[发明专利]一种基于迁移学习的跨组分红外光谱模型移植方法

权利要求书

1.一种基于迁移学习的跨组分红外光谱模型移植方法，其特征在于，包括以下步骤：

S1、将源组分样品数据集i＝1,2,…,m和目标组分样品数据集j＝1,2,…,n合并，形成一个新的样品数据集{X^k,Y^k}，k＝1,2,…,m+n；

其中和为红外光谱仪扫描得到的光谱信息，即红外光谱定量分析模型的输入；和为待分析的组分含量信息，即红外光谱定量分析模型的输出；m为源组分样品数据集中样品数；n为目标组分样品数据集中样品数；所述源组分和所述目标组分为不同的组分；

S2、对新的样品数据集中输入矩阵{X^k}进行主成分分析(PCA)，并根据累计贡献率确定选取的主成分个数L；

S3、将相关参数进行初始化；

S4、迭代训练多个弱定量分析模型，当达到最大迭代次数时，输出强定量分析模型；

所述S4中迭代训练弱定量分析模型，模型的输入为主成分分析计算出的得分矩阵S的前L列S_L；当迭代初始次数K≤最大迭代次数N时，模型的输出为Y^k，训练得到弱定量分析模型f^K(S_L；θ)；

所述训练得到的弱定量分析模型f^K(S_L；θ)满足如下的约束条件：

其中θ为定量分析模型的参数；w为源域和目标域中每个样本的权重大小；

所述S4在每次迭代过程中，动态调整源组分和目标组分的样本权重大小；

所述源组分和目标组分的样本权重大小调整过程如下：

真实值为Y^k，假设预测值为T^k，则预测值与真实值之间的误差为：； 所有样品的加权总误差为其中若ε≥0.5，则令ε＝0.5；

弱定量分析模型的权重更新为源组分样品数据集的样品权重更新为目标组分样品数据集的样品权重更新为

更新循环变量：K＝K+1。

2.根据权利要求1所述的一种基于迁移学习的跨组分红外光谱模型移植方法，其特征在于：所述S3中参数初始化具体包括：源组分样品初始权重目标组分样品初始权重迭代初始K＝1，最大迭代次数N，弱定量分析模型初始权重

3.根据权利要求1所述的一种基于迁移学习的跨组分红外光谱模型移植方法，其特征在于：所述弱定量分析模型包括线性模型和非线性模型。

4.根据权利要求1所述的一种基于迁移学习的跨组分红外光谱模型移植方法，其特征在于，所述S4中强定量分析模型输出过程如下：

对于目标组分的一个新样品X，首先利用主成分分析方法提取其前L个主成分，记为X_L，将X_L送入每个弱定量分析模型f^K(·)，并通过加权平均的方法进行集成汇总，集成后得到强定量分析模型预测结果

其中，β_K为弱定量分析模型的权重。