[发明专利]一种基于CNN-SVR模型和迁移学习的光谱模型传递方法

权利要求书

1.一种基于CNN-SVR模型和迁移学习的光谱模型传递方法，其特征在于，具体包括：

S1:获取光谱数据，并进行预处理获得标准化光谱数据，所述光谱数据包括主仪器数据和从仪器数据；

S2:将所述标准化光谱数据划分为训练集和测试集，包括主仪器训练集、主仪器测试集、从仪器训练集和从仪器测试集；

S3:构建主仪器CNN-SVR网络模型，以所述主仪器训练集为输入进行训练后，以所述主仪器测试集进行测试、优化获得主仪器CNN-SVR网络模型及其超参数值；

S4:将所述主仪器CNN-SVR网络模型及其超参数值迁移至所述从仪器CNN-SVR网络中，冻结CNN网络超参数值，输入从仪器训练集对迁移后的CNN-SVR网络模型中的SVR模型参数进行训练更新获得基于CNN-SVR网络的迁移模型；

S5:将从仪器测试集输入所述基于CNN-SVR网络的迁移模型中，输出预测结果。

2.根据权利要求1所述的基于CNN-SVR模型和迁移学习的光谱模型传递方法，其特征在于，所述步骤S1中预处理过程具体包括：

建立PLS模型对光谱数据进行交叉验证，模型主成分数量为1-40，获得交叉验证集；

选取交叉验证集的平均Huber损失最小的主成分数用于对整个数据集重新建模获得第一模型；

将光谱数据输入第一模型中获得预测值，将预测值的预测误差大于预测标准偏差的2.5倍样本标识为异常样本进行删除，获得清洗后光谱数据；

将所述清洗后光谱数据进行标准化处理获得标准化光谱数据，所述标准化处理公式为：X′_ij表示X_ij标准化后的值，i表示第i个样本，j表示第j个波长，X_min表示所有数据中第j个波长吸光度的最小值，X_max表示所有数据中第j个波长吸光度的最大值。

3.根据权利要求2所述的基于CNN-SVR模型和迁移学习的光谱模型传递方法，其特征在于，所述Huber损失的计算公式为：

其中，y为实际值，f(x)为预测值，δ为超参数。

4.根据权利要求1所述的基于CNN-SVR模型和迁移学习的光谱模型传递方法，其特征在于，所述步骤S3具体包括：

构建主仪器CNN-SVR网络模型：确定1D-CNN网络的输入层、隐藏层和输出层，输入层的神经元个数与输入波长变量维度一致，隐藏层包括2个卷积层、展平层、dropout层、激活层和SVR层，输出层为预测值；SVR层的输入为CNN网络中的dropout层的输出；

将主仪器训练集输入CNN-SVR网络模型进行训练，以Huber损失函数值最小为优化目标，采用Adam优化器更新CNN网络参数，并利用主仪器测试集进行预测验证，获得最优的主仪器CNN-SVR网络模型及超参数值；所述预验证过程中的模型预测性能评价指标包括Huber损失、拟合优度R²和均方根误差RMSE。

5.根据权利要求4所述的基于CNN-SVR模型和迁移学习的光谱模型传递方法，其特征在于，所述卷积层通过卷积核对前一层的特征图进行卷积，计算公式为：

k是卷积核，l是层数，M_j是第j个特征图，b是偏置。

6.根据权利要求4所述的基于CNN-SVR模型和迁移学习的光谱模型传递方法，其特征在于，支持向量机回归SVR模型作为CNN网络的最后的线性回归层，其表达式为：

其中w和b是待优化的模型参数。

7.根据权利要求4所述的基于CNN-SVR模型和迁移学习的光谱模型传递方法，其特征在于，模型预测性能评价指标，拟合优度R²和均方根误差RMSE的计算公式为：

其中y_i为实际测量值，f_i为模型预测值。