一种指纹图谱类型识别方法、电子设备及存储介质与流程

1.本发明涉及样本分析技术领域，具体涉及一种指纹图谱类型识别方法、电子设备及存储介质。


背景技术：

2.传统的指纹图谱类型识别方法大多采用特征峰识别，但是有些指纹图谱的特征峰不明显或者为低丰度，进而不容易被检测，导致指纹图谱类型无法识别。
3.相应地，本领域需要一种新的技术方案来解决上述问题。


技术实现要素：

4.为了克服上述缺陷，提出了本发明，以提供解决或至少部分地解决如何准确地识别指纹图谱类型的技术问题的一种指纹图谱类型识别方法、电子设备及存储介质。
5.第一方面，提供一种指纹图谱类型识别方法，所述方法包括：
6.获取待识别的指纹图谱；
7.将所述待识别的指纹图谱输入由至少一个有效识别模型组成的模型集，得到指纹图谱类型识别结果，其中所述至少一个有效识别模型根据预设条件对训练好的识别模型筛选得到，其中所述识别模型基于对应的离子峰簇训练得到。
8.在上述指纹图谱类型识别方法的一个技术方案中，所述方法还包括获取模型集，其中所述获取模型集具体包括：
9.对多个识别模型进行训练，得到多个训练好的识别模型；
10.根据所述预设条件对所述多个训练好的识别模型进行筛选，得到至少一个有效识别模型；
11.将所述至少一个有效识别模型进行组合，得到所述模型集。
12.在上述指纹图谱类型识别方法的一个技术方案中，所述对多个识别模型进行训练包括：
13.获取多个训练集，其中，所述每个训练集为对应的标注了类型标签的离子峰簇；
14.将每个训练集输入对应的识别模型，分别对对应的识别模型进行训练。
15.在上述指纹图谱类型识别方法的一个技术方案中，所述获取多个训练集包括：
16.获取标注了类型标签的多个指纹图谱；
17.对所述多个指纹图谱进行归一化处理，得到所述多个指纹图谱的离子峰集合；
18.将所述离子峰集合划分为至少一个离子峰簇。
19.在上述指纹图谱类型识别方法的一个技术方案中，所述将所述离子峰集合划分为至少一个离子峰簇，包括：
20.获取所述离子峰集合中多个离子峰分布的密集程度；
21.根据所述密集程度将所述多个离子峰划分为至少一个所述离子峰簇。
22.在上述指纹图谱类型识别方法的一个技术方案中，
23.所述预设条件至少包括预设指纹图谱数量和预设准确率阈值；
24.所述根据所述预设条件对所述多个训练好的识别模型进行筛选，包括：
25.分别判断所述多个训练好的识别模型中参与训练的指纹图谱数量是否满足所述预设指纹图谱数量；
26.分别判断所述多个识别模型的准确率是否满足所述预设准确率阈值；
27.筛选出同时满足所述预设指纹图谱数量和所述预设准确率阈值的所述识别模型作为所述有效识别模型。
28.在上述指纹图谱类型识别方法的一个技术方案中，所述将所述至少一个有效识别模型进行组合，得到所述模型集，包括：
29.将多个有效识别模型以不同方式进行组合，得到由所述多个有效识别模型组成的多个模型集。
30.在上述指纹图谱类型识别方法的一个技术方案中，所述方法还包括：
31.基于所述多个模型集输出多个识别结果；
32.对所述多个识别结果进行误差函数计算；
33.基于所述误差函数计算结果分别检验所述多个模型集是否满足预设误差阈值；
34.筛选出满足所述预设误差阈值的一个或多个模型集作为训练好的模型集。
35.在第二方面，提供一种电子设备，该电子设备包括处理器和存储装置，所述存储装置适于存储多条程序代码，所述程序代码适于由所述处理器加载并运行以执行上述指纹图谱类型识别方法的技术方案中任一项技术方案所述的指纹图谱类型识别方法。
36.在第三方面，提供一种计算机可读存储介质，该计算机可读存储介质其中存储有多条程序代码，所述程序代码适于由处理器加载并运行以执行上述指纹图谱类型识别方法的技术方案中任一项技术方案所述的指纹图谱类型识别方法。
37.本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
