CN116843998B - 一种光谱样本加权方法及系统 - Google Patents
一种光谱样本加权方法及系统 Download PDFInfo
- Publication number
- CN116843998B CN116843998B CN202311092163.2A CN202311092163A CN116843998B CN 116843998 B CN116843998 B CN 116843998B CN 202311092163 A CN202311092163 A CN 202311092163A CN 116843998 B CN116843998 B CN 116843998B
- Authority
- CN
- China
- Prior art keywords
- sample
- spectrum
- training
- samples
- training set
- 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
- 238000001228 spectrum Methods 0.000 title claims abstract description 185
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012549 training Methods 0.000 claims abstract description 143
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000003595 spectral effect Effects 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 5
- 238000004422 calculation algorithm Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract 1
- 238000010606 normalization Methods 0.000 description 6
- 230000006978 adaptation Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000004611 spectroscopical analysis Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
Abstract
本发明公开了一种光谱样本加权方法及系统,属于人工智能模型技术领域。该方法包括:对待测光谱样本以及训练集中训练光谱样本进行预处理,使得所有光谱样本处于相同的量纲;确定训练集中所需要增加的总的样本数量L总;计算待测光谱样本与训练集中每个训练光谱样本的距离d,在训练集中选择与待测光谱样本距离较近的部分训练光谱样本作为加权对象;根据待测光谱样本与训练集中每个训练光谱样本的距离d计算加权对象的权重,并根据权重以及样本数量L总计算每个加权对象需要复制的数量;将相应数量的加权对象加入训练集进行建模。发明提供的加权方式只修改建模集本身,所以可以适配各种光谱回归预测算法。
Description
技术领域
本发明属于光谱预测技术领域,尤其涉及一种光谱样本加权方法及系统。
背景技术
现有的使用加权提高光谱数据回归预测性能的方法主要从光谱数据的两个维度出发:
一种是从波长维度出发,通过算法筛选出特征波长,筛选特征波长可以帮助我们减少冗余信息,提高模型的准确性。根据筛选出光谱变量的分布特征,分为波长筛选和波段(波长区间)筛选。波长选择以波长点为单位,波段选择是选取一段或者几段连续的波长。然而,特征波长的选择可能是主观的,缺乏普适性。不同的算法和数据集可能选择不同的特征波长,导致结果的不一致性。波长筛选和波段筛选可能会忽略非选定范围内的重要信息,造成信息损失。另外,波段选择需要确定波长区间,但在实际应用中,波长区间的选择可能是困难的,并且可能存在重叠或冗余。
第二种是从样本的维度出发,通过待测样本与训练集的距离可以使用局部样本加权训练或者全局增加权重,改变预测样本附近的一些样本权重得到的模型就比较适合样本数据。局部样本加权训练容易受到训练集中离群值或噪声的影响,导致过拟合。对于全局建模方式,预测结果可能受到整个数据集中样本的平均性质,无法充分考虑不同样本之间的差异。
发明内容
有鉴于此,本发明提供一种光谱样本加权方法及系统,从样本维度出发,选择训练集中与待测样本距离更近的部分作为加权对象,并根据各自权重进行加权,适配于各种光谱回归预测算法。
为解决以上技术问题,本发明的技术方案为采用一种光谱样本加权方法,包括:
对待测光谱样本以及训练集中训练光谱样本进行预处理,使得所有光谱样本处于相同的量纲;
获取训练集中影响预测结果所需要增加的总的样本数量L总;
