1.一种一维光谱分类方法，其特征在于，所述分类方法包括：获取m个待测样品的近红外光谱原始数据，记为X＝{x1,x2,…,xi,…,xn}，n为总的波长点数，xi为标量；

截取所述近红外光谱原始数据中所有单一光谱序列的峰值数据Xf；

对所述峰值数据进行预处理；

对所述预处理后的峰值数据进行缩放，得到一维度光谱信号数据；

将所述缩放后的一维度光谱信号数据进行极坐标编码；

对所述极坐标编码后的一维度光谱信号数据进行重构，得到格拉姆角和场矩阵和格拉姆角差场矩阵；

将所述格拉姆角和场矩阵和所述格拉姆角差场矩阵存储为图像；

对所述图像进行划分，得到训练集和测试集；

采用所述训练集对卷积神经网络进行训练；

将所述测试集输入至训练好的卷积神经网络中，得到分类结果。

2.根据权利要求1所述的一维光谱分类方法，其特征在于，在对所述图像进行划分，得到训练集和测试集之后还包括：对所述训练集进行数据增强处理。

3.根据权利要求1所述的一维光谱分类方法，其特征在于，对所述预处理后的峰值数据进行缩放具体包括：

将所述预处理后的峰值数据缩放至[0,1]内，公式如下：其中， 为波长为i对应的归一化后的有效光谱吸光度值，xi为波长为i对应的原始光谱吸光度值，Xi为峰值波长范围内的光谱吸光度序列。

4.根据权利要求1所述的一维光谱分类方法，其特征在于，将所述缩放后的一维度光谱信号数据进行极坐标编码具体采用如下公式：其中， 为波长为i对应的归一化后的有效光谱吸光度值，r为半径，i＝{1,2,……,t}，t为当前的波长点数，Xf为峰值波长范围内经过缩放后的局部一维度光谱吸光度序列。

5.根据权利要求1所述的一维光谱分类方法，其特征在于，所述格拉姆角和场矩阵的表达式如下：

其中，I为单位向量，Xf为峰值波长范围内经过缩放后的局部一维度光谱吸光度序列，φi和φj分别为点i和点j的角度， 和 分别为波长为i/j对应的归一化后的有效光谱吸光度值。

6.根据权利要求1所述的一维光谱分类方法，其特征在于，所述格拉姆角差场矩阵的表达式如下：

其中，I为单位向量，Xf为峰值波长范围内经过缩放后的局部一维度光谱吸光度序列，φi和φj分别为点i和点j的角度，和 分别为波长为i/j对应的归一化后的有效光谱吸光度值。

7.根据权利要求1所述的一维光谱分类方法，其特征在于，所述训练后的卷积神经网络包括：输入层、第一卷积层、第二卷积层、第一池化层、第二池化层、第一全连接层以及第二全连接层，所述输入层、第一卷积层、第二卷积层、第一池化层、第二池化层、第一全连接层以及第二全连接层依次连接。

8.根据权利要求7所述的一维光谱分类方法，其特征在于，所述训练后的卷积神经网络还包括：规范化层和正则化层，所述规范化层和所述正则化层位于所述第二卷基层和所述第一池化层中间。

9.根据权利要求1所述的一维光谱分类方法，其特征在于，所述卷积神经网络中损失函数为交叉熵损失函数，具体公式如下：其中，a代表神经元的实际输出，y代表期望的输出。

10.一种一维光谱分类系统，其特征在于，所述系统包括：原始数据获取模块，用于获取m个待测样品的近红外光谱原始数据，记为X＝{x1,x2,…,xi,…,xn}，n为总的波长点数，xi为标量；

截取模块，用于截取所述近红外光谱原始数据中所有单一光谱序列的峰值数据，截取后的峰值数据记为Xi＝{x1,…,xi,…,xt}，t为当前的波长点数；

预处理模块，用于对所述峰值数据进行预处理；

缩放模块，用于对所述预处理后的峰值数据进行缩放，得到一维度光谱信号数据极坐标编码模块，用于将所述缩放后的一维度光谱信号数据进行极坐标编码；

重构模块，用于对所述极坐标编码后的一维度光谱信号数据进行重构，得到格拉姆角和场矩阵和格拉姆角差场矩阵；

格式转换模块，用于将所述格拉姆角和场矩阵和所述格拉姆角差场矩阵存储为图像；

图像划分模块，用于对所述图像进行划分，得到训练集和测试集；

训练模块，用于采用所述训练集对卷积神经网络进行训练；

分类结果确定模块，用于将所述测试集输入至训练好的卷积神经网络中，得到分类结果。