1.一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于包括如下步骤：

步骤1、绘制柴油近红外光谱图并分析柴油不同牌号的分布情况，对牌号标签进行属性映射,并以柴油的不同牌号作为样本集；

步骤2、采用SMOTE对样本集进行数据均衡处理，并将样本集划分为训练集样本和测试集样本；

步骤3、用训练集样本构建一维深度卷积神经网络的近红外光谱分类模型；

步骤4、将测试集样本带入建好的模型中，获得柴油牌号识别的结果，绘制多分类混淆矩阵，并分析每个类别的识别率。

2.根据权利要求1所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：利用柴油的样本集来绘制近红外光谱图像，根据柴油的凝点，将样本牌号分为‑10#、‑20#、‑35#、‑50#和干扰共5类，分别进行属性映射，映射为类别1、2、3、4和0。

3.根据权利要求2所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：采用SMOTE对样本集进行数据均衡处理的具体流程如下：

1)：首先，对于少数类中的每一个样本x，计算其到少数类样本集中所有样本的欧式距离，得到其k近邻；

2)：根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择的近邻为xn；

3)：对于每一个xn，分别与原样本按照公式<1>构建新的样本；

xnew＝x+rand(0,1)×|x‑xn|,new∈1,2,…,N                   <1>

4)：最后，重复上述步骤N次，合成N个新样品；如果稀有类共有T个样本，则可以合成NT个新样本。

4.根据权利要求3所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：构建一维深度卷积神经网络的近红外光谱分类模型的具体方法为：对一维的近红外光谱数据，进行一些变换，使输入信号可以满足卷积神经网络的要求；

将一维近红外光谱认为是仅包含一行或一列的二维图像的特殊集合，光谱信号进行相应的扩维，并将类别标签转换成独热编码的形式；参照LetNet‑5构建一维深度卷积神经网络模型，包括输入层、两个卷积层、两个池化层、两个全连接层和输出层。

5.根据权利要求4所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：卷积层由一组参数可训练的卷积核组成，卷积核的尺寸设置为m×1，一维信号的卷积运算如公式<2>所示：

式中，l为当前的卷积层，l‑1则为第(l‑1)层卷积层，xi和yj分别代表第i个输入特征图和第j个输出特征图，*是卷积运算符，ωij代表卷积核，b为偏置，f(.)为激活函数的运算。

6.根据权利要求4所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：在卷积层中引入激活函数PReLU，该函数的表达式如<3>所示。

7.根据权利要求4所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：池化层的运算如公式<4>所示：式中，l代表当前池化层，l‑1代表第(l‑1)池化层，yj为第j个输出特征图，β是乘性偏置项，b为偏置；

池化方法为最大池化法，最大池化法采样方法按照公式<5>计算：式中，将卷积层得到的一个特征映射划分成多个区域为Xk,k∈1,2,…,K。

8.根据权利要求4所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：全连接层包括Flatten层和两个Dense层，最后一个Dense层的激活函数为Softmax，并且于全连接层中加入一定比例的随机失活，其中，全连接层按照公式<6>计算：T

hω,b(x)＝f(ωx+b)                   <6>式中，ω为神经元的权重，b为偏置，T为转置，h(x)为神经元的输出。

9.根据权利要求4所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：构建好模型之后，配置训练方法；配置的训练方法包括损失函数、优化器和评测指标，其中损失函数具体为交叉熵损失函数，其公式如<7>所示，优化器采用Adam优化，评测指标为准确率A，如公式<8>所示：式中，ni是预测样本和实际类别相同的个数，n为总样本数。

10.根据权利要求4所述的一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于：基于构建好的一维深度卷积神经网络模型，分别采用经过SMOTE过采样处理后的测试集以及原始测试集进行柴油牌号的预测，获得整体的分类识别率；随后绘制多分类混淆矩阵，并根据混淆矩阵得到精确率、召回率、准确率和平衡F分数如<9>、<10>、<11>、<12>所示：

其中，TP为将正例预测为正例的样本数，FN为将正例预测为反例的样本数，FP为将反例预测为正例的样本数，TN为将反例预测为反例的样本数。