计算待测光谱样本与训练集中每个训练光谱样本的距离d,在训练集中选择与待测光谱样本距离较近的部分训练光谱样本作为加权对象;
根据待测光谱样本与训练集中每个训练光谱样本的距离d计算加权对象的权重,并根据权重以及样本数量L总计算每个加权对象需要复制的数量;
将相应数量的加权对象加入训练集进行建模。
作为一种改进,所述对待测光谱样本以及训练集中训练光谱样本进行预处理的方法包括:
将待测光谱样本的光谱数据以及训练光谱样本的光谱数据和理化值进行归一化。
作为一种进一步的改进,所述获取训练集中影响预测结果所需要增加的总的样本数量L总的方法包括:
取样步骤,将训练集中的N个训练光谱样本中的一个作为测试样本,其余N-1个作为建模样本进行建模获得模型M测;
基准值计算步骤,将测试样本输入模型M测中获得预测结果T1,并利用预测结果T1计算基准值S;
迭代步骤,将测试样本逐次复制1~L份分别加入建模样本中进行建模获得模型M1~ML,将测试样本输入模型M1~ML中获得预测值直到获得的预测值在基准值S与测试样本的测量值Y之间为止,记录迭代次数L;
重复取样步骤、基准值计算步骤和迭代步骤,直到训练集中每个训练样本均作为测试样本为止,将获得的N个迭代次数L的平均值作为需要增加的总的样本数量L总。
作为另一种更进一步的改进,所述利用预测结果T1计算基准值S的方法为:
利用公式S=T1+β*(Y-T1)计算基准值,其中S为基准值,T1为预测结果,Y为测量值,β为权重系数且β∈(0,1)。
作为一种改进,所述计算待测光谱样本与训练集中每个训练光谱样本的距离的方法包括:
利用偏最小二乘建模获得模型M偏,并将待测光谱样本输入模型M偏预测待测光谱样本的理化值;利用公式
d=α1*dx/dxmax+α2*dy/dymax计算待测光谱样本与训练光谱样本的距离,其中d为待测光谱样本与训练光谱样本的距离,dx为待测光谱样本与训练光谱样本光谱数据的欧式距离,dy为待测光谱样本与训练光谱样本理化值的欧氏距离,dxmax为所有训练光谱样本中与待测光谱样本光谱数据的最大欧式距离,dymax为所有训练光谱样本中与待测光谱样本理化值的最大欧式距离,α1和α2均为权重系数且均∈(0,1),α1+α2=1并且α1>α2。 作为一种改进, 加权对象的权重计算方法为:
利用公式计算加权对象的权重,其中rk为第k个加权对象的权重,dk为第k个加权对象的距离,d1~dn为第1~n个加权对象的距离。
作为一种改进,所述根据权重以及样本数量L总计算每个加权对象需要复制的数量的方法为:利用公式Qk=rk*L总计算加权对象需要复制的数量,其中Qk为第k个加权对象需要复制的数量,rk为第k个加权对象的权重,L总为所需要增加的总的样本数量。
本发明还提供一种光谱样本加权系统,包括:
预处理模块,用于对待测光谱样本以及训练集中训练光谱样本进行预处理,使得所有光谱样本处于相同的量纲;
总增加样本数量计算模块,用于获取训练集中影响预测结果所需要增加的总的样本数量L总;加权对象确定模块,用于计算待测光谱样本与训练集中每个训练光谱样本的距离d,在训练集中选择与待测光谱样本距离较近的部分训练光谱样本作为加权对象;
复制数量计算模块,用于根据待测光谱样本与训练集中每个训练光谱样本的距离d计算加权对象的权重,并根据权重以及样本数量L总计算每个加权对象需要复制的数量。
本发明还提供一种存储介质,所述存储介质内存储有计算机程序,当所述计算机程序被执行时,可实现上述的光谱样本加权方法。
本发明还提供一种计算机系统,包括处理器和存储器,所述存储器内存储有计算机程序,当所述计算机程序被处理器执行时,可实现上述的光谱样本加权方法。
本发明的有益之处在于:
本发明从样本维度出发,通过待测光谱样本与训练集中的训练光谱样本的距离,在训练集中找到待测光谱样本附近样本。根据距离的远近和训练集数量增加训练集中这些附近样本的数量达到加权的目的。本发明可以使用全局的训练集,而只对附件的样本进行加权,并且本发明提供的加权方式只修改建模集本身,所以可以适配各种光谱回归预测算法。另外本发明可以更为灵活的加权训练集的某个区域,同时使用了整个训练集样本建模,提高精度的同时不会降低泛用性。
附图说明
图1为本发明的流程图。
图2为本发明的结构示意图。
实施方式
为了使本领域的技术人员更好地理解本发明的技术方案,下面结合具体实施方式对本发明作进一步的详细说明。
如图1所示,本发明提供一种光谱样本加权方法。本发明中所谓的样本加权,是对光谱数据回归预测中使用的算法进行样本权重的处理。这里的样本权重是针对样本对模型预测结果的重要性进行调整,从而提高模型的预测性能。
本发明具体包括以下步骤:
S1对待测光谱样本以及训练集中训练光谱样本进行预处理,使得所有光谱样本处于相同的量纲。
本发明中,理化值指的是样本的物理或化学性质的数值测量结果,也可以称为样本的标签或真实值。在光谱数据回归问题中,我们常常使用光谱数据作为自变量,来预测物理或化学性质的变量,比如含量、浓度或量比等,这些就是理化值。例如,在食品分析中,我们可以使用光谱数据预测样品中某种成分的含量,该含量就是理化值。在建立预测模型时,通常需要使用一部分样本的光谱和其对应的理化值来训练模型,然后使用其他样本的光谱来验证模型的预测性能。
