[发明专利]一种基于工作流的振动光谱分析模型优化方法

权利要求书

1.一种基于工作流的振动光谱分析模型优化方法，其特征在于：

所述振动光谱分析模型是主要由预处理方法和多元分析方法的两个步骤依次实施构成，针对振动光谱分析模型采用以下步骤进行优化处理：

步骤1)：初始化确定振动光谱分析模型的评价参数和振动光谱分析模型的优化对象，振动光谱分析模型的优化对象包括所要优化和比较的预处理方法、各个预处理方法需要优化的超参数及其对应的超参数空间、所要优化和比较的多元分析方法、各个多元分析方法需要优化的超参数及其对应的超参数空间；

步骤2)：将所述步骤1)中的各个预处理方法和各个多元分析方法进行排列组合，获得所有可能的方法组合；

步骤3)：根据所述步骤2)获得的所有可能的方法组合和所述步骤1)中各个预处理方法需要优化的超参数及其对应的超参数空间与各个多元分析方法需要优化的超参数及其对应的超参数空间，计算各个方法组合下的超参数和对应的超参数空间组合；

步骤4)：将输入的振动光谱数据划分为训练集和测试集；

步骤5)：将训练集的振动光谱数据分别输入到各个方法组合，根据步骤1)确定的评价参数，在方法组合下的超参数空间内对各个方法组合的超参数进行优化计算，确定方法组合的最优超参数；

步骤6)：将训练集的振动光谱数据分别输入步骤5)获得的各个方法组合的最优超参数所对应建立的振动光谱分析模型进行训练，得到各个振动光谱分析模型的模型参数，由此获得各个组合模型；

步骤7)：将测试集的振动光谱数据分别输入步骤6)中的各个组合模型，计算各个组合模型的评价参数，选出评价参数最优的组合模型作为最优模型。

2.根据权利要求1所述的一种基于工作流的振动光谱分析模型优化方法，其特征在于：所述步骤5)具体为：针对每个方法组合，采用交叉验证和网格搜索相结合的方式搜索每个方法组合的最优超参数：针对方法组合下所有超参数的超参数空间建立多维立体网格，每个超参数的超参数空间是离散的数值的集合，一个超参数对应一个维度，由所有不同超参数的超参数空间内各取的一个数值相组合形成一个超参数组合作为网格中的交叉点，对网格中的每一个交叉点进行遍历，通过交叉验证方式计算每一个交叉点的估测值，然后从网格中选取估测值最佳的交叉点，以该交叉点的超参数组合作为方法组合的最优超参数；上述通过交叉验证方式计算每一个交叉点的估测值，具体为：将训练集分割成多个子样本，子样本的总个数为N；取一个单独的子样本作为验证子样本，其余的N-1个子样本作为训练子样本，将训练子样本输入进行训练，用验证子样本进行验证；按照上述方式以每个子样本取出作为验证子样本进行交叉验证重复N次，每次训练后采用验证子样本验证一次获得验证结果，取N次的验证结果的平均值作为估测值。

3.根据权利要求1所述的一种基于工作流的振动光谱分析模型优化方法，其特征在于：所述步骤1)中，所述的评价参数在定性分析的振动光谱分析模型中为准确率α，所述的评价参数在定量分析的振动光谱分析模型中为均方根误差RMSE，计算公式如下：

其中，n是振动光谱数据中样本数据的总数，n_t是定性分析中分类正确的样本数，定量分析中样本数据的预测值，y_i是定量分析中样本数据的真实值。

4.根据权利要求1所述的一种基于工作流的振动光谱分析模型优化方法，其特征在于：所述步骤4)中，振动光谱数据训练集和测试集的划分方式为随机划分，训练集和测试集的比例为4:1。

5.根据权利要求1所述的一种基于工作流的振动光谱分析模型优化方法，其特征在于：每一种方法组合都要按顺序执行步骤5)、步骤6)和步骤7)，针对不同的方法组合并行进行步骤5)、步骤6)和步骤7)的步骤，不同的方法组合所对应构建的振动光谱分析模型的超参数优化、模型参数训练和评价参数均同时进行。

6.根据权利要求1所述的一种基于工作流的振动光谱分析模型优化方法，其特征在于：所述步骤7)中选择最优模型的方法是选择评价参数最好的模型，在定性分析中是选择准确率最高的组合模型，在定量分析中是选择均方根误差最小的组合模型。