38.在实施本发明的技术方案中，首先获取待识别的指纹图谱，然后将待识别的指纹图谱输入由至少一个有效识别模型组成的模型集，得到指纹图谱类型识别结果；其中至少一个有效识别模型根据预设条件对训练好的识别模型筛选得到，其中识别模型基于对应的离子峰簇训练得到。通过上述实施方式，能够对待识别的指纹图谱整体进行分析，摆脱了传统方法依赖于识别个别特征峰的限制，因此识别结果更加准确，并且该指纹图谱类型识别方法不受样本来源限制，更加简单可靠，适用范围也更加广泛。
附图说明
39.参照附图，本发明的公开内容将变得更易理解。本领域技术人员容易理解的是：这些附图仅仅用于说明的目的，而并非意在对本发明的保护范围组成限制。其中：
40.图1是根据本发明的一个实施例的指纹图谱类型识别方法的主要步骤流程示意图；
41.图2是根据本发明的一个实施例的获取模型集的主要步骤流程示意图；
42.图3是根据本发明的一个实施例的指纹图谱类型识别模型集的结构示意图；
43.图4是根据本发明的一个实施例的对多个识别模型进行训练的主要步骤流程示意
flightmassspectrometry，即基质辅助激光解吸电离-飞行时间质谱，是一种用于生物学领域的分析仪器。
62.svm：supportvectormachine，即支持向量机，是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalizedlinearclassifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-marginhyperplane)。
63.二元分类(dualordualisticclassification)：又称“二向分类”，指在包含两类事项的比较研究中，按两个标志所作的分类。例如在研究学生的智力与性别的关系时，按智力与性别两个标志分类，即为二元分类。对于二元分类的观测结果，需要根据数据的特征，考虑采用x2检验或二元分类的方差分析。
64.肽质量指纹图谱(peptidemassfingerprinting)：也称为蛋白质指纹，是一种蛋白质高通量分析方法，用于鉴定蛋白质。内切蛋白酶首先将未知的靶蛋白裂解为较小的肽段，这些肽的绝对质量可以使用质谱仪进行准确测量，并且还可以获得未知蛋白质的肽峰列表。
65.如背景技术所述，传统的指纹图谱类型识别方法大多采用特征峰识别，但是有些指纹图谱的特征峰不明显或者为低丰度，进而不容易被检测，导致指纹图谱类型无法识别。
66.为了解决上述问题，本发明提供了一种指纹图谱类型识别方法、电子设备及存储介质。
67.参阅附图1，图1是根据本发明的一个实施例的指纹图谱类型识别方法的主要步骤流程示意图。如图1所示，本发明实施例中的指纹图谱类型识别方法主要包括下列步骤s101至步骤s102。
68.步骤s101：获取待识别的指纹图谱。
69.步骤s102：将待识别的指纹图谱输入由至少一个有效识别模型组成的模型集，得到指纹图谱类型识别结果。
70.其中，至少一个有效识别模型根据预设条件对训练好的识别模型筛选得到。
71.其中，识别模型基于对应的离子峰簇训练得到。
72.基于上述步骤s101至步骤s102所述的方法，能够对待识别的指纹图谱整体进行分析，摆脱了传统方法依赖于识别个别特征峰的限制，因此识别结果更加准确，并且该指纹图谱类型识别方法不受样本来源限制，更加简单可靠，适用范围也更加广泛。
73.下面对上述步骤s101至步骤s102作进一步说明。
74.在上述步骤s101的一些实施方式中，可以基于maldi-tof ms设备获取待识别的指纹图谱。
75.其中，maldi-tofms设备为基质辅助激光解吸电离-飞行时间质谱，是一种用于生物学领域的分析仪器，具有灵敏度高、准确度高及分辨率高等特点，为生命科学等领域提供了一种强有力的分析测试手段，其功能可简要地概括为：
76.①
基质辅助：样本裂解，蛋白与小分子基质溶液充分混合，待溶剂挥发后形成共结晶；
77.②
激光解吸电离：激光辐射下，基质吸收能量，将电荷转移给样本分子，形成离子化样本；
78.③
