[发明专利]一种用于目标的在不同设备上鉴别的迁移学习方法

说明书

本发明提供了一种用于目标的在不同设备上鉴别的迁移学习方法，包括以下步骤：S1、样品建立序号，依次在不同设备上采集光谱数据；S2、对不同设备上的光谱数据采用相同的数据集划分；S3、分别对不同设备上经过步骤S2处理的光谱数据建模，选出最好的模型；S4、基于步骤S3得到的数据进行求解空间迁移矩阵；S5、利用步骤S4中的空间迁移矩阵将性能较差设备的数据进行空间变换，重新训练，保存相关参数。本发明通过结合空间迁移的方法将某一台设备上较高模型的特征空间迁移到另外一台设备上，从而提升另外一台设备上浅层神经网络模型的性能。

技术领域

本发明属于计算机及光学技术应用领域，尤其涉及一种基于近红外光谱技术的用于目标的在不同设备上鉴别的迁移学习方法。

背景技术

用于目标鉴别的迁移学习是计算机和光谱应用的一个新的技术领域，以二类玉米籽粒为例，由于在实际市场中，玉米籽粒可能出现掺入廉价种子或者在企业生产中出现不同种类籽粒混入的误操作情形。应用近红外光谱技术和计算机技术，目的在于利用模式鉴别的方法，来实现计算机辅助鉴别两类玉米种子混合的情形。然而，在实际应用中，当在某一台设备上训练成功一个玉米籽粒鉴别的模型后，再在另外一台新设备上使用时候会出现鉴别模型失真的情况，即在新设备上的模型鉴别能力出现下降。因此往往需要基于新设备采集更多数据，导致比较耗时。对此，迁移学习可以通过改进不同设备上的二类模型，迁移性能较高的模型，从而实现以较低的数据成本实现设备模型的一致化。

基于近红外光谱技术的玉米单倍体鉴别技术，如采用漫透射方法获取籽粒光谱，可以获得非均匀分布的籽粒内部物质信息。但是由于光谱成分复杂，且漫透射机制还没有完善的理论解释。在实际应用中通过光谱来鉴别籽粒种子，还需要结合计算机模式识别算法来尽量提高单倍体种子的正确鉴别率，我们在使用神经网络模型进行种子类别鉴别时获得了较高鉴别准确率，满足实际的需要。然而，在工程化批量生产设备时，由于设备在组装过程存在工艺差异，即使同一厂家生产的近红外检测器也都存在差异。因此，当将某一台设备上训练好的模型应用到另外一台设备上时候，可能会出现原来好的模型的性能下降。从而利用迁移学习可以降低另外设备重新训练模型时对训练数据的需要。

由此，近年来随着人工智能领域在图像文本语音领域中取得了广泛研究，尤其利用迁移学习来提高模型性能成为一个研究热点问题。为了更好的利用过去数据，2009年上海交通大学学生戴文渊提出了一种基于权重的实例迁移方法TrAdaBoost(SVM)，该方法通过对不相关任务源域(样本的权重的衰减，从而保留具有与当前任务目标域)相似的样本，达到样本迁移的目的。2010年姚亦等人基于TrAdaBoost提出了一种多源域任务的实例迁移。2013年在曹旭东等人提出基于参数迁移的级联贝叶斯的方式，来解决人脸识别在不同设备上的参数迁移问题，2017年黄新昌等人利用TrAdaBoost解决交叉域情感分类，2017年Pooja Rawade更是将其用于交叉域推荐系统，2016年Gravin等人提出DANN迁移学习，可以有效地提高深层神经网络学习时不同域之间的迁移学习，然而对于浅层神经网络，负迁移在该方法中依然存在，并且影响性能,。因此，对迁移学习的研究依然具有其学术和实用价值。

发明内容

(一)要解决的技术问题

鉴于上述技术问题，本发明提供了一种用于目标的在不同设备上鉴别的迁移学习方法。在研究目标分类中，浅层神经网络已经表现出优异的分类性能，可用于自动化设备上。因此，在浅层神经网络基础上进一步研究迁移学习，可以解决目标鉴别模型在不同自动化设备上模型性能改进的问题。为此，本发明通过结合空间迁移的方法将某一台设备上较高模型的特征空间迁移到另外一台设备上，从而提升另外一台设备上浅层神经网络模型的性能。

(二)技术方案

根据本发明的一个方面，提供了一种用于目标的在不同设备上鉴别的迁移学习方法，包括以下步骤：

S1、样品建立序号，依次在不同设备上采集光谱数据；