具体地,本发明中将所有光谱样本处于相同的量纲的方法为将待测光谱样本的光谱数据以及训练光谱样本的光谱数据和理化值进行归一化。
训练集中的训练光谱样本包括光谱数据和其对应的理化值,该理化值为实际测量获得,可以理解为真实的理化值。而待测光谱样本仅包含光谱数据,其理化值需要利用训练集建模来预测。
归一化是一种数学处理方法,用于将数据转换为一个标准范围内。本发明中是用来消除光谱数据中不同维度的量纲,因为后续步骤计算距离时候需要计算每个维度的距离,如果维度之间相差过大,对最后计算的总距离影响会不同,比如说一个样本是(0.1,310)第二个样本是(0.3,320),这两个样本第一个维度是0.1、0.3中间只相差0.2.第二个维度是310和320,中间相差10。
如果我们把这两个维度都归一化在[0,1]之间,每个维度差距都会差不多,对最后距离的计算影响都差不多。极大极小值归一化,也称为最大最小归一化,是一种常用的数据标准化方法。它通过利用数据列中的最大值和最小值进行标准化处理,将数据转换到一个标准范围内,通常是 [0,1]之间。具体计算方式为数据与该列的最小值作差,再除以极差。具体公式为:x=(x-min)/(max-min),其中 x′表示单个数据的取值,min是数据所在列的最小值,max是数据所在列的最大值。
通过归一化处理后,样本的光谱数据以及理化值都在同一量纲上,其对后续预测的影响也在同一水平,保证了预测的精确性。
S2获取训练集中影响预测结果所需要增加的总的样本数量L总。
所谓样本加权通俗点说就扩大样本增加某些样本的数量。因此具体哪些样本需要增加,增加的数量是多少是本发明需要解决的问题。而本步骤的目的正是在于确定增加样本的总数量,其具体又包括。
S21取样步骤,将训练集中的N个训练光谱样本中的一个作为测试样本,其余N-1个作为建模样本进行建模获得模型M测。
例如训练集中共100个训练光谱样本,将1号样本作为测试样本,剩余的2~100号样本作为建模样本进行建模获得模型。
S22基准值计算步骤,将测试样本输入模型M测中获得预测结果T1,并利用预测结果T1计算基准值S。
基准值S的计算方法为利用公式S=T1+β*(Y-T1)计算基准值,其中S为基准值,T1为预测结果,Y为测量值(该理化值为测量结果即真实值,而并非预测结果),β为权重系数且β∈(0,1)。
β值根据经验进行调整,例如取值0.9。通过上述公式计算出一个基准值,位于基准值S和测量值Y之间的预测结果被认为是可接受的。
S23迭代步骤,将测试样本逐次复制1~L份分别加入建模样本中进行建模获得模型M1~ML,将测试样本输入模型M1~ML中获得预测值直到获得的预测值在基准值S与测试样本的测量值Y之间为止,记录迭代次数L。
例如第一次将作为测试样本的1号样本复制1份加入建模样本进行建模获得模型M1,然后将测试样本输入模型M1中获得预测结果K1。然后看K1是否落入基准值S和测量值Y形成的区间。若不在,则将作为测试样本的1号样本复制2份加入建模样本进行建模获得模型M2,然后将测试样本输入模型M2中获得预测结果K2……以此类推,直到第L次,将1号样本复制L份加入建模样本进行建模获得模型ML,然后将测试样本输入模型ML中获得预测结果KL,而预测结果KL落入了基准值S和测量值Y形成的区间位置。此时将迭代次数L记录下来标注为L1。
S24重复S21取样步骤、S22基准值计算步骤和S23迭代步骤,直到训练集中每个训练样本均作为测试样本为止,将获得的N个迭代次数L的平均值作为需要增加的总的样本数量L总。
承接上方例子,1号样本迭代完毕获得迭代次数L1后,将2号样本作为测试样本重复步骤S21~23获得迭代次数L2,直到100号样本作为测试样本获得迭代次数L100。再将获得的迭代次数L1~L100的平均值作为需要增加的总的样本数量L总
S3计算待测光谱样本与训练集中每个训练光谱样本的距离d,在训练集中选择与待测光谱样本距离较近的部分训练光谱样本作为加权对象。
步骤S2计算出了需要增加的总的样本数量,而本步骤的目的在于确定训练集中哪些训练光谱样本作为加权对象即哪些样本需要增加。
具体地,本步骤计算待测光谱样本与训练集中每个训练光谱样本的距离的方法包括:
S31利用偏最小二乘建模获得模型M偏,并将待测光谱样本输入模型M偏预测待测光谱样本的理化值;
S32利用公式d=α1*dx/dxmax+α2*dy/dymax计算待测光谱样本与训练光谱样本的距离,其中d为待测光谱样本与训练光谱样本的距离,dx为待测光谱样本与训练光谱样本光谱数据的欧式距离,dy为待测光谱样本与训练光谱样本理化值的欧氏距离,dxmax为所有训练光谱样本中与待测光谱样本光谱数据的最大欧式距离,dymax为所有训练光谱样本中与待测光谱样本理化值的最大欧式距离,α1和α2均为权重系数且均∈(0,1),α1+α2=1并且α1>α2。
