測(cè)對(duì)象的能譜數(shù)據(jù)或信息。根據(jù)本發(fā)明的示例性實(shí)施例，所述一個(gè)或多個(gè)觀測(cè)對(duì)象可以包括一個(gè)或多個(gè)顆粒，例如來自相同或不同材料/物品的顆粒。需要通過觀測(cè)所述顆粒來分析其相應(yīng)的類別。可以理解，除了顆粒之外，如圖1所示的方法還可應(yīng)用于需要分析或確定類別的任何其它待測(cè)物。根據(jù)本發(fā)明的示例性實(shí)施例，獲取一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息的步驟102可以具體包括：收集所述一個(gè)或多個(gè)觀測(cè)對(duì)象的位置信息，其中，所述位置信息指示了所述一個(gè)或多個(gè)觀測(cè)對(duì)象的位置；以及根據(jù)所述位置信息來提取所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息。舉例來說，可以利用電子顯微鏡來掃描觀測(cè)對(duì)象(諸如待測(cè)樣品顆粒)并得到相應(yīng)的圖像。通過適當(dāng)?shù)膱D像處理方法，可以得到觀測(cè)對(duì)象的位置信息(諸如絕對(duì)坐標(biāo)和/或相對(duì)坐標(biāo))，并由此確定觀測(cè)對(duì)象的位置。通過利用能譜儀，可得到位于不同位置的觀測(cè)對(duì)象的原始特征數(shù)據(jù)(例如能譜數(shù)據(jù))?？蛇x地或附加地，可以對(duì)所得到的原始特征數(shù)據(jù)進(jìn)行適當(dāng)?shù)奶幚?，例如歸一化處理或者按照預(yù)設(shè)的規(guī)則所進(jìn)行的任何其它處理。視情況，可以將原始特征數(shù)據(jù)或者經(jīng)處理的特征數(shù)據(jù)作為特征信息用于后續(xù)進(jìn)行的類別分析過程。根據(jù)本發(fā)明的示例性實(shí)施例，可以在無需收集一個(gè)或多個(gè)觀測(cè)對(duì)象的位置信息的情況下，從已經(jīng)采集或存儲(chǔ)了觀測(cè)對(duì)象的特征信息的其它裝置或設(shè)備(例如能譜儀、傳感器和/或數(shù)據(jù)庫(kù)等)直接或間接地(例如通過接收、檢索和/或讀取等)獲得所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息。可選地，可以結(jié)合使用通過這種方式獲得的特征信息與根據(jù)位置信息提取的特征信息。在步驟104中，根據(jù)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息，可以利用基于神經(jīng)網(wǎng)絡(luò)的分類策略來實(shí)施對(duì)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的分類預(yù)測(cè)。根據(jù)本發(fā)明的示例性實(shí)施例，所述基于神經(jīng)網(wǎng)絡(luò)的分類策略可以通過網(wǎng)絡(luò)訓(xùn)練過程來定義特征信息與對(duì)象類別之間的映射關(guān)系。換句話說，所定義的映射關(guān)系可以指示或表明觀測(cè)對(duì)象的特征信息與類別之間的關(guān)聯(lián)性，并且能夠從某種程度上體現(xiàn)出針對(duì)觀測(cè)對(duì)象的分類規(guī)則。舉例來說，所述網(wǎng)絡(luò)訓(xùn)練過程可以包括：獲取一個(gè)或多個(gè)訓(xùn)練對(duì)象的特征信息，其中，所述一個(gè)或多個(gè)訓(xùn)練對(duì)象的相應(yīng)類別是已知的；至少部分地基于所述一個(gè)或多個(gè)訓(xùn)練對(duì)象的特征信息和相應(yīng)類別，計(jì)算與所述映射關(guān)系相關(guān)聯(lián)的訓(xùn)練網(wǎng)絡(luò)的一個(gè)或多個(gè)參數(shù)；以及將具有所計(jì)算出的一個(gè)或多個(gè)參數(shù)的所述訓(xùn)練網(wǎng)絡(luò)確定為所述神經(jīng)網(wǎng)絡(luò)，用于預(yù)測(cè)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的分類結(jié)果。所述一個(gè)或多個(gè)訓(xùn)練對(duì)象可以包括與所述一個(gè)或多個(gè)觀測(cè)對(duì)象來自相同或不同物品/樣品的顆粒。在實(shí)踐中，可以同時(shí)或者按照先后順序來采集訓(xùn)練對(duì)象和觀測(cè)對(duì)象的特征信息。換句話說，在分析觀測(cè)對(duì)象的類別時(shí)，可以利用預(yù)先構(gòu)建和存儲(chǔ)的訓(xùn)練網(wǎng)絡(luò)；或者在不具有可用的訓(xùn)練網(wǎng)絡(luò)，但卻具有一些已知種類的標(biāo)準(zhǔn)樣品的情況下，也可以利用這些標(biāo)準(zhǔn)樣品來臨時(shí)構(gòu)建訓(xùn)練網(wǎng)絡(luò)。