CN113959979B - 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 - Google Patents
基于深度Bi-LSTM网络的近红外光谱模型迁移方法 Download PDFInfo
- Publication number
- CN113959979B CN113959979B CN202111268716.6A CN202111268716A CN113959979B CN 113959979 B CN113959979 B CN 113959979B CN 202111268716 A CN202111268716 A CN 202111268716A CN 113959979 B CN113959979 B CN 113959979B
- Authority
- CN
- China
- Prior art keywords
- layer
- infrared spectrum
- near infrared
- model
- lstm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 61
- 238000013508 migration Methods 0.000 title claims abstract description 46
- 230000005012 migration Effects 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 21
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000001228 spectrum Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 13
- 230000003595 spectral effect Effects 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 12
- 230000000694 effects Effects 0.000 claims abstract description 10
- 238000012795 verification Methods 0.000 claims abstract description 9
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 230000007787 long-term memory Effects 0.000 claims description 14
- 230000006403 short-term memory Effects 0.000 claims description 14
- 230000002457 bidirectional effect Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 4
- 230000002779 inactivation Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 abstract description 2
- 239000012530 fluid Substances 0.000 description 14
- 230000004913 activation Effects 0.000 description 9
- 239000007788 liquid Substances 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 4
- 108010020346 Polyglutamic Acid Proteins 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 3
- 229920002643 polyglutamic acid Polymers 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 230000009849 deactivation Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000008521 reorganization Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009967 tasteless effect Effects 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
Abstract
本发明涉及基于深度Bi‑LSTM网络的近红外光谱模型迁移方法，属于近红外模型转移技术领域，包括获取源域和目标域光谱数据；对源域光谱数据进行数据增强；对源域和目标域光谱数据预处理；将源域和目标域光谱数据划分；设计Bi‑LSTM网络结构；使用源域光谱数据训练Bi‑LSTM网络结构；提取所有Bi‑LSTM层，并加入全连接层构成神经网络；使用目标域校正集和验证集近红外光谱数据训练全连接层并更新神经网络各层间的权重与偏差；使用目标域预测集近红外光谱数据测试迁移模型，评估模型迁移效果和抗噪能力。本发明实现从目标域定量模型向源域定量模型的迁移，节约了大量重建模型的时间且保持了较高精度的预测。