飞行时间：离子化蛋白样本在电场作用下飞过飞行管道，根据质荷比(m/z)与离子飞行时间成正比的原理，不同质量离子因达到检测器的时间差异而被检测，形成不同的质量图谱；
79.④
比对鉴定：不同蛋白组成存在差异，将设备采集的未知样本的指纹图谱与数据库中已知菌种的鉴定谱图进行统计学聚类分析，获得鉴定结果。
80.因此，可以基于maldi-tofms设备采集血清、蛋白、多肽、核酸等样本的指纹图谱，此处不做限定。
81.以上是对步骤s101的说明，下面继续对步骤s102做进一步说明。
82.在上述步骤s102的一些实施方式中，将待识别的指纹图谱输入由至少一个有效识别模型组成的模型集，便可以得到指纹图谱类型识别结果。
83.具体的，可以在获取指纹图谱之后，将指纹图谱输入模型集，得到指纹图谱类型识别结果，如a型或b型，其中a型和b型为相反的或者对立的两种类型，例如a型为阴性、b型为阳性。
84.进一步地，在一些实施方式中，本发明提供的指纹图谱类型识别方法还包括获取模型集。
85.参阅附图2，图2是根据本发明的一个实施例的获取模型集的主要步骤流程示意图。如图2所示，主要包括下列步骤s201至步骤s203。
86.步骤s201：对多个识别模型进行训练，得到多个训练好的识别模型。
87.步骤s202：根据预设条件对多个训练好的识别模型进行筛选，得到至少一个有效识别模型。
88.步骤s203：将至少一个有效识别模型进行组合，得到模型集。
89.在一些实施方式中，参阅附图3，图3是根据本发明的一个实施例的模型集的结构示意图。如图3所示，模型集可以包括获取模块301、处理模块302、分簇模块303、训练模块304、筛选模块305、组合模块306和验证模块307。
90.下面结合图3对上述步骤s201至步骤s203作进一步说明。
91.在上述步骤s201的一些实施方式中，参阅附图4，图4是根据本发明的一个实施例的对多个识别模型进行训练的主要步骤流程示意图。如图4所示，上述步骤s201主要包括步骤s2011至步骤s2012。
92.步骤s2011：获取多个训练集。
93.其中，每个训练集为对应的标注了类型标签的多个离子峰簇。
94.具体地，参阅附图5，图5是根据本发明的一个实施例的获取多个训练集的主要步骤流程示意图。如图5所示，上述步骤s2011主要包括步骤s501至步骤s503。
95.步骤s501：获取标注了类型标签的多个指纹图谱。
96.在一些实施方式中，可以基于图3所示的获取模块301获取标注了类型标签的多个指纹图谱。
97.具体地，主要包括以下步骤：
98.(1)将已知类型的多个样本标注类型标签。
99.例如，将样本的已知两种类型a型和b型(a型和b型为相反的或者对立的两种类型，如a型为阴性、b型为阳性)分别标注类型标签为『1』和『-1』。
100.(2)将标注了类型标签的多个样本进行预处理并输入分析设备。
101.在一些实施方式中，将标注了类型标签的多个样本进行预处理的方法包括直接涂抹法、扩展直接涂抹法、提取法、沉淀涂抹法等，此处不做限定。
102.其中，直接涂抹法是将待检测的样本直接涂抹到样本靶上，点上基质溶液后即可上机；扩展的直接涂抹法是在覆盖基质前，先覆盖70％的甲酸溶液辅助细胞破壁裂解；提取法是利用提取液提取病原菌蛋白；沉淀涂抹法更适用于微量病原的质谱鉴定，谱图质量与提取法相当。
103.(3)基于分析设备获取标注了类型标签的多个指纹图谱。
104.其中，分析设备可以为上述maldi-tofms设备，此处不再赘述。进一步地，基于maldi-tofms设备可以获取标注了类型标签的多个指纹图谱，如血清的肽质量指纹图谱等，此处不做限定。
105.以上是对步骤s501的进一步说明。
106.步骤s502：对多个指纹图谱进行归一化处理，得到多个指纹图谱的离子峰集合。
107.在一些实施方式中，可以基于图3所示的处理模块302对多个指纹图谱进行归一化处理。
108.具体地，可以采用数据归一化算法，如线性归一化等对多个指纹图谱进行加工。即把所有指纹图谱的离子峰放到同一个空间，对多个指纹图谱所表示的离子流相对电荷强度和离子的质量进行归一化处理，得到标注了类型标签的多个指纹图谱的离子峰集合。