舉例來說，可以利用電子顯微鏡來掃描訓(xùn)練對(duì)象(諸如標(biāo)準(zhǔn)樣品顆粒)并得到相應(yīng)的圖像。通過適當(dāng)?shù)膱D像處理方法，可以得到訓(xùn)練對(duì)象的位置信息(諸如絕對(duì)坐標(biāo)和/或相對(duì)坐標(biāo))，并由此確定訓(xùn)練對(duì)象的位置。通過利用能譜儀，可得到位于不同位置的訓(xùn)練對(duì)象的原始特征數(shù)據(jù)(例如能譜數(shù)據(jù))，并且視情況將原始特征數(shù)據(jù)或者經(jīng)處理的特征數(shù)據(jù)作為訓(xùn)練對(duì)象的特征信息用于網(wǎng)絡(luò)訓(xùn)練過程。由此可見，神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程利用了已知類別或種類的訓(xùn)練對(duì)象的特征信息與對(duì)象類別之間的關(guān)聯(lián)性，并通過構(gòu)建訓(xùn)練模型或訓(xùn)練網(wǎng)絡(luò)等方式，將這樣的關(guān)聯(lián)性用于對(duì)未知類別或種類的觀測(cè)對(duì)象的分類預(yù)測(cè)。特別地，為了提高分類預(yù)測(cè)的準(zhǔn)確性，訓(xùn)練過程可以包括對(duì)訓(xùn)練網(wǎng)絡(luò)的參數(shù)配置和取值的優(yōu)化過程。舉例來說，可以至少部分地基于SMO原理來計(jì)算訓(xùn)練網(wǎng)絡(luò)的一個(gè)或多個(gè)參數(shù)。此外，由于不同的分類算法可具有不同的參數(shù)設(shè)置，因此，可以根據(jù)不同的應(yīng)用場(chǎng)景和測(cè)試對(duì)象來選擇適合的分類算法，以便反映不同的分類規(guī)則。根據(jù)本發(fā)明的示例性實(shí)施例，所述基于神經(jīng)網(wǎng)絡(luò)的分類策略可以包括基于SVM的算法。按照基于SVM的算法，給定一組訓(xùn)練對(duì)象，每個(gè)訓(xùn)練對(duì)象被標(biāo)記為屬于一個(gè)類別，通過SVM訓(xùn)練過程，可以構(gòu)建出能夠?qū)τ^測(cè)對(duì)象進(jìn)行分類的SVM模型或神經(jīng)網(wǎng)絡(luò)。例如，SVM模型或神經(jīng)網(wǎng)絡(luò)可以將各個(gè)對(duì)象映射成空間中的多個(gè)點(diǎn)，以便使得不同類別的對(duì)象由盡可能寬的間隔帶劃分開來。于是，通過將觀測(cè)對(duì)象映射到同一空間，可以基于觀測(cè)對(duì)象落在了間隔帶的哪一側(cè)來預(yù)測(cè)該觀測(cè)對(duì)象的類別。舉例來說，SVM神經(jīng)網(wǎng)絡(luò)可具有兩個(gè)參數(shù)，分別表示所輸入的對(duì)象的坐標(biāo)和類別，并且該神經(jīng)網(wǎng)絡(luò)可以自動(dòng)地為兩個(gè)不同類別的對(duì)象找到合適的界限來分隔彼此。如此，當(dāng)輸入觀測(cè)對(duì)象的坐標(biāo)時(shí)，SVM神經(jīng)網(wǎng)絡(luò)可以輸出觀測(cè)對(duì)象的類別。觀測(cè)對(duì)象的坐標(biāo)可以與觀測(cè)對(duì)象的特征相關(guān)聯(lián)，而如果觀測(cè)對(duì)象的特征與多個(gè)參量相關(guān)，那么觀測(cè)對(duì)象的坐標(biāo)可由多維向量來表示，相應(yīng)地，SVM神經(jīng)網(wǎng)絡(luò)會(huì)利用多維平面或超平面來實(shí)現(xiàn)對(duì)象類別的劃分。在訓(xùn)練SVM神經(jīng)網(wǎng)絡(luò)時(shí)，僅需要針對(duì)每種對(duì)象類型提供少量的訓(xùn)練對(duì)象即可。經(jīng)訓(xùn)練的SVM神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)地對(duì)觀測(cè)對(duì)象進(jìn)行分類(例如，僅需輸入觀測(cè)對(duì)象的特征信息)，而無需人為地尋找分類規(guī)則。此外，SVM神經(jīng)網(wǎng)絡(luò)還能夠提供較高的分類準(zhǔn)確性，例如分類精度可達(dá)到90％以上?？梢岳斫?，根據(jù)本發(fā)明示例性實(shí)施例的分類策略還可以包括其它基于神經(jīng)網(wǎng)絡(luò)的分類規(guī)則或算法，或者可以將SVM算法與其它分類規(guī)則或算法進(jìn)行結(jié)合來實(shí)現(xiàn)根據(jù)本發(fā)明示例性實(shí)施例的分類策略。在步驟106中，至少部分地基于所述分類預(yù)測(cè)的結(jié)果，可以確定所述一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別。