Description
技术领域
本发明涉及基于深度Bi-LSTM网络的近红外光谱模型迁移方法，属于近红外模型转移技术领域。
背景技术
近红外光谱技术是一种无损快速分析方法，在化学成分测定的快速分析方面得到广泛应用。然而在现实应用中，外部测量环境的改变(如不同光谱仪间、不同温度间、不同时间)会导致与原有模型不匹配，这间接制约了近红外光谱技术的普及。由于近红外光谱吸收带是有机物中能量较高的化学键(主要是CH、OH、NH)在中红外光谱区基频吸收的倍频、合频和差频吸收带叠加而成，因此近红外光谱区存在严重重叠性，某些物质的光谱相似却有着细微区别，使原有的定量模型不再兼容新物质含量的预测，因此模型迁移是对光谱模型间一致性的修复。
大数据时代下，标注数据成为了一项枯燥无味且代价巨大的任务。将迁移学习应用于近红外光谱技术，能够充分利用现有“过期”数据，对源域“过期”有标记数据进行有效的权重分配，让源域“过期”数据的分布接近目标域数据的分布，从而在目标域建立精度高、性能稳定的定量模型。另外，结合神经网络充分挖掘数据特征的优势，推进近红外光谱技术在更多检测领域的应用，对规范市场、保障人民利益、节约资源具有现实意义。
目前，基于深度Bi-LSTM网络的近红外光谱模型迁移方法仍处于空白研究阶段。
发明内容
本发明的目的是提供一种基于深度Bi-LSTM网络的近红外光谱模型迁移方法，来解决不同外部测量环境造成模型间不匹配和不同样品间模型不适应的问题。
为了实现上述目的，本发明采用的技术方案是：
一种基于深度Bi-LSTM网络的近红外光谱模型迁移方法，包括以下步骤：
(1)获取源域和目标域的近红外光谱数据；
(2)对源域近红外光谱数据进行数据增强；
(3)对源域和目标域的近红外光谱数据进行光谱预处理；
(4)使用spxy法将源域和目标域的近红外光谱数据分别划分为校正集、验证集和预测集；
(5)设计Bi-LSTM网络结构；
(6)使用源域近红外光谱数据训练Bi-LSTM网络结构得到Bi-LSTM定量浓度预测模型；
(7)提取Bi-LSTM定量浓度预测模型中所有的Bi-LSTM层，并加入全连接层构成神经网络；
(8)使用目标域校正集和验证集近红外光谱数据训练全连接层并更新神经网络各层间的权重与偏差；
(9)使用目标域预测集近红外光谱数据测试迁移模型，评估模型迁移效果和抗噪能力。
本发明技术方案的进一步改进在于：所述步骤(2)中，在源域近红外光谱数据中加入不同信噪比的高斯白噪声进行数据增强。
本发明技术方案的进一步改进在于：所述步骤(3)中，使用VMD提取每条近红外光谱的第一个子模态IMF1，其余子模态作为高频噪声舍弃，并对所有提取出的IMF1进行SNV变换，消除谱线偏移，然后对SNV变换后的近红外光谱数据归一化，加速神经网络损失函数的收敛。
本发明技术方案的进一步改进在于：所述VMD算法公式不断迭代更新模态、对应的中心频率和拉格朗日乘数，直到相关系数满足条件，停止迭代，输出所有IMFS。
本发明技术方案的进一步改进在于：所述步骤(5)中，设计的Bi-LSTM网络结构为：
序列输入层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-泄漏Relu激活层-平展层-全连接层-全连接层-全连接层-失活层-全连接层-回归输出层。
本发明技术方案的进一步改进在于：所述步骤(7)中，提取Bi-LSTM定量浓度预测模型中所有的Bi-LSTM层，其结构为：
序列输入层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-泄漏Relu激活层-平展层。
本发明技术方案的进一步改进在于：所述步骤(7)中，加入的全连接层结构为：
全连接层-全连接层-全连接层-失活层-全连接层-回归输出层。
本发明技术方案的进一步改进在于：所述步骤(9)中，评估模型迁移效果的指标为相关系数R2、均方根误差RMSEP和相对分析误差RPD。
由于采用了上述技术方案，本发明取得的技术效果有：
本发明对近红外光谱数据进行数据增强和预处理后，构建深度Bi-LSTM神经网络，进而训练得到了源域定量模型。通过拆分和重组Bi-LSTM神经网络，用少量的目标域数据训练，实现从目标域定量模型向源域定量模型的迁移，节约了大量重建模型的时间且保持了较高精度的预测。
附图说明
图1是本发明的流程图；
图2是不同仪器下模型迁移前后药片目标域的分布；
图3是深度Bi-LSTM神经网络结构；
图4是聚谷氨酸生命液和能量液在模型迁移前后目标域(能量液)的分布。
具体实施方式
下面结合附图及具体实施例对本发明做进一步详细说明：
一种基于深度Bi-LSTM网络的近红外光谱模型迁移方法，如图1所示，包括以下步骤：
(1)获取源域和目标域的近红外光谱数据。
(2)对源域近红外光谱数据进行数据增强。
在源域近红外光谱数据中加入不同信噪比的高斯白噪声进行数据增强。
(3)对源域和目标域的近红外光谱数据进行光谱预处理。
使用VMD提取每条近红外光谱的第一个子模态IMF1，其余子模态作为高频噪声舍弃，并对所有提取出的IMF1进行SNV变换，消除谱线偏移，然后对SNV变换后的近红外光谱数据归一化，加速神经网络损失函数的收敛。
所述VMD算法公式不断迭代更新模态、对应的中心频率和拉格朗日乘数，直到相关系数满足条件，停止迭代，输出所有IMFS。
(4)使用spxy法将源域和目标域的近红外光谱数据分别划分为校正集、验证集和预测集。
(5)设计Bi-LSTM网络结构；结构为：