109.具体地，参阅附图6，图6是根据本发明的一个实施例的多个指纹图谱的离子峰集合示意图。
110.图6是将20张标注了类型标签的指纹图谱通过数据归一化算法叠加在一起，得到的离子峰集合，其中，横坐标表示离子的质荷比，纵坐标表示离子强度；菱形的点为阳性样本，圆形的点为阴性样本。在实际应用中，本领域技术人员可以根据具体场景设置指纹图谱的数量，此处不做限定。
111.以上是对步骤s502的进一步说明。
112.步骤s503：将离子峰集合划分为至少一个离子峰簇。
113.在一些实施方式中，可以基于图3所示的分簇模块303将离子峰集合划分为至少一个离子峰簇。
114.具体地，参阅附图7，图7是根据本发明的一个实施例的将离子峰集合划分为多个离子峰簇的主要步骤流程示意图。如图7所示，步骤s503主要包括步骤s5031至步骤s5032。
115.步骤s5031：获取离子峰集合中离子峰分布的密集程度。
116.步骤s5032：根据密集程度将多个离子峰划分为至少一个离子峰簇。
117.具体的，由于离子峰集合中的部分离子峰在一个质量区间内密集分布，与质量区间外的其他离子峰有一定显著的质量间隔，因此，分簇模块303可以根据预设质量间隔，将离子峰集合中以成簇的形式聚集一起的多个离子峰划分为一个离子峰簇，那么离子峰集合将被划分为至少一个离子峰簇。
118.在一些实施方式中，可以由计算机根据预设质量间隔自动将离子峰集合划分为至少一个离子峰簇。
119.在另一些实施方式中，可以由本领域技术人员根据预设质量间隔手动将离子峰集
合划分为至少一个离子峰簇，此处不作限定。
120.参阅附图8，图8是根据本发明的一个实施例的将离子峰集合划分为多个离子峰簇的示意图。如图8所示，本领域技术人员根据预设质量间隔800，将多个指纹图谱的离子峰集合手动划分为离子峰簇1、离子峰簇2、离子峰簇3、离子峰簇4和离子峰簇5。
121.需要指出的是，以上关于预设质量间隔的举例只是适宜性说明，在实际应用中，本领域技术人员可以根据具体场景设置预设质量间隔，此处不做限定。
122.以上是对步骤s2011的进一步说明。
123.步骤s2012：将每个训练集输入对应的识别模型，分别对对应的识别模型进行训练。
124.具体地，可以基于多个训练集、预设训练参数以及内核参数分别对多个指纹图谱类型识别模型进行训练。
125.在一些实施方式中，可以基于图3所示的训练模块304将每个训练集输入对应的识别模型，并基于每个训练集、预设训练参数以及核函数分别对对应的识别模型进行训练，得到多个训练好的识别模型。
126.进一步地，在一些实施方式中，可以基于支持向量机svm等二元分类器将每个训练集、预设训练参数以及核函数进行训练。
127.其中，svm是一类按监督学习(supervisedlearning)方式对数据进行二元分类的广义线性分类器(generalizedlinearclassifier)，其决策边界是对学习样本求解的最大边距超平面(maximum-margin hyperplane)。
128.svm引入最大间隔，分类精确度高，在样本量较小时，也能准确的分类，并且具有不错的泛化能力，svm引入的核函数，能轻松的解决非线性问题，还可以解决高维特征的分类、回归问题，即使特征维度大于本量的数据，也能有很好的表现。
129.其中，svm的预设训练参数和核函数可以根据实际应用场景进行设置，此处不做限定。
130.进一步地，参阅附图9，图9是根据本发明的一个实施例的多个训练好的识别模型的示意图。如图9所示，分别基于训练集1、训练集2、训练集3、训练集4和训练集5训练得到的识别模型1、识别模型2、识别模型3、识别模型4和识别模型5。
131.以上是对步骤s201的进一步说明，下面继续对步骤s202做进一步说明。
132.在上述步骤s202的一些实施方式中，可以使用图3所示的筛选模块305，根据预设条件对多个训练好的识别模型进行筛选。
133.其中，预设条件至少包括预设指纹图谱数量和预设准确率阈值。
