[發明專利]一種基于CNN-SVR模型和遷移學習的光譜模型傳遞方法在審

申請號：	202110443739.X	申請日：	2021-04-23
公開（公告）號：	CN113111958A	公開（公告）日：	2021-07-13
發明（設計）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）人：	中南大學
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
地址：	410000 湖南***	國省代碼：	湖南;43
權利要求書：	查看更多	說明書：	查看更多
摘要：
搜索關鍵詞：	一種基于 cnn svr 模型遷移學習光譜傳遞方法
鉆瓜網技術展會專利詞庫專利權人專利榜在售專利公布日期熱門專利

【說明書】：

本發明屬于光譜檢測與光譜儀模型傳遞領域，提供了一種基于CNN?SVR模型和遷移學習的光譜模型傳遞方法。該方法包括：獲取光譜數據并進行預處理，將處理后的數據分為訓練集和測試集，構建主儀器CNN?SVR模型，將主儀器訓練集輸入模型進行訓練并優化獲得最優的主儀器CNN?SVR模型及其超參數；將上述模型遷移至從儀器上并凍結CNN網絡超參數值，輸入從儀器訓練集對SVR參數訓練微調，獲得基于CNN?SVR網絡的遷移模型，將從儀器測試集輸入遷移模型進行模型傳遞性能預測。本發明能自動提取高維波長變量的本質特征，且適合于小樣本光譜預測，利用遷移學習的特點，實現了光譜模型在不同光譜儀器間的傳遞。

技術領域

本發明屬于光譜檢測與光譜儀模型傳遞領域，提供了一種基于CNN-SVR 模型和遷移學習的光譜模型傳遞方法。

背景技術

光譜檢測精度受光譜儀、測量環境、輔料等外界因素的影響，當待測光譜儀或測量環境發生變化時，原來建立的模型可能不能正確預測，解決這一問題最直接的方法是重新建模，但是由于光譜數據的獲取成本高、光譜樣本少已經檢測條件多變等特點，使得重新建模成本高且模型適用性仍然未得到改善。解決這一難題的有效手段是使用模型傳遞方法，使原模型能夠在新的測量條件下取得很好的預測精度。光譜模型傳遞的方法主要有兩類：標準化光譜和遷移學習。基于遷移學習的光譜模型傳遞方法通常與深度學習方法相結合，比如CNN 網絡、LSTM長短時間記憶網絡等，能夠利用其他儀器的歷史樣本數據，提取光譜特征，從而為目標光譜儀提供先驗知識。

CNN網絡在許多領域得到了廣泛應用且驗證了其具有很強的特征提取能力，針對一維光譜數據，已成功使用CNN網絡實現了光譜的分類與回歸，但CNN 在小樣本數據集上訓練容易出現過擬合的問題。

發明內容

基于此，本發明針對上述技術問題，將SVR模型連接在CNN網絡全連接層之后，提出了基于CNN-SVR的光譜校正模型。可將CNN-SVR網絡理解為 CNN用于高維波長變量特征提取、SVR用于線性回歸輸出預測結果。

本發明提供了一種基于CNN-SVR模型和遷移學習的光譜模型傳遞方法，具體包括：

S1:獲取光譜數據，并進行預處理獲得標準化光譜數據，所述光譜數據包括主儀器數據和從儀器數據；

S2:將所述標準化光譜數據劃分為訓練集和測試集，包括主儀器訓練集、主儀器測試集、從儀器訓練集和從儀器測試集；

S3:構建主儀器CNN-SVR網絡模型，以所述主儀器訓練集為輸入進行訓練后，以所述主儀器測試集進行測試、優化獲得主儀器CNN-SVR網絡模型及其超參數值；

S4:將所述主儀器CNN-SVR網絡模型及其超參數值遷移至所述從儀器 CNN-SVR網絡中，凍結CNN網絡超參數值，輸入從儀器訓練集對遷移后的 CNN-SVR網絡模型中的SVR模型參數進行訓練更新獲得基于CNN-SVR網絡的遷移模型；

S5:將從儀器測試集輸入所述基于CNN-SVR網絡的遷移模型中，輸出預測結果。

進一步的，所述步驟S1中預處理過程具體包括：

建立PLS模型對光譜數據進行交叉驗證，模型主成分數量為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用于對整個數據集重新建模獲得第一模型；