序列输入层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-泄漏Relu激活层-平展层-全连接层-全连接层-全连接层-失活层-全连接层-回归输出层。
(6)使用源域近红外光谱数据训练Bi-LSTM网络结构得到Bi-LSTM定量浓度预测模型。
(7)提取Bi-LSTM定量浓度预测模型中所有的Bi-LSTM层，并加入全连接层构成神经网络。
提取Bi-LSTM定量浓度预测模型中所有的Bi-LSTM层，其结构为：
序列输入层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-泄漏Relu激活层-平展层；
加入的全连接层结构为：
全连接层-全连接层-全连接层-失活层-全连接层-回归输出层。
(8)使用目标域校正集和验证集近红外光谱数据训练全连接层并更新神经网络各层间的权重与偏差。
(9)使用目标域预测集近红外光谱数据测试迁移模型，评估模型迁移效果和抗噪能力。
评估模型迁移效果的指标为相关系数R2、均方根误差RMSEP和相对分析误差RPD。
实施例1：
(1)使用国际漫反射会议网站发布的药片近红外光谱数据集，数据集下载网址：(http://www.idrc-charmbersburg.org/shootout2002.html)。
(2)将源域近红外光谱数据分别加入信噪比为70DB和80DB的高斯白噪声。
(3)对所有近红外光谱进行VMD(Variational Mode Decomposition)分解，VMD算法公式不断迭代更新模态、对应的中心频率和拉格朗日乘数，直到相关系数满足条件，停止迭代，输出所有IMFS，只提取每条光谱第一个子模态IMF1；对所有IMF1进行SNV(Standardnormal variate)校正；对校正后的光谱数据进行归一化。
(4)使用spxy算法从源域校正集中筛选920条光谱、验证集中筛选80条光谱、预测集中筛选310条光谱；目标域校正集中筛选155条光谱、验证集中筛选40条光谱、预测集中筛选100条光谱。
(5)建立Bi-LSTM网络结构：由5层Bi-LSTM、5层flatten层、4层全连接层以及leakyrelu激活函数、标准化函数组成。
(6)对训练神经网络进行如下配置：分类器选用Adam；最大迭代次数500次；初始学习率为0.001；梯度阈值设置为1。
(7)将训练好的源域API预测模型中最后4层全连接层删除，重新加入新的4层全连接层，
(8)使用目标域的校正集和验证集，重新训练全连接层，并微调更新各层间的权值和偏差。
(9)用目标域的预测集测试迁移后的API预测定量模型，将测试模型的评标指标记录于表1。
表1实施例1迁移前后的API定量预测模型结果
实施例1迁移效果评估：
由表1可知：模型迁移前，目标域预测集的均方根误差RMSEP＝21.9934，目标域预测集相对分析误差RPD＝1.6196，目标域预测集的相关系数R2＝0.7866；模型迁移后，目标域预测集的预测均方根误差RMSEP＝4.702、相对分析误差RPD＝2.897，目标域预测集的相关系数R2＝0.9385。通过对比，可以得到以下结论：在源域的API定量预测模型下，对不同仪器下采集的药片近红外光谱数据泛化能力低，表现在目标域预测集在源域的模型下误差较大；通过基于深度Bi-LSTM神经网络的近红外光谱模型迁移方法，完成了目标域到源域的模型迁移，目标域在迁移模型下的性能指标优于源域下的API定量模型指标。
另一方面，对比图2可知，目标域预测集在迁移模型下预测值与真实值所构成点的分布集中在Y＝X上，说明模型在迁移后误差得到减小，具备抗噪声干扰能力。
实施例2：
(1)将聚谷氨酸生命液和能量液按逐次稀释浓度50％的方法得到浓度为3.5g/mL、1.75g/mL、0.875g/mL、0.4375g/mL、0.21875g/mL的样品液。
(2)利用布鲁克傅里叶变换近红外光谱仪采集所有样品的近红外光谱，将生命液的近红外光谱数据作为源域数据，能量液的近红外光谱数据作为目标域数据。
(3)为避免训练的神经网络模型过拟合，在采集后的生命液数据中加入信噪比为70DB和80DB的高斯白噪声。
(4)对所有光谱进行VMD分解，只取IMF1；对所有IMF1进行SNV校正；对校正后的光谱数据进行归一化。
(5)使用spxy算法将生命液光谱数据和能量液光谱数据划分为校正集、验证集和预测集。
(6)建立深度Bi-LSTM神经网络：由5层Bi-LSTM、5层flatten层、4层全连接层以及leakyrelu激活函数、标准化函数组成，神经网络各层神经元如图3所示。
(7)对训练神经网络进行如下配置：分类器选用Adam；最大迭代次数500次；初始学习率为0.001；梯度阈值设置为1。
(8)将训练好的生命液浓度预测模型中最后4层全连接层删除，重新加入新的4层全连接层。
(9)使用能量液的校正集和验证集，重新训练全连接层，并微调更新各层间的权值和偏差。
(10)用能量液的预测集测试迁移后的浓度预测定量模型，将测试模型的评标指标记录于表2。
表2实施例2迁移前后的能量液浓度定量预测模型结果
实施例2迁移效果评估：
由表2可知：模型迁移前能量液预测集的均方根误差RMSEP＝2.5889，能量液预测集相对分析误差RPD＝1.5568,能量液预测集相关系数R2＝0.7664；模型迁移后能量液预测集的预测均方根误差RMSEP＝0.45581、相对分析误差RPD＝2.8306,能量液预测集相关系数R2＝0.9355。通过对比，可以得到以下结论：相同成分不同产品的聚谷氨酸能量液近红外光谱数据不能很好的匹配原有模型，表现为能量液测试集数据在生命液浓度定量预测模型误差较大；通过基于深度Bi-LSTM神经网络的近红外光谱模型迁移方法，完成了源域到目标域的模型迁移，且克服了过拟合，使源域分布接近于目标域分布；通过重组神经网络和更新与目标域相关的权值，使迁移模型弱化了源域中噪声的影响。