舉例來說，可以直接利用通過實(shí)施步驟104所獲得的分類預(yù)測(cè)結(jié)果來指示觀測(cè)對(duì)象的類別，例如分類預(yù)測(cè)結(jié)果可以包括指示了對(duì)象類別的特定標(biāo)識(shí)符?？蛇x地或附加地，可以綜合考慮通過實(shí)施步驟104所獲得的分類預(yù)測(cè)結(jié)果以及各種情境信息(例如操作環(huán)境、計(jì)算條件和/或數(shù)據(jù)精度等)，以便確定觀測(cè)對(duì)象的相應(yīng)類別。所述一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別可以指示以下至少一項(xiàng)：所述一個(gè)或多個(gè)觀測(cè)對(duì)象的來源、所述一個(gè)或多個(gè)觀測(cè)對(duì)象的材質(zhì)、所述一個(gè)或多個(gè)觀測(cè)對(duì)象的大小，以及所述一個(gè)或多個(gè)觀測(cè)對(duì)象的組成部分。根據(jù)本發(fā)明示例性實(shí)施例的用于分析觀測(cè)對(duì)象的類別的方案有利于用戶更輕松地建立各種樣品或顆粒的特征信息(例如EDS信息)數(shù)據(jù)庫(kù)，并且無需手動(dòng)設(shè)定元素含量范圍，而是可以通過自動(dòng)分類來確定顆粒的類別，進(jìn)而追蹤其來源。根據(jù)本發(fā)明示例性實(shí)施例的方案所涉及的網(wǎng)絡(luò)訓(xùn)練過程也易于實(shí)現(xiàn)，僅通過少量的標(biāo)準(zhǔn)樣品數(shù)據(jù)(例如顆粒的組成元素及含量)，便可以訓(xùn)練出合適的神經(jīng)網(wǎng)絡(luò)來對(duì)顆粒進(jìn)行自動(dòng)分類。該方案可以避免設(shè)置復(fù)雜但卻不那么精確的分類規(guī)則，從而降低了實(shí)現(xiàn)復(fù)雜度并且節(jié)省了操作時(shí)間?？梢酝ㄟ^顯微鏡的至少一部分(諸如顯微鏡的一個(gè)或多個(gè)部件)來實(shí)施根據(jù)本發(fā)明示例性實(shí)施例的方法。舉例來說，如圖1所示的根據(jù)本發(fā)明示例性實(shí)施例的方法可以通過電子顯微鏡來分析顆粒的特征信息(諸如能譜數(shù)據(jù))，通過標(biāo)準(zhǔn)顆粒的能譜數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并且利用經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)，根據(jù)待測(cè)顆粒的能譜數(shù)據(jù)來自動(dòng)地對(duì)顆粒進(jìn)行分類，從而得到準(zhǔn)確的顆粒分類結(jié)果。下面將結(jié)合圖2和圖3來詳細(xì)描述根據(jù)本發(fā)明示例性實(shí)施例的神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程和神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過程。圖2依照本發(fā)明的示例性實(shí)施例示出了神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程。如圖2所示，在步驟202中獲得訓(xùn)練集數(shù)據(jù)。舉例來說，利用掃描型電子顯微鏡和能譜儀，通過掃描m種類型的標(biāo)準(zhǔn)樣品，每種類型的標(biāo)準(zhǔn)樣品掃描t個(gè)(例如60個(gè))顆粒，可以得到m*t個(gè)顆粒的能譜數(shù)據(jù)。表1示例性地給出了第i個(gè)顆粒的一組能譜數(shù)據(jù)。CuZnSiPbFeSAlPMgBrCrMnSn003.944095.2470000000.8090表1在表1中，第一行的符號(hào)代表相應(yīng)的元素名稱，第二行的數(shù)字代表該元素在顆粒i中的百分比含量。由于掃描的是標(biāo)準(zhǔn)樣品顆粒，因此每組能譜數(shù)據(jù)對(duì)應(yīng)的顆粒類型是已知的?？梢詫⑦@些標(biāo)準(zhǔn)樣品顆粒的能譜數(shù)據(jù)及其對(duì)應(yīng)的顆粒類型作為訓(xùn)練集數(shù)據(jù)。在步驟204中，實(shí)施對(duì)訓(xùn)練集數(shù)據(jù)的預(yù)處理。例如，可以對(duì)所有的能譜數(shù)據(jù)進(jìn)行歸一化處理。假設(shè)訓(xùn)練集數(shù)據(jù)中總共包括P種主要元素(在該示例中，如表1所示P＝13)。這里可以根據(jù)預(yù)設(shè)的規(guī)則來確定主要元素，例如，可以認(rèn)為百分比含量>0.1％以上的才是主要元素。對(duì)于第p種元素(p＝1,2，…,P)，通過找到訓(xùn)練集數(shù)據(jù)中所有樣品顆粒的該元素原始含量的最大值xp,max和最小值xp,min，可以利用公式(1)來實(shí)現(xiàn)元素含量的歸一化處理。其中，xi,p,orignal表示顆粒i中的第p種元素的原始含量，xi,p,norm表示顆粒i中的第p種元素的歸一化含量，并且i＝1,2,…,m*t。