Для обеспечения точного распознавания водных бактерий в данном исследовании использована технология проходящего спектра совместно с методом увеличения данных на основе генеративно-состязательной сети для классификации пяти типичных водных бактерий. Учитывая высокие затраты на получение образцов проходящего спектра, влияние характеристик приборов и недостаточную способность моделей к генерализации при малом объеме данных, предложена стратегия увеличения спектральных данных на основе динамически отбираемой генеративно-состязательной сети (DFGAN) и построена классификационная модель на основе сверточной нейронной сети (CNN). Первоначально собрано 600 проходящих спектров пяти бактерий при различных периодах культивирования и градиентных концентрациях в качестве исходного набора данных; затем построены глубокая сверточная генеративно-состязательная сеть (DCGAN) и DFGAN для увеличения данных, оценка качества сгенерированных спектров проведена по трем критериям: внешняя форма, статистическое распределение и разнообразие признакового пространства; в завершение сравнивалась эффективность трех классификаторов: метод опорных векторов, метод k-ближайших соседей и CNN. Результаты показали, что качество спектров, сгенерированных DFGAN, значительно превосходит DCGAN; метод DFGAN-CNN обеспечил наилучшую производительность модели распознавания водных бактерий с точностью 95.00%, точностью (precision) 95.45%, полнотой (recall) 95.00% и F1-мерой 95.00%, демонстрируя высокую точность и устойчивость. Данный метод предоставляет новый подход к обнаружению водных бактерий и техническое решение проблемы малых выборок в области спектрального анализа.

проходящий спектр;увеличение данных;водные бактерии;распознавание;динамический выбор генеративно-состязательная сеть