134.参阅附图10，图10是根据本发明的一个实施例的根据预设条件对多个训练好的识别模型进行筛选的主要步骤流程示意图。如图10所示，步骤s202主要包括步骤s2021至步骤s2023。
135.步骤s2021：分别判断多个训练好的识别模型中参与训练的指纹图谱数量是否满足预设指纹图谱数量。
136.步骤s2022：分别判断多个识别模型的准确率是否满足预设准确率阈值。
137.步骤s2023：筛选出同时满足预设指纹图谱数量和预设准确率阈值的识别模型作为有效识别模型。
138.在一些实施方式中，可以根据训练结果设置预设指纹图谱数量和预设准确率阈值。例如通过训练得到了十个识别模型，那么可以根据这十个识别模型中参与训练的指纹图谱数量和准确率设置预设指纹图谱数量和预设准确率阈值。
139.例如，将图9所示的五个识别模型根据上述筛选标准进行筛选，得到三个有效识别模型，分别为有效识别模型1、有效识别模型2和有效识别模型3。
140.在另一些实施方式中，若训练得到的多个识别模型中，参与训练的指纹图谱数量均较少和/或模型准确率均较低时，也可以适当增加样本数量，再次进行训练，并根据训练好的多个识别模型再次进行筛选，或适当更改预设指纹图谱数量和预设准确率阈值再次进行筛选，得到至少一个有效识别模型，此处不做限定。
141.以上是对步骤s202的进一步说明，下面继续对步骤s203做进一步说明。
142.在上述步骤s203的一些实施方式中，可以基于图3所示的组合模块306将至少一个有效识别模型进行组合，得到模型集。
143.具体地，可以将多个有效识别模型以不同方式进行组合，得到由多个有效识别模型组成的多个模型集。
144.为了提高识别模型的准确率，可以将多个有效识别模型以各种可能性的方式进行组合得到多个模型集，其中每个模型集由至少一个有效模型构成。
145.在一些实施方式中，参阅附图11，图11是根据本发明的一个实施例的将多个有效识别模型进行组合，得到模型集的示意图。如图11所示，可以从上述筛选出的三个有效模型中任取两个组合成一个模型集，那么可以得到三个模型集，分别为有效识别模型1和有效识别模型2组合成的第一模型集、有效识别模型1和有效识别模型3组合成的第二模型集以及有效识别模型2和有效识别模型3组合成的第三模型集。
146.以第一模型集为例，该模型集是基于有效识别模型1和有效识别模型2共同对输入的指纹图谱进行识别。
147.在一些实施方式中，也可以将上述三个有效模型组合成一个模型集，即有效识别模型1、有效识别模型2和有效识别模型3组合成的第四模型集，此处不做限定。
148.在另一些实施方式中，若筛选得到的有效识别模型为其他数量，如六个，那么可以从六个不同模型中，任取m(m≤6)个模型组合成一组。若任取两个，则根据c
26
＝15，可以得到15个模型集，若任取三个，则根据c
36
＝20，可以得到20个样本类型识别模型集，此处不作限定。
149.当然，本领域技术人员能够理解，仅使用一个筛选出的有效识别模型构成的模型集进行识别也是可以的，只不过多个有效模型的组合会比单独使用一个有效识别模型得到的识别结果更准确。
150.以上是对步骤s203的进一步说明。
151.进一步地，在一些实施方式中，在执行上述步骤s203之后，还可以基于图3所示的验证模块307对模型集进行验证。
152.具体地，参阅附图12，图12是根据本发明的另一个实施例的指纹图谱类型识别方法的主要步骤流程示意图。如图12所示，主要包括步骤s1201至步骤s1204。
153.步骤s1201：基于多个模型集输出多个识别结果。
154.在一些实施方式中，可以将标注了类型标签的指纹图谱样本中的一部分作为训练
集进行上述的训练，另一部分作为验证集进行此处的验证。例如按照8:2的比例进行分配。
155.进一步地，将验证集分别输入多个模型集，并分别输出识别结果。
156.步骤s1202：对多个识别结果进行误差函数计算。
157.以svm为例，计算误差函数包括计算分类误差和间隔误差。