由于光谱数据均为真实值,因此dx可信度更高需要拥有更高的权重,而待测光谱样本的理化值是通过模型M偏预测获得的,因此可信度较低。所以此处权重系数α1>α2,例如α1=0.8而α2=0.2。
再计算出每个训练光谱样本与待测光谱样本的距离后,可选择与待测光谱样本距离较近的部分训练光谱样本作为加权对象。具体地,可将训练光谱样本按照距离的升序进行排列,然后取头部的1/4作为加权对象。
在实际应用中,光谱样本的来源可能会有些许不同。例如在利用近红外进行酒窖理化值预测时,训练集中的训练光谱样本有可能在某些特殊属性如温度、原料等上具有一定差异。而酒窖预测中上述特殊属性对最后获取的理化值影响较大。在该应用场景下,也可以根据光谱样本的特殊属性在训练集中选择相同属性的样本作为加权对象,而无需选择距离排序头部的部分样本。
当然,对于其他方面的实际应用,也可以根据上述方式选择加权对象。
S4根据待测光谱样本与训练集中每个训练光谱样本的距离d计算加权对象的权重,并根据权重以及样本数量L总计算每个加权对象需要复制的数量。
再确定好加权对象后,本步骤的目的在于计算出每个加权对象具体需要增加的数量,即通过每个加权对象的权重来确定其需要增加的数量,权重越高,增加的数量就越多。
具体地,加权对象的权重计算方法为:
利用公式计算加权对象的权重,其中rk为第k个加权对象的权重,dk为第k个加权对象的距离,d1~dn为第1~n个加权对象的距离。
例如,计算出第k个加权对象的权重rk=0.03。那么将权重与需要增加样本的总数量L总相乘即可得出加权对象k需要增加的数量。具体地,
利用公式Qk=rk*L总计算加权对象需要复制的数量,其中Qk为第k个加权对象需要复制的数量,rk为第k个加权对象的权重,L总为所需要增加的总的样本数量。
S5将相应数量的加权对象加入训练集进行建模。
计算出每个加权对象需要增加的数量后,只需要将该加权对象复制相应的数量添加到训练集中即可,然后通过训练集进行建模对待测光谱样本进行预测即可。这样即完成了1个待测光谱样本的预测。新的待测样本样本出现后重复本发明步骤S1~S5即可。
如图2所述,本发明还提供一种光谱样本加权系统,包括:
预处理模块,用于对待测光谱样本以及训练集中训练光谱样本进行预处理,使得所有光谱样本处于相同的量纲;
总增加样本数量计算模块,用于获取训练集中所需要增加的总的样本数量L总;
加权对象确定模块,用于计算待测光谱样本与训练集中每个训练光谱样本的距离d,在训练集中选择与待测光谱样本距离较近的部分训练光谱样本作为加权对象;
复制数量计算模块,用于根据待测光谱样本与训练集中每个训练光谱样本的距离d计算加权对象的权重,并根据权重以及样本数量L总计算每个加权对象需要复制的数量。
本发明还提供一种存储介质,所述存储介质内存储有计算机程序,当所述计算机程序被执行时,可实现上述的光谱样本加权方法。
本发明还提供一种计算机系统,包括处理器和存储器,所述存储器内存储有计算机程序,当所述计算机程序被处理器执行时,可实现上述的光谱样本加权方法。
以上仅是本发明的优选实施方式,应当指出的是,上述优选实施方式不应视为对本发明的限制,本发明的保护范围应当以权利要求所限定的范围为准。对于本技术领域的普通技术人员来说,在不脱离本发明的精神和范围内,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种光谱样本加权方法,应用于酒窖理化值预测,其特征在于,包括:
对待测光谱样本以及训练集中训练光谱样本进行预处理,使得所有光谱样本处于相同的量纲;
确定训练集中所需要增加的总的样本数量L总,包括:
取样步骤,将训练集中的N个训练光谱样本中的一个作为测试样本,其余N-1个作为建模样本进行建模获得模型M测;
基准值计算步骤,将测试样本输入模型M测中获得预测结果T1,并利用预测结果T1计算基准值S:利用公式S=T1+β*(Y-T1)计算基准值,其中S为基准值,T1为预测结果,Y为测量值,β为权重系数且β∈(0,1);
迭代步骤,将测试样本逐次复制1~L份分别加入建模样本中进行建模获得模型M1~ML,将测试样本输入模型M1~ML中获得预测值直到获得的预测值在基准值S与测试样本的测量值Y之间为止,记录迭代次数L;
重复取样步骤、基准值计算步骤和迭代步骤,直到训练集中每个训练样本均作为测试样本为止,将获得的N个迭代次数L的平均值作为需要增加的总的样本数量L总;
计算待测光谱样本与训练集中每个训练光谱样本的距离d,在训练集中选择与待测光谱样本距离最近的10%~60%训练光谱样本作为加权对象;
根据待测光谱样本与训练集中每个训练光谱样本的距离d计算加权对象的权重,并根据权重以及样本数量L总计算每个加权对象需要复制的数量;
将相应数量的加权对象加入训练集进行建模。
2.根据权利要求1所述的一种光谱样本加权方法,其特征在于,所述对待测光谱样本以及训练集中训练光谱样本进行预处理的方法包括:
将待测光谱样本的光谱数据以及训练光谱样本的光谱数据和理化值进行归一化。
3.根据权利要求1所述的一种光谱样本加权方法,其特征在于,所述计算待测光谱样本与训练集中每个训练光谱样本的距离的方法包括:
利用偏最小二乘建模获得模型M偏,并将待测光谱样本输入模型M偏预测待测光谱样本的理化值;
利用公式
d=α1*dx/dxmax+α2*dy/dymax
计算待测光谱样本与训练光谱样本的距离,其中d为待测光谱样本与训练光谱样本的距离,dx为待测光谱样本与训练光谱样本光谱数据的欧式距离,dy为待测光谱样本与训练光谱样本理化值的欧氏距离,dxmax为所有训练光谱样本中与待测光谱样本光谱数据的最大欧式距离,dymax为所有训练光谱样本中与待测光谱样本理化值的最大欧式距离,α1和α2均为权重系数且均∈(0,1),α1+α2=1并且α1>α2。
4.根据权利要求1所述的一种光谱样本加权方法,其特征在于,加权对象的权重计算方法为:
利用公式
计算加权对象的权重,其中rk为第k个加权对象的权重,dk为第k个加权对象的距离,d1~dn为第1~n个加权对象的距离。
5.根据权利要求1所述的一种光谱样本加权方法,其特征在于,所述根据权重以及样本数量L总计算每个加权对象需要复制的数量的方法为:
利用公式
Qk=rk*L总
计算加权对象需要复制的数量,其中Qk为第k个加权对象需要复制的数量,rk为第k个加权对象的权重,L总为所需要增加的总的样本数量。
6.一种光谱样本加权系统,其特征在于包括:
预处理模块,用于对待测光谱样本以及训练集中训练光谱样本进行预处理,使得所有光谱样本处于相同的量纲;
总增加样本数量计算模块,用于获取训练集中所需要增加的总的样本数量L总,包括:
取样步骤,将训练集中的N个训练光谱样本中的一个作为测试样本,其余N-1个作为建模样本进行建模获得模型M测;
基准值计算步骤,将测试样本输入模型M测中获得预测结果T1,并利用预测结果T1计算基准值S:利用公式S=T1+β*(Y-T1)计算基准值,其中S为基准值,T1为预测结果,Y为测量值,β为权重系数且β∈(0,1);
迭代步骤,将测试样本逐次复制1~L份分别加入建模样本中进行建模获得模型M1~ML,将测试样本输入模型M1~ML中获得预测值直到获得的预测值在基准值S与测试样本的测量值Y之间为止,记录迭代次数L;
重复取样步骤、基准值计算步骤和迭代步骤,直到训练集中每个训练样本均作为测试样本为止,将获得的N个迭代次数L的平均值作为需要增加的总的样本数量L总;
加权对象确定模块,用于计算待测光谱样本与训练集中每个训练光谱样本的距离d,在训练集中选择与待测光谱样本距离较近的部分训练光谱样本作为加权对象;
复制数量计算模块,用于根据待测光谱样本与训练集中每个训练光谱样本的距离d计算加权对象的权重,并根据权重以及样本数量L总计算每个加权对象需要复制的数量。
7.一种存储介质,其特征在于,所述存储介质内存储有计算机程序,当所述计算机程序被执行时,可实现权利要求1~5中任意一项所述的光谱样本加权方法。
8.一种计算机系统,包括处理器和存储器,所述存储器内存储有计算机程序,当所述计算机程序被处理器执行时,可实现权利要求1~5中任意一项所述的光谱样本加权方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092163.2A CN116843998B (zh) | 2023-08-29 | 2023-08-29 | 一种光谱样本加权方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311092163.2A CN116843998B (zh) | 2023-08-29 | 2023-08-29 | 一种光谱样本加权方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116843998A CN116843998A (zh) | 2023-10-03 |
CN116843998B true CN116843998B (zh) | 2023-11-14 |
Family
ID=88165490
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311092163.2A Active CN116843998B (zh) | 2023-08-29 | 2023-08-29 | 一种光谱样本加权方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116843998B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5124932A (en) * | 1988-03-10 | 1992-06-23 | Indiana University Foundation | Method for analyzing asymmetric clusters in spectral analysis |