对比图4可知，目标域预测集在迁移模型下预测值与真实值构成的点均匀分布在Y＝X两侧，说明基于深度Bi-LSTM神经网络的近红外光谱模型迁移方法在不同样品模型间的转移成功。
Claims (4)
1.一种基于深度Bi-LSTM网络的近红外光谱模型迁移方法，其特征在于，包括以下步骤：
（1）获取源域和目标域的近红外光谱数据；
（2）对源域近红外光谱数据进行数据增强；
（3）对源域和目标域的近红外光谱数据进行光谱预处理；
使用VMD提取每条近红外光谱的第一个子模态IMF1，其余子模态作为高频噪声舍弃，并对所有提取出的IMF1进行SNV变换，消除谱线偏移，然后对SNV变换后的近红外光谱数据归一化，加速神经网络损失函数的收敛；
（4）使用spxy法将源域和目标域的近红外光谱数据分别划分为校正集、验证集和预测集；
（5）设计Bi-LSTM网络结构，具体为：
序列输入层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-泄漏Relu激活层-平展层-全连接层-全连接层-全连接层-失活层-全连接层-回归输出层；
（6）使用源域近红外光谱数据训练Bi-LSTM网络结构得到Bi-LSTM定量浓度预测模型；
（7）提取Bi-LSTM定量浓度预测模型中所有的Bi-LSTM层，将最后4层全连接层删除，重新加入新的4层全连接层构成神经网络；
提取Bi-LSTM定量浓度预测模型中所有的Bi-LSTM层，其结构为：
序列输入层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-规范层-泄漏Relu激活层-平展层-双向长短期记忆层-泄漏Relu激活层-平展层；
加入的全连接层结构为：
全连接层-全连接层-全连接层-失活层-全连接层-回归输出层；
（8）使用目标域校正集和验证集近红外光谱数据训练全连接层并更新神经网络各层间的权重与偏差；
（9）使用目标域预测集近红外光谱数据测试迁移模型，评估模型迁移效果和抗噪能力。
2.根据权利要求1所述的一种基于深度Bi-LSTM网络的近红外光谱模型迁移方法，其特征在于：所述步骤（2）中，在源域近红外光谱数据中加入不同信噪比的高斯白噪声进行数据增强。
3.根据权利要求1所述的一种基于深度Bi-LSTM网络的近红外光谱模型迁移方法，其特征在于：所述VMD算法公式不断迭代更新模态、对应的中心频率和拉格朗日乘数，直到相关系数满足条件，停止迭代，输出所有IMFS。
4.根据权利要求1所述的一种基于深度Bi-LSTM网络的近红外光谱模型迁移方法，其特征在于：所述步骤（9）中，评估模型迁移效果的指标为相关系数R2、均方根误差RMSEP和相对分析误差RPD。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268716.6A CN113959979B (zh) | 2021-10-29 | 2021-10-29 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111268716.6A CN113959979B (zh) | 2021-10-29 | 2021-10-29 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113959979A CN113959979A (zh) | 2022-01-21 |
| CN113959979B true CN113959979B (zh) | 2022-07-29 |
Family
ID=79468279
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111268716.6A Active CN113959979B (zh) | 2021-10-29 | 2021-10-29 | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113959979B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116818703B (zh) * | 2023-06-28 | 2024-02-02 | 山东大学 | 基于近红外光谱分析的预测透明质酸溶液浓度的方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN106815643A (zh) * | 2017-01-18 | 2017-06-09 | 中北大学 | 基于随机森林迁移学习的红外光谱模型传递方法 |
| CN109282837A (zh) * | 2018-10-24 | 2019-01-29 | 福州大学 | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 |
| CN110381524A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
| CN111220565A (zh) * | 2020-01-16 | 2020-06-02 | 东北大学秦皇岛分校 | 一种基于cpls的红外光谱测量仪器标定迁移方法 |