對(duì)于顆粒i而言，可以通過向量xi來表示其所有主要元素的含量，并且向量xi的維度P取決于所有顆粒的主要元素的個(gè)數(shù)(例如13個(gè))。在步驟206中，對(duì)訓(xùn)練集進(jìn)行劃分。例如，將歸一化的m*t組能譜數(shù)據(jù)隨機(jī)劃分為q個(gè)(例如3個(gè))訓(xùn)練集，并且每個(gè)訓(xùn)練集含有組能譜數(shù)據(jù)及其對(duì)應(yīng)的顆粒類型。特別地，在經(jīng)劃分的每個(gè)訓(xùn)練集中仍然含有m種顆粒類型，因此，每個(gè)訓(xùn)練集的能譜數(shù)據(jù)依舊能夠體現(xiàn)所有相關(guān)的顆粒類型。在步驟208中，為訓(xùn)練網(wǎng)絡(luò)選擇適當(dāng)?shù)暮撕瘮?shù)?？紤]到當(dāng)前的能譜數(shù)據(jù)線性不可分，因此可以利用核函數(shù)，將線性不可分的數(shù)據(jù)映射到高維從而線性可分。舉例來說，可以使用如公式(2)中所示的高斯函數(shù)作為核函數(shù)。其中，核函數(shù)k(z1,z2)是作為輸入?yún)?shù)的兩個(gè)向量z1和z2在隱式映射過后的空間中的內(nèi)積函數(shù)表示，σ是核函數(shù)的控制參數(shù)?？梢詫w一化的能譜數(shù)據(jù)(例如向量xi)作為核函數(shù)的輸入?yún)?shù)，通過核函數(shù)來簡(jiǎn)化映射空間中的內(nèi)積運(yùn)算，從而避開直接在高維空間中的運(yùn)算。換句話說，可以認(rèn)為核函數(shù)是支持向量的內(nèi)積的表達(dá)形式。在步驟210中，選擇核函數(shù)的相關(guān)參數(shù)。根據(jù)前面結(jié)合圖1的描述可知，SVM分類的過程涉及找到分類超平面f＝wTxi+b，該分類超平面離數(shù)據(jù)點(diǎn)的間隔越大，則確信度越高，因而需要尋找?guī)缀伍g隔最大的超平面。通過數(shù)學(xué)變換，SVM分類算法可變?yōu)橥ㄟ^對(duì)公式(3)進(jìn)行求解來實(shí)現(xiàn)對(duì)輸入數(shù)據(jù)的分類。s.t.yi(wTxi+b)≥1-εi,i＝1...n(3)其中，εi是為了處理數(shù)據(jù)中的噪聲而引入的松弛變量，其控制數(shù)據(jù)或數(shù)據(jù)點(diǎn)偏離超平面的程度對(duì)分類的影響；i是樣本標(biāo)號(hào)；n是樣本總數(shù)；C是權(quán)重因子；向量w和常量b是與分類超平面相關(guān)的參數(shù)(例如，在二維空間中，w是斜率，b是截距)，wT表示向量w的轉(zhuǎn)置，||w||表示范數(shù)；向量xi是待分類對(duì)象的已知數(shù)據(jù)(例如第i個(gè)顆粒的能譜數(shù)據(jù))；而yi是分類結(jié)果。這樣，對(duì)于SVM神經(jīng)網(wǎng)絡(luò)，需要確定兩個(gè)變量：核函數(shù)變量σ和松弛變量εi。在步驟212中，引入高維拉格朗日表達(dá)式，以便確定訓(xùn)練網(wǎng)絡(luò)的參數(shù)。舉例來說，對(duì)于每個(gè)(σ,εi)的組合，都可以通過拉格朗日分解，將公式(3)轉(zhuǎn)換為公式(4)。其中，L(w,b,αi)是拉格朗日表達(dá)式；αi是表達(dá)式的系數(shù)；γi是幾何間隔，其表示數(shù)據(jù)離超平面的距離。這樣，SVM神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程便可以理解為將訓(xùn)練數(shù)據(jù)帶入拉格朗日表達(dá)式求解出系數(shù)αi的過程。舉例來說，通過計(jì)算可以將公式(4)轉(zhuǎn)換為如公式(5)所示的目標(biāo)函數(shù)。其中，<xi,xj>表示向量xi和xj的內(nèi)積；i和j表示同一訓(xùn)練集中的不同樣本標(biāo)號(hào)(諸如第i個(gè)顆粒和第j個(gè)顆粒)。在步驟214中，進(jìn)行SMO求解過程。舉例來說，通過迭代的方式，選取一對(duì)αi和αj(例如按照啟發(fā)式的選取方式)，再固定除了αi和αj之外的其它參數(shù)，確定w極值條件下的αi，然后αj由αi表示。如果滿足所有約束條件，則結(jié)束SMO求解過程，否則，更新αi，繼續(xù)進(jìn)行迭代計(jì)算。在步驟216中，為了達(dá)到訓(xùn)練網(wǎng)絡(luò)的更好的準(zhǔn)確性，可以通過交叉驗(yàn)證來得到最優(yōu)的(σ,εi)的組合。例如，可以將3個(gè)訓(xùn)練集的訓(xùn)練數(shù)據(jù)帶入拉格朗日表達(dá)式。針對(duì)每個(gè)(σ,εi)的組合，當(dāng)帶入訓(xùn)練數(shù)據(jù)后，可得到一組αi，并由此確定相應(yīng)的SVM訓(xùn)練網(wǎng)絡(luò)。