CN101127086A (zh) * | 2007-09-12 | 2008-02-20 | 哈尔滨工程大学 | 高光谱图像复选性加权分类方法 |
CN104252625A (zh) * | 2013-06-28 | 2014-12-31 | 河海大学 | 样本自适应多特征加权的遥感图像分类方法 |
CN105823751A (zh) * | 2016-03-22 | 2016-08-03 | 东北大学 | 基于λ-SPXY算法的红外光谱多元校正回归建模方法 |
CN108416364A (zh) * | 2018-01-31 | 2018-08-17 | 重庆大学 | 分包融合集成学习数据分类方法 |
CN109064553A (zh) * | 2018-10-26 | 2018-12-21 | 东北林业大学 | 基于近红外光谱分析的实木板材节子形态反演方法 |
CN111639697A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于非重复采样与原型网络的高光谱图像分类方法 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
CN114357886A (zh) * | 2022-01-07 | 2022-04-15 | 四川启睿克科技有限公司 | 一种基于多模型加权平均的酒醅近红外光谱建模方法 |
KR20220153088A (ko) * | 2021-07-01 | 2022-11-17 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 비디오 태그 추천 모델의 트레이닝 방법 및 비디오 태그 확정 방법 |
CN115951025A (zh) * | 2022-09-07 | 2023-04-11 | 北京智科远达数据技术有限公司 | 一种水体总磷浓度的反演方法 |
CN116597384A (zh) * | 2023-06-02 | 2023-08-15 | 中国人民解放军国防科技大学 | 基于小样本训练的空间目标识别方法、装置及计算机设备 |
-
2023
- 2023-08-29 CN CN202311092163.2A patent/CN116843998B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5124932A (en) * | 1988-03-10 | 1992-06-23 | Indiana University Foundation | Method for analyzing asymmetric clusters in spectral analysis |
CN101127086A (zh) * | 2007-09-12 | 2008-02-20 | 哈尔滨工程大学 | 高光谱图像复选性加权分类方法 |
CN104252625A (zh) * | 2013-06-28 | 2014-12-31 | 河海大学 | 样本自适应多特征加权的遥感图像分类方法 |
CN105823751A (zh) * | 2016-03-22 | 2016-08-03 | 东北大学 | 基于λ-SPXY算法的红外光谱多元校正回归建模方法 |
CN108416364A (zh) * | 2018-01-31 | 2018-08-17 | 重庆大学 | 分包融合集成学习数据分类方法 |
CN109064553A (zh) * | 2018-10-26 | 2018-12-21 | 东北林业大学 | 基于近红外光谱分析的实木板材节子形态反演方法 |
CN111639697A (zh) * | 2020-05-27 | 2020-09-08 | 西安电子科技大学 | 基于非重复采样与原型网络的高光谱图像分类方法 |
CN113049530A (zh) * | 2021-03-17 | 2021-06-29 | 北京工商大学 | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 |
KR20220153088A (ko) * | 2021-07-01 | 2022-11-17 | 베이징 바이두 넷컴 사이언스 테크놀로지 컴퍼니 리미티드 | 비디오 태그 추천 모델의 트레이닝 방법 및 비디오 태그 확정 방법 |
CN114357886A (zh) * | 2022-01-07 | 2022-04-15 | 四川启睿克科技有限公司 | 一种基于多模型加权平均的酒醅近红外光谱建模方法 |
CN115951025A (zh) * | 2022-09-07 | 2023-04-11 | 北京智科远达数据技术有限公司 | 一种水体总磷浓度的反演方法 |
