[發(fā)明專利]一種基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法

在審

• 申請?zhí)枺?/td>: 202110443739.X
• 申請日: 2021-04-23
• 公開（公告）號: CN113111958A
• 公開（公告）日: 2021-07-13
• 發(fā)明（設(shè)計）人: 周燦;禹文韜;陽春華;朱紅求;李勇剛;李繁飆;黃科科;馬英奕
• 申請（專利權(quán)）人: 中南大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G01N21/359;G01N21/31
• 代理公司: 長沙軒榮專利代理有限公司 43235
• 代理人: 黃藝平

1.一種基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法，其特征在于，具體包括：

S1:獲取光譜數(shù)據(jù)，并進行預(yù)處理獲得標準化光譜數(shù)據(jù)，所述光譜數(shù)據(jù)包括主儀器數(shù)據(jù)和從儀器數(shù)據(jù)；

S2:將所述標準化光譜數(shù)據(jù)劃分為訓(xùn)練集和測試集，包括主儀器訓(xùn)練集、主儀器測試集、從儀器訓(xùn)練集和從儀器測試集；

S3:構(gòu)建主儀器CNN-SVR網(wǎng)絡(luò)模型，以所述主儀器訓(xùn)練集為輸入進行訓(xùn)練后，以所述主儀器測試集進行測試、優(yōu)化獲得主儀器CNN-SVR網(wǎng)絡(luò)模型及其超參數(shù)值；

S4:將所述主儀器CNN-SVR網(wǎng)絡(luò)模型及其超參數(shù)值遷移至所述從儀器CNN-SVR網(wǎng)絡(luò)中，凍結(jié)CNN網(wǎng)絡(luò)超參數(shù)值，輸入從儀器訓(xùn)練集對遷移后的CNN-SVR網(wǎng)絡(luò)模型中的SVR模型參數(shù)進行訓(xùn)練更新獲得基于CNN-SVR網(wǎng)絡(luò)的遷移模型；

S5:將從儀器測試集輸入所述基于CNN-SVR網(wǎng)絡(luò)的遷移模型中，輸出預(yù)測結(jié)果。

2.根據(jù)權(quán)利要求1所述的基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法，其特征在于，所述步驟S1中預(yù)處理過程具體包括：

建立PLS模型對光譜數(shù)據(jù)進行交叉驗證，模型主成分數(shù)量為1-40，獲得交叉驗證集；

選取交叉驗證集的平均Huber損失最小的主成分數(shù)用于對整個數(shù)據(jù)集重新建模獲得第一模型；

將光譜數(shù)據(jù)輸入第一模型中獲得預(yù)測值，將預(yù)測值的預(yù)測誤差大于預(yù)測標準偏差的2.5倍樣本標識為異常樣本進行刪除，獲得清洗后光譜數(shù)據(jù)；

將所述清洗后光譜數(shù)據(jù)進行標準化處理獲得標準化光譜數(shù)據(jù)，所述標準化處理公式為：X′_ij表示X_ij標準化后的值，i表示第i個樣本，j表示第j個波長，X_min表示所有數(shù)據(jù)中第j個波長吸光度的最小值，X_max表示所有數(shù)據(jù)中第j個波長吸光度的最大值。

3.根據(jù)權(quán)利要求2所述的基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法，其特征在于，所述Huber損失的計算公式為：

其中，y為實際值，f(x)為預(yù)測值，δ為超參數(shù)。

4.根據(jù)權(quán)利要求1所述的基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法，其特征在于，所述步驟S3具體包括：

構(gòu)建主儀器CNN-SVR網(wǎng)絡(luò)模型：確定1D-CNN網(wǎng)絡(luò)的輸入層、隱藏層和輸出層，輸入層的神經(jīng)元個數(shù)與輸入波長變量維度一致，隱藏層包括2個卷積層、展平層、dropout層、激活層和SVR層，輸出層為預(yù)測值；SVR層的輸入為CNN網(wǎng)絡(luò)中的dropout層的輸出；

將主儀器訓(xùn)練集輸入CNN-SVR網(wǎng)絡(luò)模型進行訓(xùn)練，以Huber損失函數(shù)值最小為優(yōu)化目標，采用Adam優(yōu)化器更新CNN網(wǎng)絡(luò)參數(shù)，并利用主儀器測試集進行預(yù)測驗證，獲得最優(yōu)的主儀器CNN-SVR網(wǎng)絡(luò)模型及超參數(shù)值；所述預(yù)驗證過程中的模型預(yù)測性能評價指標包括Huber損失、擬合優(yōu)度R²和均方根誤差RMSE。

5.根據(jù)權(quán)利要求4所述的基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法，其特征在于，所述卷積層通過卷積核對前一層的特征圖進行卷積，計算公式為：

k是卷積核，l是層數(shù)，M_j是第j個特征圖，b是偏置。

6.根據(jù)權(quán)利要求4所述的基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法，其特征在于，支持向量機回歸SVR模型作為CNN網(wǎng)絡(luò)的最后的線性回歸層，其表達式為：

其中w和b是待優(yōu)化的模型參數(shù)。

7.根據(jù)權(quán)利要求4所述的基于CNN-SVR模型和遷移學(xué)習(xí)的光譜模型傳遞方法，其特征在于，模型預(yù)測性能評價指標，擬合優(yōu)度R²和均方根誤差RMSE的計算公式為：

其中y_i為實際測量值，f_i為模型預(yù)測值。