因此，對(duì)于3個(gè)訓(xùn)練集的交叉驗(yàn)證，首先將第1、2組數(shù)據(jù)合并為訓(xùn)練集，計(jì)算得到αi，再將第3組數(shù)據(jù)作為驗(yàn)證集，帶入具有該αi值的訓(xùn)練網(wǎng)絡(luò)，得到預(yù)測(cè)結(jié)果，通過將預(yù)測(cè)結(jié)果與實(shí)際結(jié)果(即已知的分類結(jié)果)進(jìn)行比較，可以得到第一個(gè)準(zhǔn)確率。保持(σ,εi)不變，再分別將第2、3組數(shù)據(jù)，第1、3組數(shù)據(jù)作為訓(xùn)練集，余下一組作為驗(yàn)證集，得到另外兩個(gè)準(zhǔn)確率。可以選取這三個(gè)準(zhǔn)確率的平均值作為該組(σ,εi)的準(zhǔn)確率。可以嘗試不同的(σ,εi)組合(例如隨機(jī)選取(σ,εi)組合)，通過重復(fù)步驟210-216，直到得到最優(yōu)(即預(yù)測(cè)準(zhǔn)確率最高)的(σ,εi)組合，或者直到得到預(yù)測(cè)準(zhǔn)確率超過指定門限(例如準(zhǔn)確率>90％)的一組(σ,εi)，作為最終確定的最優(yōu)(σ,εi)組合。在步驟218中，將所有訓(xùn)練集數(shù)據(jù)帶入拉格朗日表達(dá)式，從而確定經(jīng)優(yōu)化的訓(xùn)練網(wǎng)絡(luò)的參數(shù)。舉例來說，根據(jù)在步驟216中確定的最優(yōu)(σ,εi)組合，并且在步驟218中將所有訓(xùn)練集數(shù)據(jù)(例如每種顆粒類型的60個(gè)顆粒樣本)全部帶入拉格朗日表達(dá)式，那么在步驟220中，通過SMO方法，可以計(jì)算得到αi的系數(shù)，并在步驟222中將其保存為訓(xùn)練網(wǎng)絡(luò)的參數(shù)。實(shí)際上，在SVM算法中，只有所謂的“支持向量”的對(duì)應(yīng)αi才有意義，大部分的αi等于0。利用如圖2所示的訓(xùn)練過程以及相應(yīng)的步驟，可以確定用于對(duì)觀測(cè)對(duì)象進(jìn)行分類的神經(jīng)網(wǎng)絡(luò)?？梢岳斫猓?jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)及其相關(guān)參數(shù)可被保存到預(yù)先確定的存儲(chǔ)位置，并且可選地，可以根據(jù)需要對(duì)其進(jìn)行相應(yīng)的更新(例如，更新與神經(jīng)網(wǎng)絡(luò)相關(guān)的一個(gè)或多個(gè)參數(shù)、分類準(zhǔn)則和/或算法)，從而使得分類預(yù)測(cè)更為便捷和準(zhǔn)確。圖3依照本發(fā)明的示例性實(shí)施例示出了神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)過程。利用如圖2所示的過程訓(xùn)練得到的神經(jīng)網(wǎng)絡(luò)(例如SVM神經(jīng)網(wǎng)絡(luò))，可以分析和確定觀測(cè)對(duì)象的相應(yīng)類別。為了獲得與觀測(cè)對(duì)象(諸如顆粒)有關(guān)的信息，在步驟302中，掃描整張濾膜圖像。例如，通過掃描型電子顯微鏡，可以得到整張濾膜的圖像，該圖像含有濾膜和濾膜上的顆粒的相關(guān)信息。在步驟304中，提取顆粒位置信息。通過適當(dāng)?shù)膱D像處理方法，例如根據(jù)灰度值和梯度值，可以自動(dòng)提取出濾膜上顆粒的輪廓，從而得到顆粒在圖像上的位置。舉例來說，在掃描濾膜圖像時(shí)，可以記錄載物臺(tái)的位置信息(例如與圖像有關(guān)的坐標(biāo)和縮放比例)，這樣就可以結(jié)合圖像而得到每個(gè)顆粒在載物臺(tái)上的坐標(biāo)。在步驟306中，獲取顆粒能譜信息。根據(jù)在步驟304中獲得的顆粒位置信息，將顆粒移動(dòng)到電子顯微鏡電子槍的焦點(diǎn)處，利用能譜儀，可以得到顆粒的能譜信息(例如，顆粒中每種元素所占的比例)。在步驟308中，將能譜信息輸入神經(jīng)網(wǎng)絡(luò)(諸如SVM神經(jīng)網(wǎng)絡(luò))。舉例來說，輸入SVM神經(jīng)網(wǎng)絡(luò)的能譜信息可以是經(jīng)歸一化處理后的顆粒的元素比例。這里采用的歸一化方法與訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)所采用的歸一化方法相同。在步驟310中，實(shí)施神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)。對(duì)于訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，其所采用的分類預(yù)測(cè)算法的相關(guān)參數(shù)是已經(jīng)確定的，因而可以根據(jù)合適的輸入數(shù)據(jù)來輸出相應(yīng)的分類預(yù)測(cè)結(jié)果。舉例來說，在SVM神經(jīng)網(wǎng)絡(luò)中，可以利用諸如這樣的涉及分類預(yù)測(cè)的表達(dá)式。