基于深度神经网络的光谱数据回归

##数据来源 #

前言

这篇文章介绍了用于光谱数据回归的深度神经网络（DNN）。

在第一篇文章中，我们将使用Tensorflow和Keras编写一些基础代码，对样本近红外数据进行全连

接DNN训练。 

本文的目的是为学生和实践者提供一个起点，让他们能够构建自己的DNN架构。 

文章内容

在第一部分中，我们将介绍一个简化的DNN方案，用于解释设计和训练DNN所使用的主要参数的

含义，以及一个示例工作流程。

感知器介绍：

DNN的基本构建块是感知器（有时称为神经元）。感知器是一个数学函数，它接收一组输入，

并根据这些输入的加权和和一个阈值函数生成输出。阈值函数确保如果输入的加权和超过某个阈值，

感知器将生成一个输出（神经元将“触发”）。DNN是串联感知器的序列。

训练DNN意味着找到每个神经元权重的值，以便对于任何给定的输入，系统生成的输出最小化给定训练/测试数据集的误差度量。当应用于回归问题时 - 正如我们在这里所做的

那样 - 预期DNN能够为任何给定的光谱输入生成连续输出，对应于我们通过光谱测量希望估计的参数值。

训练神经网络的数学（称为反向传播过程）需要一定程度的微