CN116597384A (zh) * | 2023-06-02 | 2023-08-15 | 中国人民解放军国防科技大学 | 基于小样本训练的空间目标识别方法、装置及计算机设备 |
Non-Patent Citations (3)
Title |
---|
Nuclide Identification Algorithm Based on TrAdaBoost;Haolin Liu 等;《2021 the 4th International Conference on Pattern Recognition and Artificial Intelligence》;114-119 * |
基于中红外光谱法检测煎炸油极性组分;靳佳蕊 等;《食品安全质量检测学报》;第14卷(第5期);45-52 * |
基于机器学习的微量农药光谱预测模型;陈菁菁;《北京信息科技大学学报》;第35卷(第2期);62-66 * |
Also Published As
Publication number | Publication date |
---|---|
CN116843998A (zh) | 2023-10-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111563706A (zh) | 一种基于lstm网络的多变量物流货运量预测方法 | |
CN111680786B (zh) | 一种基于改进权重门控单元的时序预测方法 | |
CN109060702B (zh) | 红外光谱非线性定量分析方法 | |
CN113822499B (zh) | 一种基于模型融合的列车备件损耗预测方法 | |
CN110674996A (zh) | 一种城市交通噪声预测方法 | |
CN110969282A (zh) | 一种基于lstm复合网络的径流量稳定预测方法 | |
CN112085254A (zh) | 基于多重分形协同度量门控循环单元的预测方法及模型 | |
CN115601182A (zh) | 一种基于改进型XGBoost类方法的数据分析方法、定价方法以及相关设备 | |
CN111415008B (zh) | 一种基于vmd-foa-grnn的船舶流量预测方法 | |
CN113780420A (zh) | 基于gru-gcn的变压器油中溶解气体浓度预测方法 | |
CN111598313A (zh) | 一种风功率预测方法 | |
CN114676792A (zh) | 基于随机投影算法的近红外光谱定量分析降维方法及系统 | |
Alshammri et al. | Moving dynamic principal component analysis for non-stationary multivariate time series | |
CN116843998B (zh) | 一种光谱样本加权方法及系统 | |
CN116955926A (zh) | 一种基于深度学习的银行数据分析方法 | |
CN115062551B (zh) | 一种基于时序神经网络的湿物理过程参数化方法 | |
CN115631804A (zh) | 基于数据协调的蒸发过程铝酸钠溶液出口浓度预测方法 | |
CN113159114A (zh) | 一种基于nir数据中应用的高维数据降维交叉验证分析方法 | |
CN112881333B (zh) | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 | |
Guo et al. | Research on precipitation prediction based on a complete ensemble empirical mode decomposition with adaptive noise–long short-term memory coupled model | |
CN114239397A (zh) | 基于动态特征提取与局部加权深度学习的软测量建模方法 | |
CN112990567A (zh) | 建立煤层含气量预测模型的方法、装置、终端与存储介质 | |
CN113011086A (zh) | 一种基于ga-svr算法森林生物量的估测方法 | |
Brokarev et al. | Gas Quality Determination Using Neural Network Model-based System | |
He et al. | A predictive model for the sensory aroma characteristics of flue-cured tobacco based on a back-propagation neural network |
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 |