由于已經(jīng)在網(wǎng)絡(luò)訓(xùn)練過程中確定了系數(shù)αi和核函數(shù)k(xi,x)中的變量σ，而b是已知的參數(shù)，xi和yi是訓(xùn)練集數(shù)據(jù)，因此，將待測(cè)顆粒的能譜數(shù)據(jù)x帶入該表達(dá)式進(jìn)行計(jì)算，并結(jié)合預(yù)先確定的分類判定準(zhǔn)則(例如，利用SVM分類算法中的超平面)，可以得到對(duì)該顆粒的分類預(yù)測(cè)結(jié)果。通過重復(fù)步驟304-310，可以對(duì)逐個(gè)掃描的所有顆粒實(shí)施相應(yīng)的神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)。在步驟312中，輸出預(yù)測(cè)結(jié)果。根據(jù)針對(duì)所有顆粒的預(yù)測(cè)結(jié)果，可以得到所有顆粒的分類數(shù)據(jù)。結(jié)合圖1-圖3的描述可以看出，根據(jù)本發(fā)明示例性實(shí)施例所提出的方案通過利用基于神經(jīng)網(wǎng)絡(luò)的分類策略(例如SVM神經(jīng)網(wǎng)絡(luò)算法)，可以簡(jiǎn)化用于觀測(cè)對(duì)象的分類數(shù)據(jù)庫(kù)建立的過程，并且能夠達(dá)到較高(例如大于90％)的分類準(zhǔn)確性。根據(jù)本發(fā)明的示例性實(shí)施例，在制備訓(xùn)練集數(shù)據(jù)和/或測(cè)試集數(shù)據(jù)的過程中，可以將樣品放入電子顯微鏡依次掃描?？蛇x地，通過適當(dāng)?shù)膱D像處理方法，可以將樣品劃分成位于不同區(qū)域的顆粒。通過能譜儀可以得到不同顆粒的能譜信息。舉例來說，針對(duì)每種樣品，可以掃描大約500-1000個(gè)顆粒。從每個(gè)樣品/區(qū)域獲得的數(shù)據(jù)中，可以隨機(jī)選擇例如50個(gè)顆粒的能譜數(shù)據(jù)作為訓(xùn)練集，余下顆粒的能譜數(shù)據(jù)作為測(cè)試集。這樣，對(duì)于訓(xùn)練集和測(cè)試集，均可以得到相應(yīng)的能譜數(shù)據(jù)及其對(duì)應(yīng)的正確顆粒分類。可以利用訓(xùn)練集的對(duì)應(yīng)的正確顆粒分類來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，并且可以利用測(cè)試集的對(duì)應(yīng)的正確顆粒分類來驗(yàn)證經(jīng)訓(xùn)練的神經(jīng)網(wǎng)絡(luò)的分類準(zhǔn)確性。通過將訓(xùn)練集和測(cè)試集的能譜數(shù)據(jù)進(jìn)行歸一化處理，可以利用訓(xùn)練集數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)(例如根據(jù)圖2所示的過程來訓(xùn)練SVM網(wǎng)絡(luò))。表2示例性地給出了兩種類型(樣品1和樣品2)的樣品顆粒的能譜數(shù)據(jù)(無數(shù)值表示含量為0)，其中每種類型包括5個(gè)樣品顆粒。CuZnSiPbFeSAlPMgBrCrMnSn樣品3.94495.2470.80913.87895.2490.87313.72494.5370.4130.4460.8813.28795.6121.10113.6495.4190.94178.47617.3212.8081.1250.271278.78317.6462.4240.860.286279.3317.442.830.2860.1279.36217.4582.5730.360.248279.36617.5472.8130.2742表2按照本發(fā)明示例性實(shí)施例所描述的神經(jīng)網(wǎng)絡(luò)訓(xùn)練方法(例如SVM網(wǎng)絡(luò)訓(xùn)練方法)，可以選定高斯函數(shù)作為核函數(shù)，利用訓(xùn)練集數(shù)據(jù)來訓(xùn)練神經(jīng)網(wǎng)絡(luò)，通過交叉驗(yàn)證的方式得到最優(yōu)的網(wǎng)絡(luò)參數(shù)(例如核函數(shù)變量σ和松弛變量εi)，并保存完成訓(xùn)練的神經(jīng)網(wǎng)絡(luò)。將測(cè)試集數(shù)據(jù)輸入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，可以自動(dòng)獲得相應(yīng)的分類預(yù)測(cè)結(jié)果。在該示例中，對(duì)于測(cè)試集的顆粒，由于其對(duì)應(yīng)的正確分類也是已知的，因此，將正確的分類與經(jīng)由神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的分類進(jìn)行比較，可以得到基于神經(jīng)網(wǎng)絡(luò)的分類預(yù)測(cè)的準(zhǔn)確性。表3示例性地給出了對(duì)于神經(jīng)網(wǎng)絡(luò)分類預(yù)測(cè)的評(píng)估結(jié)果，其中針對(duì)不同材料列出了相應(yīng)的主要元素、每組材料測(cè)試集的樣本個(gè)數(shù)(例如顆?？