深度学习近红外光谱分类代码

这里是一个简单的基于深度学习的近红外光谱分类代码，使用Keras框架和TensorFlow后端。该代码使用具有3个隐藏层的全连接神经网络（也称为多层感知器或MLP）进行训练和预测。

import numpy as np
import pandas as pd
from sklearn.model_selection import train_test_split
from keras.models import Sequential
from keras.layers import Dense

# 读取数据集
data = pd.read_csv('spectra.csv')

# 将数据集分为特征和标签
X = data.iloc[:, :-1].values
y = data.iloc[:, -1].values

# 将标签转换为one-hot编码
n_classes = len(np.unique(y))
y = np.eye(n_classes)[y]

# 分割数据集为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)

# 创建神经网络模型
model = Sequential()
model.add(Dense(64, input_dim=X_train.shape[1], activation='relu'))
model.add(Dense(32, activation='relu'))
model.add(Dense(16, activation='relu'))
model.add(Dense(n_classes, activation='softmax'))

# 编译模型
model.compile(loss='categorical_crossentropy', optimizer='adam', metrics=['accuracy'])

# 训练模型
model.fit(X_train, y_train, validation_data=(X_test, y_test), epochs=100, batch_size=32)

# 在测试集上评估模型
loss, accuracy = model.evaluate(X_test, y_test)
print("Test loss:", loss)
print("Test accuracy:", accuracy)

你需要将代码中的`spectra.csv`替换为你自己的数据集文件名，并且根据你的数据集进行适当的调整。