158.步骤s1203：基于误差函数计算结果分别检验多个模型集是否满足预设误差阈值。
159.其中，预设误差阈值可以根据具体使用场景进行设置，此处不做限定。
160.步骤s1204：筛选出满足预设误差阈值的一个或多个模型集作为训练好的模型集。
161.具体地，可以基于预设误差阈值筛选出一个或多个最优的模型集执行上述指纹图谱类型识别方法。例如，基于预设误差阈值对图11所示的四个模型集进行筛选，得到第三模型集为最优模型集，那么可以基于第三模型集执行上述指纹图谱类型识别方法。
162.进一步地，在一些实施方式中，参阅附图13，图13是根据本发明的一个实施例的指纹图谱类型识别方法的主要流程示意图。如图13所示，主要包括获取指纹图谱、模型训练和模型验证。
163.其中，指纹图谱采集与预处理、模型训练和模型验证的具体工作过程及有关说明，可以参考上述指纹图谱类型识别方法的实施例所描述的内容，此处不再赘述。
164.本发明提供的指纹图谱类型识别方法能够对待识别的指纹图谱整体进行分析，摆脱了传统方法依赖于识别个别特征峰的限制，因此识别结果更加准确，并且该指纹图谱类型识别方法不受样本来源限制，更加简单可靠，适用范围也更加广泛。
165.需要指出的是，尽管上述实施例中将各个步骤按照特定的先后顺序进行了描述，但是本领域技术人员可以理解，为了实现本发明的效果，不同的步骤之间并非必须按照这样的顺序执行，其可以同时(并行)执行或以其他顺序执行，这些变化都在本发明的保护范围之内。
166.本领域技术人员能够理解的是，本发明实现上述一实施例的方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器、随机存取存储器、电载波信号、电信信号以及软件分发介质等。
167.进一步，本发明还提供了一种电子设备。参阅附图14，图14是根据本发明的一个电子设备实施例的主要结构示意图。如图14所示，本发明实施例中的电子设备主要包括处理器1401和存储装置1402，存储装置1402可以被配置成存储执行上述方法实施例的指纹图谱类型识别方法的程序，处理器1401可以被配置成用于执行存储装置1402中的程序，该程序包括但不限于执行上述方法实施例的指纹图谱类型识别方法的程序。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。
168.在本发明的一些可能的实施方式中，电子设备可以包括多个处理器1401和多个存储装置1402。而执行上述方法实施例的指纹图谱类型识别方法的程序可以被分割成多段子程序，每段子程序分别可以由处理器1401加载并运行以执行上述方法实施例的指纹图谱类型识别方法的不同步骤。具体地，每段子程序可以分别存储在不同的存储装置1402中，每个
处理器1401可以被配置成用于执行一个或多个存储装置1402中的程序，以共同实现上述方法实施例的指纹图谱类型识别方法，即每个处理器1401分别执行上述方法实施例的指纹图谱类型识别方法的不同步骤，来共同实现上述方法实施例的指纹图谱类型识别方法。
169.上述多个处理器1401可以是部署于同一个设备上的处理器，例如上述电子设备可以是由多个处理器组成的高性能设备，上述多个处理器1401可以是该高性能设备上配置的处理器。此外，上述多个处理器1401也可以是部署于不同设备上的处理器，例如上述电子设备可以是服务器集群，上述多个处理器1401可以是服务器集群中不同服务器上的处理器；上述电子设备可以是驾驶设备集群，上述多个处理器1401可以是驾驶设备集群中不同驾驶设备上的处理器。
170.进一步，本发明还提供了一种计算机可读存储介质。在根据本发明的一个计算机可读存储介质实施例中，计算机可读存储介质可以被配置成存储执行上述方法实施例的指纹图谱类型识别方法的程序，该程序可以由处理器加载并运行以实现上述指纹图谱类型识别方法。为了便于说明，仅示出了与本发明实施例相关的部分，具体技术细节未揭示的，请参照本发明实施例方法部分。该计算机可读存储介质可以是包括各种电子设备形成的存储装置设备，可选的，本发明实施例中计算机可读存储介质是非暂时性的计算机可读存储介质。
