1.一種用于分析觀測對象的類別的方法,其包括:
獲取一個或多個觀測對象的特征信息;
根據所述一個或多個觀測對象的特征信息,利用基于神經網絡的分類策略來實施對所述一個或多個觀測對象的分類預測;以及
至少部分地基于所述分類預測的結果,確定所述一個或多個觀測對象的相應類別。
2.根據權利要求1所述的方法,其中,所述基于神經網絡的分類策略包括基于支持向量機的算法。
3.根據權利要求1或2所述的方法,其中,所述一個或多個觀測對象的特征信息包括所述一個或多個觀測對象的能譜信息。
4.根據權利要求1或2所述的方法,其中,所述一個或多個觀測對象的相應類別指示了以下至少一項:所述一個或多個觀測對象的來源、所述一個或多個觀測對象的材質、所述一個或多個觀測對象的大小,以及所述一個或多個觀測對象的組成部分。
5.根據權利要求1或2所述的方法,其中,所述獲取一個或多個觀測對象的特征信息包括:
收集所述一個或多個觀測對象的位置信息,其中,所述位置信息指示了所述一個或多個觀測對象的位置;以及
根據所述位置信息來提取所述一個或多個觀測對象的特征信息。
6.根據權利要求1或2所述的方法,其中,所述基于神經網絡的分類策略通過網絡訓練過程來定義特征信息與對象類別之間的映射關系。
7.根據權利要求6所述的方法,其中,所述網絡訓練過程包括:
獲取一個或多個訓練對象的特征信息,其中,所述一個或多個訓練對象的相應類別是已知的;
至少部分地基于所述一個或多個訓練對象的特征信息和相應類別,計算與所述映射關系相關聯(lián)的訓練網絡的一個或多個參數;以及
將具有所計算出的一個或多個參數的所述訓練網絡確定為所述神經網絡,用于預測所述一個或多個觀測對象的分類結果。
8.根據權利要求7所述的方法,其中,至少部分地基于序列最小優(yōu)化原理來計算所述一個或多個參數。
9.根據權利要求1或2所述的方法,其中,通過顯微鏡的至少一部分來實施所述方法。
10.一種用于分析觀測對象的類別的裝置,其包括:
信息獲取模塊,用于獲取一個或多個觀測對象的特征信息;
分類預測模塊,用于根據所述一個或多個觀測對象的特征信息,利用基于神經網絡的分類策略來實施對所述一個或多個觀測對象的分類預測;以及
類別確定模塊,用于至少部分地基于所述分類預測的結果,確定所述一個或多個觀測對象的相應類別。
11.根據權利要求10所述的裝置,其中,所述基于神經網絡的分類策略包括基于支持向量機的算法。
12.根據權利要求10或11所述的裝置,其中,所述一個或多個觀測對象的特征信息包括所述一個或多個觀測對象的能譜信息。
13.根據權利要求10或11所述的裝置,其中,所述一個或多個觀測對象的相應類別指示了以下至少一項:所述一個或多個觀測對象的來源、所述一個或多個觀測對象的材質、所述一個或多個觀測對象的大小,以及所述一個或多個觀測對象的組成部分。
14.根據權利要求10或11所述的裝置,其中,所述獲取一個或多個觀測對象的特征信息包括:
收集所述一個或多個觀測對象的位置信息,其中,所述位置信息指示了所述一個或多個觀測對象的位置;以及
根據所述位置信息來提取所述一個或多個觀測對象的特征信息。
15.根據權利要求10或11所述的裝置,其中,所述基于神經網絡的分類策略通過網絡訓練過程來定義特征信息與對象類別之間的映射關系。
16.根據權利要求15所述的裝置,其中,所述網絡訓練過程包括:
獲取一個或多個訓練對象的特征信息,其中,所述一個或多個訓練對象的相應類別是已知的;
至少部分地基于所述一個或多個訓練對象的特征信息和相應類別,計算與所述映射關系相關聯(lián)的訓練網絡的一個或多個參數;以及
將具有所計算出的一個或多個參數的所述訓練網絡確定為所述神經網絡,用于預測所述一個或多個觀測對象的分類結果。
17.根據權利要求16所述的裝置,其中,至少部分地基于序列最小優(yōu)化原理來計算所述一個或多個參數。
18.根據權利要求10或11所述的裝置,其中,所述裝置是顯微鏡的至少一部分或者在通信上耦合于所述顯微鏡。
19.一種用于分析觀測對象的類別的裝置,其包括至少一個處理器和存儲了計算機程序代碼的至少一個存儲器,所述至少一個存儲器和所述計算機程序代碼被配置為與所述至少一個處理器一起促使所述裝置至少實施以下操作:
獲取一個或多個觀測對象的特征信息;
根據所述一個或多個觀測對象的特征信息,利用基于神經網絡的分類策略來實施對所述一個或多個觀測對象的分類預測;以及
至少部分地基于所述分類預測的結果,確定所述一個或多個觀測對象的相應類別。
20.根據權利要求19所述的裝置,其中,所述基于神經網絡的分類策略包括基于支持向量機的算法。
21.根據權利要求19或20所述的裝置,其中,所述一個或多個觀測對象的特征信息包括所述一個或多個觀測對象的能譜信息。
22.根據權利要求19或20所述的裝置,其中,所述一個或多個觀測對象的相應類別指示了以下至少一項:所述一個或多個觀測對象的來源、所述一個或多個觀測對象的材質、所述一個或多個觀測對象的大小,以及所述一個或多個觀測對象的組成部分。
23.根據權利要求19或20所述的裝置,其中,所述獲取一個或多個觀測對象的特征信息包括:
收集所述一個或多個觀測對象的位置信息,其中,所述位置信息指示了所述一個或多個觀測對象的位置;以及
根據所述位置信息來提取所述一個或多個觀測對象的特征信息。
24.根據權利要求19或20所述的裝置,其中,所述基于神經網絡的分類策略通過網絡訓練過程來定義特征信息與對象類別之間的映射關系。
25.根據權利要求24所述的裝置,其中,所述網絡訓練過程包括:
獲取一個或多個訓練對象的特征信息,其中,所述一個或多個訓練對象的相應類別是已知的;
至少部分地基于所述一個或多個訓練對象的特征信息和相應類別,計算與所述映射關系相關聯(lián)的訓練網絡的一個或多個參數;以及
將具有所計算出的一個或多個參數的所述訓練網絡確定為所述神經網絡,用于預測所述一個或多個觀測對象的分類結果。
26.根據權利要求25所述的裝置,其中,至少部分地基于序列最小優(yōu)化原理來計算所述一個或多個參數。
27.根據權利要求19或20所述的裝置,其中,所述裝置是顯微鏡的至少一部分或者在通信上耦合于所述顯微鏡。