倲?shù))、錯(cuò)誤數(shù)量、主要錯(cuò)誤分類(例如誤判類別)以及分類準(zhǔn)確率。表3從表3中示出的評(píng)估結(jié)果可以看出，根據(jù)本發(fā)明示例性實(shí)施例所提出的基于神經(jīng)網(wǎng)絡(luò)的分類策略的準(zhǔn)確率大部分都在95％左右，達(dá)到了相當(dāng)高的準(zhǔn)確性。此外，在實(shí)現(xiàn)根據(jù)本發(fā)明示例性實(shí)施例的分類方案時(shí)，無需人工參與或干涉，也無需知道觀測(cè)對(duì)象或待測(cè)樣品本身的材料構(gòu)成，便可以根據(jù)觀測(cè)對(duì)象(諸如顆粒)的能譜信息來自動(dòng)地對(duì)該觀測(cè)對(duì)象進(jìn)行分類。這不僅避免了對(duì)繁瑣和復(fù)雜的分類規(guī)則及數(shù)據(jù)庫(kù)的建立，而且還以高效省時(shí)的方式提供了良好的分類性能。圖4依照本發(fā)明的一示例性實(shí)施例示出了用于分析觀測(cè)對(duì)象的類別的裝置400的示意圖。舉例來說，可以將裝置400部署或設(shè)計(jì)成獨(dú)立的分析設(shè)備，或者將裝置400部署或集成到顯微鏡和/或能譜儀等設(shè)備，以便實(shí)現(xiàn)依照本發(fā)明示例性實(shí)施例的方案。在示例性實(shí)施例中，裝置400可以是顯微鏡的至少一部分或者在通信上耦合于顯微鏡。如圖4所示，裝置400可以包括信息獲取模塊401、分類預(yù)測(cè)模塊402和類別確定模塊403。根據(jù)本發(fā)明的示例性實(shí)施例，信息獲取模塊401可用于獲取一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息。分類預(yù)測(cè)模塊402可用于根據(jù)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息，利用基于神經(jīng)網(wǎng)絡(luò)的分類策略來實(shí)施對(duì)所述一個(gè)或多個(gè)觀測(cè)對(duì)象的分類預(yù)測(cè)。類別確定模塊403可用于至少部分地基于所述分類預(yù)測(cè)的結(jié)果，確定所述一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別?？梢岳斫?，可對(duì)圖4中所示的裝置400的模塊進(jìn)行添加、刪除、替換、合并和/或拆分，以便實(shí)現(xiàn)如結(jié)合圖1-3所示的方法步驟和/或功能。舉例來說，信息獲取模塊401可以獨(dú)立地或者借助于一個(gè)或多個(gè)子模塊來收集所述一個(gè)或多個(gè)觀測(cè)對(duì)象的位置信息，其中，所述位置信息指示了所述一個(gè)或多個(gè)觀測(cè)對(duì)象的位置；以及根據(jù)所述位置信息來提取所述一個(gè)或多個(gè)觀測(cè)對(duì)象的特征信息。分類預(yù)測(cè)模塊402可以獨(dú)立地或者借助于一個(gè)或多個(gè)子模塊，通過網(wǎng)絡(luò)訓(xùn)練過程來定義特征信息與對(duì)象類別之間的映射關(guān)系?？蛇x地或附加地，類別確定模塊403可以獨(dú)立地或者借助于一個(gè)或多個(gè)子模塊，利用所確定的一個(gè)或多個(gè)觀測(cè)對(duì)象的相應(yīng)類別來指示以下至少一項(xiàng)：所述一個(gè)或多個(gè)觀測(cè)對(duì)象的來源、所述一個(gè)或多個(gè)觀測(cè)對(duì)象的材質(zhì)，以及所述一個(gè)或多個(gè)觀測(cè)對(duì)象的組成部分。圖5依照本發(fā)明的另一示例性實(shí)施例示出了用于分析觀測(cè)對(duì)象的類別的裝置500的示意圖。舉例來說，可以將裝置500部署或設(shè)計(jì)成獨(dú)立的分析設(shè)備，或者將裝置500部署或集成到顯微鏡和/或能譜儀等設(shè)備，以便實(shí)現(xiàn)依照本發(fā)明示例性實(shí)施例的方案。在示例性實(shí)施例中，裝置500可以是顯微鏡的至少一部分或者在通信上耦合于顯微鏡。如圖5所示，裝置500可以包括至少一個(gè)處理器501，以及包括計(jì)算機(jī)程序代碼502的至少一個(gè)存儲(chǔ)器503。所述至少一個(gè)存儲(chǔ)器503和所述計(jì)算機(jī)程序代碼502可配置為與所述至少一個(gè)處理器501一起使得裝置500執(zhí)行結(jié)合圖1-3所描述的方法步驟和/或功能。舉例來說，處理器501可以經(jīng)由用于在裝置500的組件之間傳遞信息的總線來與存儲(chǔ)器503進(jìn)行通信。存儲(chǔ)器503例如可以包括易失性和/或非易失性存儲(chǔ)器。存儲(chǔ)器503可以被配置為存儲(chǔ)信息、數(shù)據(jù)、內(nèi)容、應(yīng)用、指令等，用于使裝置500能夠根據(jù)本發(fā)明的示例性實(shí)施例執(zhí)行各種功能。