[發(fā)明專利]一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法

在審

• 申請?zhí)枺?/td>: 202011443096.0
• 申請日: 2020-12-08
• 公開（公告）號: CN112613536A
• 公開（公告）日: 2021-04-06
• 發(fā)明（設(shè)計）人: 王書濤;劉詩瑜;崔凱;張靖昆;孔德明
• 申請（專利權(quán)）人: 燕山大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N20/10;G06N3/04;G06N3/08
• 代理公司: 石家莊眾志華清知識產(chǎn)權(quán)事務(wù)所(特殊普通合伙) 13123
• 代理人: 張建

1.一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法，其特征在于包括如下步驟：

步驟1、繪制柴油近紅外光譜圖并分析柴油不同牌號的分布情況，對牌號標(biāo)簽進(jìn)行屬性映射,并以柴油的不同牌號作為樣本集；

步驟2、采用SMOTE對樣本集進(jìn)行數(shù)據(jù)均衡處理，并將樣本集劃分為訓(xùn)練集樣本和測試集樣本；

步驟3、用訓(xùn)練集樣本構(gòu)建一維深度卷積神經(jīng)網(wǎng)絡(luò)的近紅外光譜分類模型；

步驟4、將測試集樣本帶入建好的模型中，獲得柴油牌號識別的結(jié)果，繪制多分類混淆矩陣，并分析每個類別的識別率。

2.根據(jù)權(quán)利要求1所述的一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法，其特征在于：利用柴油的樣本集來繪制近紅外光譜圖像，根據(jù)柴油的凝點，將樣本牌號分為-10#、-20#、-35#、-50#和干擾共5類，分別進(jìn)行屬性映射，映射為類別1、2、3、4和0。

3.根據(jù)權(quán)利要求2所述的一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法，其特征在于：采用SMOTE對樣本集進(jìn)行數(shù)據(jù)均衡處理的具體流程如下：

1)：首先，對于少數(shù)類中的每一個樣本x，計算其到少數(shù)類樣本集中所有樣本的歐式距離，得到其k近鄰；

2)：根據(jù)樣本不平衡比例設(shè)置一個采樣比例以確定采樣倍率N，對于每一個少數(shù)類樣本x，從其k近鄰中隨機(jī)選擇若干個樣本，假設(shè)選擇的近鄰為x_n；

3)：對于每一個x_n，分別與原樣本按照公式1構(gòu)建新的樣本；

x_new＝x+rand(0,1)×|x-x_n|,new∈1,2,…,N 1

4)：最后，重復(fù)上述步驟N次，合成N個新樣品；如果稀有類共有T個樣本，則可以合成NT個新樣本。

4.根據(jù)權(quán)利要求3所述的一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法，其特征在于：構(gòu)建一維深度卷積神經(jīng)網(wǎng)絡(luò)的近紅外光譜分類模型的具體方法為：

對一維的近紅外光譜數(shù)據(jù)，進(jìn)行一些變換，使輸入信號可以滿足卷積神經(jīng)網(wǎng)絡(luò)的要求；將一維近紅外光譜認(rèn)為是僅包含一行或一列的二維圖像的特殊集合，光譜信號進(jìn)行相應(yīng)的擴(kuò)維，并將類別標(biāo)簽轉(zhuǎn)換成獨熱編碼的形式；參照LetNet-5構(gòu)建一維深度卷積神經(jīng)網(wǎng)絡(luò)模型，包括輸入層、兩個卷積層、兩個池化層、兩個全連接層和輸出層。

5.根據(jù)權(quán)利要求4所述的一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法，其特征在于：卷積層由一組參數(shù)可訓(xùn)練的卷積核組成，卷積核的尺寸設(shè)置為m×1，一維信號的卷積運算如公式2所示：

式中，l為當(dāng)前的卷積層，l-1則為第(l-1)層卷積層，x_i和y_j分別代表第i個輸入特征圖和第j個輸出特征圖，*是卷積運算符，ω_ij代表卷積核，b為偏置，f(.)為激活函數(shù)的運算。

6.根據(jù)權(quán)利要求4所述的一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法，其特征在于：在卷積層中引入激活函數(shù)PReLU，該函數(shù)的表達(dá)式如3所示。

7.根據(jù)權(quán)利要求4所述的一種基于SMOTE和深度學(xué)習(xí)的近紅外光譜柴油牌號識別方法，其特征在于：池化層的運算如公式4所示：

式中，l代表當(dāng)前池化層，l-1代表第(l-1)池化層，y_j為第j個輸出特征圖，β是乘性偏置項，b為偏置；

池化方法為最大池化法，最大池化法采樣方法按照公式5計算：

式中，將卷積層得到的一個特征映射劃分成多個區(qū)域為X_k,k∈1,2,…,K。