[发明专利]产品分类方法、装置、计算设备及计算机存储介质

权利要求书

1.一种产品分类方法，其特征在于，所述方法包括：

获取待分类产品的多维光谱数据，所述多维光谱数据为所述待分类产品在被多个波长的电磁波照射下反射产生的多个维数的光谱数据，所述光谱数据的维数等于所述电磁波对应的波长的个数；

根据奇异值分解算法对所述多维光谱数据进行降维处理，得到所述待分类产品的光谱特征数据；

将所述待分类产品的光谱特征数据输入分类模型，得到所述待分类产品的种类，所述分类模型是通过训练梯度提升决策树模型得到的。

2.根据权利要求1所述的方法，其特征在于，所述获取待分类产品的多维光谱数据之前，所述方法还包括：

获取多组训练数据，每组训练数据包括一个样品的光谱特征数据和用于标识所述样品的产品种类的标识信息；

根据所述多组训练数据对所述梯度提升决策树模型进行训练，得到所述分类模型。

3.根据权利要求2所述的方法，其特征在于，所述获取多组训练数据包括：

获取所有样品的多维光谱数据；

根据奇异值分解算法对所有样品的多维光谱数据进行降维处理，得到所有样品的光谱特征数据；

对所述所有样品中的每一样品进行标识，以得到所述所有样品各自对应的标识信息，其中，所述所有样品中的同一种类的样品对应的标识信息相同，所述所有样品中的不同种类的样品对应的标识信息不同；

将所有样品的光谱特征数据和所述所有样品各自对应的标识信息作为多组训练数据。

4.根据权利要求3所述的方法，其特征在于，所述根据奇异值分解算法对所有样品的光谱数据进行降维处理，得到所有样品的光谱特征数据，包括：

将所述所有样品的光谱数据组成待降维矩阵A_m×n，待降维矩阵A_m×n的每一行表示一个样品的光谱数据；

计算A_m×n·A^T_m×n得到第一特征矩阵，以及，计算A^T_m×n·A_m×n得到第二特征矩阵；

计算所述第一特征矩阵的第一特征值和第一特征向量，以及，计算所述第二特征矩阵的第二特征值和第二特征向量，所述第一特征值和所述第二特征值相同；

将每一个第一特征向量作为矩阵的一列，得到左奇异矩阵；将每一个第二特征向量作为矩阵的一行，得到右奇异矩阵；将第一特征值和第二特征值中的非零值开方，作为增广对角矩阵的对角元素，得到增广对角矩阵；

确定所述增广对角矩阵的对角元素中最大的k个值，其中k为大于0的自然数；

根据最大的k个值对应的第二特征向量得到所述右奇异矩阵的近似矩阵；

根据公式A_m×n＝U_m×mS_m×nV_n×n≈U_m×kS_k×kV_k×n，对所有样品的光谱数据进行降维处理，得到所有样品的光谱特征数据；

其中，A_m×n表示所有样品的光谱数据，m表示所有样品的总个数，n表示每一样品包含的光谱数据的维数，U_m×m和V_n×n分别为所述左奇异矩阵和所述右奇异矩阵，S_m×n为所述增广对角矩阵，U_m×k、S_k×k、V_k×n分别为U_m×m、S_m×n、V_n×n的近似矩阵，k表示增广对角矩阵S_m×n中奇异值最大的k个值，为所有样品的光谱特征数据。