處理器501可以通過多種不同的方式來體現(xiàn)。例如，處理器可被體現(xiàn)為各種硬件處理構(gòu)件中的一個(gè)或多個(gè)，所述硬件處理構(gòu)件例如是協(xié)處理器、微處理器、控制器、數(shù)字信號(hào)處理器(DSP)、具有或不具有隨附DSP的處理元件，或者各種其它處理電路，所述其它處理電路包括例如像專用集成電路(ASIC)、現(xiàn)場(chǎng)可編程門陣列(FPGA)、微控制器單元(MCU)、硬件加速器或?qū)Ｓ糜?jì)算機(jī)芯片等這樣的集成電路。如此，在某些實(shí)施例中，所述處理器可以包括一個(gè)或多個(gè)被配置為獨(dú)立地執(zhí)行的處理核心。多核處理器可以在單個(gè)物理封裝內(nèi)實(shí)現(xiàn)多處理。附加地或可選地，所述處理器可以包括一個(gè)或多個(gè)被配置為經(jīng)由總線串聯(lián)的處理器，以便實(shí)現(xiàn)指令、流水線和/或多線程的獨(dú)立執(zhí)行。在示例性實(shí)施例中，處理器501可被配置為執(zhí)行存儲(chǔ)在存儲(chǔ)器503中或以別的方式對(duì)所述處理器501來說可訪問的指令?？蛇x地或附加地，所述處理器可被配置為執(zhí)行硬編碼功能。如此，不論通過硬件或軟件方法還是通過其組合進(jìn)行了配置，所述處理器均可以表示當(dāng)進(jìn)行了相應(yīng)的配置時(shí)能夠?qū)嵤└鶕?jù)本發(fā)明示例性實(shí)施例的操作的實(shí)體(例如在物理上體現(xiàn)于電路中)。因而，例如，當(dāng)所述處理器被體現(xiàn)為ASIC或FPGA等時(shí)，所述處理器可以是被專門配置用于引導(dǎo)在本文中描述的操作的硬件?？蛇x地，作為另一示例，當(dāng)所述處理器被體現(xiàn)為軟件指令的執(zhí)行器時(shí)，所述指令可以將處理器專門配置為當(dāng)所述指令被執(zhí)行時(shí)實(shí)施在本文中描述的方法和/或操作。所述處理器特別可以包括被配置為支持所述處理器的操作的時(shí)鐘、算術(shù)邏輯單元(ALU)和邏輯門。將會(huì)理解的是，流程圖的每個(gè)方框以及流程圖中的方框組合可以由各種裝置(例如硬件、固件、處理器、電路和/或與執(zhí)行包括一個(gè)或多個(gè)計(jì)算機(jī)程序指令的軟件相關(guān)聯(lián)的其它設(shè)備)來實(shí)現(xiàn)。例如，上述一個(gè)或多個(gè)過程可通過計(jì)算機(jī)程序指令來體現(xiàn)。就此而言，體現(xiàn)了上述過程的計(jì)算機(jī)程序指令可由采用本發(fā)明示例性實(shí)施例的裝置500的存儲(chǔ)器503進(jìn)行存儲(chǔ)，并由裝置500的處理器501來執(zhí)行。如可以理解的，任何這樣的計(jì)算機(jī)程序指令均可以被加載到計(jì)算機(jī)或其它可編程裝置(例如，硬件)以產(chǎn)生機(jī)器，從而使得所得到的計(jì)算機(jī)或其它可編程裝置實(shí)現(xiàn)在流程圖方框中所指定的功能。這些計(jì)算機(jī)程序指令也可以被存儲(chǔ)于計(jì)算機(jī)可讀存儲(chǔ)器，其可引導(dǎo)計(jì)算機(jī)或其它可編程裝置以特定方式運(yùn)作，從而使得存儲(chǔ)在計(jì)算機(jī)可讀存儲(chǔ)器中的指令產(chǎn)生制品，執(zhí)行該制品實(shí)現(xiàn)了流程圖方框中所指定的功能。計(jì)算機(jī)程序指令也可以被加載到計(jì)算機(jī)或其它可編程裝置上以便使得一系列操作在所述計(jì)算機(jī)或其它可編程裝置上實(shí)施，從而產(chǎn)生計(jì)算機(jī)實(shí)現(xiàn)的過程，由此使得在計(jì)算機(jī)或其它可編程裝置上執(zhí)行的指令提供用于實(shí)現(xiàn)流程圖方框中所指定的功能的操作。因此，流程圖的方框支持對(duì)用于實(shí)施指定功能的裝置的組合以及對(duì)用于實(shí)施指定功能的操作的組合。還可以理解，流程圖的一個(gè)或多個(gè)方框以及流程圖中方框的組合可以由實(shí)施指定功能的基于專用硬件的計(jì)算機(jī)系統(tǒng)或者專用硬件和計(jì)算機(jī)指令的組合來實(shí)現(xiàn)。在一些示例性實(shí)施例中，上述的某些操作可被修改或進(jìn)一步增強(qiáng)。此外，在一些示例性實(shí)施例中，可以包括附加的可選操作。上述操作的修改、添加或增強(qiáng)可以按照任何順序和按照任何組合來實(shí)施。受益于在前述描述和關(guān)聯(lián)附圖中所呈現(xiàn)的教導(dǎo)的本發(fā)明所屬領(lǐng)域的技術(shù)人員將想到在此闡述的本發(fā)明的很多修改和其它實(shí)施例。因此，應(yīng)當(dāng)理解，本發(fā)明將不限于所公開的具體實(shí)施例，并且旨在將所述修改和其它實(shí)施例包括在所附權(quán)利要求的范圍之內(nèi)。當(dāng)前第1頁1 2 3