1.一种卷积神经网络荧光光谱特征提取方法，其特征在于：包括以下内容：

首先在卷积神经网络的输入层做原始数据的预处理，通过特征区域积分找到重要光谱区域；

其次卷积神经网络采用DeepSpectra模型，在增加网络深度的同时减少每个特征图的长度，在每个卷积层输入前加入EPLS算法作为网络的稀疏约束，提高特征提取的有效性，同时每个卷积层的卷积核采用大中小三个尺度进行特征提取，将融合后信息作为特征图来增强每层的提取效果；

包括以下步骤：

(1)将测量得到的三维光谱数据通过激发波长首尾相连的形式展成一行，保留完整波长点的光谱信息；

(2)根据光谱区域激发波长和发射波长的间隔将光谱区域划分为若干个单位区域，单位区域阈值设定为单位区域最大积分值的三分之一，保留积分值大于阈值的光谱数据作为网络的输入层；

(3)设置卷积神经网络包括1个输入层、3个卷积层，2个全连接层、1个拉伸层，每个卷积层中都包括1个池化层，采用的最大池化法，采样窗口宽度为2，以采样窗口内的最大值作为特征值；所述3个卷积层为Conv1、Conv2、Conv3，所述2个全连接层为F1、F2，所述1个拉伸层为Flatten；

(4)将步骤(2)的输出数据作为网络的输入，经过EPLS稀疏约束进行稀疏表示；

(5)将稀疏表示的数据作为卷积层Conv1的输入，在Conv1中使用9个卷积核，3个卷积核的大小为3，作为小尺度特征提取，3个卷积核的大小为5，作为中尺度特征提取，3个卷积核的大小为8，作为大尺度特征提取，每个卷积核的步长为2，原始输入光谱的特征长度减小，由9个特征维度表示；Conv1从稀疏表示的含噪声的光谱数据中提取相关信息并去除噪声；

(6)将Conv1的输出经过EPLS稀疏约束作为卷积层Conv2的输入，在Conv2中使用18个卷积核，6个卷积核的大小为3，作为小尺度特征提取，6个卷积核的大小为5，作为中尺度特征提取，6个卷积核的大小为8，作为大尺度特征提取，每个卷积核的步长为2；光谱数据的特征长度再次降低，由18个特征维度表示；Conv2学习到更复杂更抽象的特征；

(7)将Conv2的输出经过EPLS稀疏约束作为卷积层Conv3的输入，在Conv3中使用36个卷积核，12个卷积核的大小为3，作为小尺度特征提取，12个卷积核的大小为5，作为中尺度特征提取，12个卷积核的大小为8，作为大尺度特征提取，每个卷积核的步长为2；光谱数据的特征长度再次降低，由36个特征维度表示；

(8)通过拉伸层将卷积层Conv3输出的36个长度不等的特征图转换为一维向量，并将该向量输入到全连接层F1中，F1层包含134个神经元，最终输出134个特征，F2层有3神经元，对应3个光谱类别；

(9)将LReLU函数作为Conv1、Conv2、Conv3、F1、F2的激活函数，加快收敛速度，使梯度下降和反向传播更高效，选择Adam作为梯度下降优化器，分类交叉熵损失函数作为损失函数(10)将数据集训练集数设置为40，将训练批次大小设置为30，将训练批次设置为50，训练批次大小称为batch‑size，将训练批次称为epochs；把原来的数据集打乱，取出打乱顺序后的batch‑size个样本和对应的标签进行卷积神经网络的训练，每用batch‑size个样本就调整一次权值；训练完成后把F1层得到的特征作为最终提取得到的特征向量，还有一维是对应样本索引。

2.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法，其特征在于：所述原始数据的预处理包括：通过荧光区域积分找到荧光光谱数据的特征区域，在特征区域内投将整个荧光区域划分为若干个单位区域，由于三维荧光光谱数据是离散数据，其单位区域的体积积分为式中I(λEX,λEM)为在激发波长λEX、发射波长λEM处的荧光强度，ΔλEX为激发波长间隔，ΔλEM为发射波长间隔。

3.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法，其特征在于：所述卷积层的基本卷积计算公式如下表示：其中，*表示卷积运算，l代表当前卷积层， 为当前卷积层l输出的第j个特征图，ωij为卷积层l‑1中第i个特征图上的第j组卷积核， 为l‑1层第i个特征图， 为当前层第j组卷积核的偏置项， 为l‑1层与l层间第j组卷积核运算输出的特征图数目，该卷积层共有K个特征图，激活函数运算以f()表示；卷积核内的值最初被随机设定，卷积运算的本质为卷积核内数值与局部感受野的数值加权求和，经过多次运算，卷积核内参数不断优化更新，最终趋于收敛。

4.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法，其特征在于：所述池化层的运算表达式：其中，down()表示采样过程；以l代表当前卷积层， 为当前池化层l输出的第j特征图；

为l‑1层输出的第j特征图； 是乘性偏置项； 是加性偏置项；激活函数运算以f()表示。

5.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法，其特征在于：所述全连接层的计算公式为：T

hω,b(x)＝f(ω x+b)

其中，hω,b为当前神经元的输出；x为输入神经网络的一维特征向量；ω为当前神经元连接的权值向量；b为偏置向量；f()代表激活函数。

6.根据权利要求1所述的一种卷积神经网络荧光光谱特征提取方法，其特征在于：所述LReLU函数作为激活函数，其计算公式如下：