171.至此，已经结合附图所示的一个实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征作出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

技术特征：
1.一种指纹图谱类型识别方法，其特征在于，所述方法包括：获取待识别的指纹图谱；将所述待识别的指纹图谱输入由至少一个有效识别模型组成的模型集，得到指纹图谱类型识别结果，其中所述至少一个有效识别模型根据预设条件对训练好的识别模型筛选得到，其中所述识别模型基于对应的离子峰簇训练得到。2.根据权利要求1所述的方法，其特征在于，所述方法还包括获取模型集，其中所述获取模型集具体包括：对多个识别模型进行训练，得到多个训练好的识别模型；根据所述预设条件对所述多个训练好的识别模型进行筛选，得到至少一个有效识别模型；将所述至少一个有效识别模型进行组合，得到所述模型集。3.根据权利要求2所述的方法，其特征在于，所述对多个识别模型进行训练包括：获取多个训练集，其中，所述每个训练集为对应的标注了类型标签的离子峰簇；将每个训练集输入对应的识别模型，分别对对应的识别模型进行训练。4.根据权利要求3所述的方法，其特征在于，所述获取多个训练集包括：获取标注了类型标签的多个指纹图谱；对所述多个指纹图谱进行归一化处理，得到所述多个指纹图谱的离子峰集合；将所述离子峰集合划分为至少一个离子峰簇。5.根据权利要求4所述的方法，其特征在于，所述将所述离子峰集合划分为至少一个离子峰簇，包括：获取所述离子峰集合中多个离子峰分布的密集程度；根据所述密集程度将所述多个离子峰划分为至少一个所述离子峰簇。6.根据权利要求2所述的方法，其特征在于，所述预设条件至少包括预设指纹图谱数量和预设准确率阈值；所述根据所述预设条件对所述多个训练好的识别模型进行筛选，包括：分别判断所述多个训练好的识别模型中参与训练的指纹图谱数量是否满足所述预设指纹图谱数量；分别判断所述多个识别模型的准确率是否满足所述预设准确率阈值；筛选出同时满足所述预设指纹图谱数量和所述预设准确率阈值的所述识别模型作为所述有效识别模型。7.根据权利要求2所述的方法，其特征在于，所述将所述至少一个有效识别模型进行组合，得到所述模型集，包括：将多个有效识别模型以不同方式进行组合，得到由所述多个有效识别模型组成的多个模型集。8.根据权利要求7所述的方法，其特征在于，所述方法还包括：基于所述多个模型集输出多个识别结果；对所述多个识别结果进行误差函数计算；基于所述误差函数计算结果分别检验所述多个模型集是否满足预设误差阈值；筛选出满足所述预设误差阈值的一个或多个模型集作为训练好的模型集。
9.一种电子设备，包括处理器和存储装置，所述存储装置适于存储多条程序代码，其特征在于，所述程序代码适于由所述处理器加载并运行以执行权利要求1至8中任一项所述的指纹图谱类型识别方法。10.一种计算机可读存储介质，其中存储有多条程序代码，其特征在于，所述程序代码适于由处理器加载并运行以执行权利要求1至8中任一项所述的指纹图谱类型识别方法。

技术总结
本发明涉及样本分析技术领域，具体提供一种指纹图谱类型识别方法、电子设备及存储介质，旨在解决如何准确地识别指纹图谱类型的问题。为此目的，本发明的方法包括获取待识别的指纹图谱，将待识别的指纹图谱输入由至少一个有效识别模型组成的模型集，得到指纹图谱类型识别结果；其中至少一个有效识别模型根据预设条件对训练好的识别模型筛选得到，其中识别模型基于对应的离子峰簇训练得到。通过上述实施方式，能够对待识别的指纹图谱整体进行分析，摆脱了传统方法依赖于识别个别特征峰的限制，因此识别结果更加准确，并且该指纹图谱类型识别方法不受样本来源限制，更加简单可靠，适用范围也更加广泛。范围也更加广泛。范围也更加广泛。


技术研发人员：李国涛
受保护的技术使用者：融智生物科技（青岛）有限公司
技术研发日：2023.04.23
技术公布日：2023/7/25