| CN111563436A (zh) * | 2020-04-28 | 2020-08-21 | 东北大学秦皇岛分校 | 一种基于ct-cdd的红外光谱测量仪器标定迁移方法 |
| WO2021026037A1 (en) * | 2019-08-02 | 2021-02-11 | Flagship Pioneering Innovations Vi, Llc | Machine learning guided polypeptide design |
| CN113103068A (zh) * | 2021-04-19 | 2021-07-13 | 大连理工大学 | 一种基于深度迁移学习的刀具状态监测方法 |
| CN113111958A (zh) * | 2021-04-23 | 2021-07-13 | 中南大学 | 一种基于cnn-svr模型和迁移学习的光谱模型传递方法 |
| CN113378971A (zh) * | 2021-06-28 | 2021-09-10 | 燕山大学 | 近红外光谱的分类模型训练方法、系统及分类方法、系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109710636B (zh) * | 2018-11-13 | 2022-10-21 | 广东工业大学 | 一种基于深度迁移学习的无监督工业系统异常检测方法 |
-
2021
- 2021-10-29 CN CN202111268716.6A patent/CN113959979B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101520412A (zh) * | 2009-03-23 | 2009-09-02 | 中国计量学院 | 基于独立分量分析和遗传神经网络的近红外光谱分析方法 |
| CN106599520A (zh) * | 2016-12-31 | 2017-04-26 | 中国科学技术大学 | 一种基于lstm‑rnn模型的空气污染物浓度预报方法 |
| CN106815643A (zh) * | 2017-01-18 | 2017-06-09 | 中北大学 | 基于随机森林迁移学习的红外光谱模型传递方法 |
| CN109282837A (zh) * | 2018-10-24 | 2019-01-29 | 福州大学 | 基于lstm网络的布拉格光纤光栅交错光谱的解调方法 |
| CN110381524A (zh) * | 2019-07-15 | 2019-10-25 | 安徽理工大学 | 基于Bi-LSTM的大场景移动流量在线预测方法、系统及存储介质 |
| WO2021026037A1 (en) * | 2019-08-02 | 2021-02-11 | Flagship Pioneering Innovations Vi, Llc | Machine learning guided polypeptide design |
| CN111220565A (zh) * | 2020-01-16 | 2020-06-02 | 东北大学秦皇岛分校 | 一种基于cpls的红外光谱测量仪器标定迁移方法 |
| CN111563436A (zh) * | 2020-04-28 | 2020-08-21 | 东北大学秦皇岛分校 | 一种基于ct-cdd的红外光谱测量仪器标定迁移方法 |
| CN113103068A (zh) * | 2021-04-19 | 2021-07-13 | 大连理工大学 | 一种基于深度迁移学习的刀具状态监测方法 |
| CN113111958A (zh) * | 2021-04-23 | 2021-07-13 | 中南大学 | 一种基于cnn-svr模型和迁移学习的光谱模型传递方法 |
| CN113378971A (zh) * | 2021-06-28 | 2021-09-10 | 燕山大学 | 近红外光谱的分类模型训练方法、系统及分类方法、系统 |
Non-Patent Citations (4)
| Title |
|---|
| 《Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms 》;Cheng Chen 等;《Optik》;20210505;全文 * |
| 《Pain Assessment based on fNIRS using Bi-LSTM RNNs》;Srinidhi Hegde 等;《2021 10th International IEEE/EMBS Conference on Neural Engineering (NER)Virtual Conference》;20210506;全文 * |
| 《Unsupervised remote sensing imagesegmentation based on a dualautoencoder》;Ruonan Zhang 等;《Journal of Applied Remote Sensing》;20190802;全文 * |
| 《基于LSTM神经网络的畸形波预测》;赵勇 等;《华中科技大学学报（自然科学版）》;20200731;第48卷(第7期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113959979A (zh) | 2022-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101915744B (zh) | 物质成分含量的近红外光谱无损检测方法及装置 | |
| CN108362662B (zh) | 近红外光谱相似度计算方法、装置和物质定性分析系统 | |
| Zhang et al. | Noise reduction in the spectral domain of hyperspectral images using denoising autoencoder methods | |
| CN111563436B (zh) | 一种基于ct-cdd的红外光谱测量仪器标定迁移方法 | |
| Chen et al. | Cross components calibration transfer of NIR spectroscopy model through PCA and weighted ELM-based TrAdaBoost algorithm | |
| CN113959979B (zh) | 基于深度Bi-LSTM网络的近红外光谱模型迁移方法 | |
| CN110736707B (zh) | 一种主仪器向从仪器光谱模型传递的光谱检测优化方法 | |
| CN105784672A (zh) | 一种基于双树复小波算法的毒品检测仪标准化方法 | |
| Mikerov et al. | Removing water vapor lines from THz-TDS data using neural networks | |
| Yang et al. | Piecewise preprocessing of near-infrared spectra for improving prediction ability of a PLS model | |
| Mei et al. | Study of an adaptable calibration model of near-infrared spectra based on KF-PLS | |
| Meng et al. | Noisy training for deep neural networks | |
| CN114062306B (zh) | 一种近红外光谱数据分段预处理方法 | |
| CN115797318A (zh) | 一种光谱数据预处理方法、装置、计算机设备及存储介质 | |
| CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 | |
| CN113011321B (zh) | 一种基于联合字典的光谱信号去噪方法、系统、终端及可读存储介质 | |
| Shan et al. | A nonlinear calibration transfer method based on joint kernel subspace | |
| CN111220565B (zh) | 一种基于cpls的红外光谱测量仪器标定迁移方法 | |
| Wang et al. | Estimation of soil organic matter by in situ Vis-NIR spectroscopy using an automatically optimized hybrid model of convolutional neural network and long short-term memory network | |
| CN114067169A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
| Gao et al. | Combining direct orthogonal signal correction and wavelet packet transform with partial least squares to analyze overlapping voltammograms of nitroaniline isomers | |
| Liu et al. | An advanced variable selection method based on information gain and Fisher criterion reselection iteration for multivariate calibration | |
| Suarin et al. | Transferring Near Infrared Spectroscopic Calibration Model Across Different Harvested Seasons Using Joint Distribution Adaptation | |
| Patchava et al. | Improving the prediction performance of PLSR using RReliefF and FSD for the quantitative analysis of glucose in Near Infrared spectra | |
| He et al. | An active learning representative subset selection method using net analyte signal |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |