[发明专利]一种高准确度近红外光谱定量模型建立方法

权利要求书

1.一种高准确度近红外光谱定量模型的建立方法，其特征在于，包括如下步骤：

S1，采用同一光谱仪对同一种样品的一批样本集进行检测，得到光谱集，对光谱集中不同样本的光谱进行样本属性标记，得到源数据集；对所述源数据集进行标准化预处理，得到预处理光谱数据集；然后随机将预处理光谱数据集划分为训练集和验证集；

S2，搭建适用于近红外光谱的1D-MSRCNN；所述1D-MSRCNN包括输入层、隐藏层和输出层，所述隐藏层包括依次串联连接的普通一维卷积网络、1D-inception-resnet网络层、全局最大池化层以及全连接层；所述1D-inception-resnet网络层的结构包括基于一维卷积的inception-resnet结构，所述1D-inception-resnet网络层内的所有卷积均为一维卷积；

S3，模型训练；将训练集从所述1D-MSRCNN的输入层输入到隐藏层，使用Adam优化器对网络模型中的参数进行训练，得到1D-MSRCNN初始模型；

S4，模型验证；将验证集输入1D-MSRCNN初始模型，得到一组初始验证结果；

S5，模型优化，改变1D-MSRCNN初始模型的1D-inception-resnet网络层中各一维卷积的卷积核大小和/或各卷积分支的数目和/或各卷积分支中一维卷积数目，和/或改变1D-MSRCNN初始模型中的1D-inception-resnet网络层的数目，和/或改变1D-MSRCNN初始模型中的普通一维卷积网络中的各一维卷积的卷积核大小和/或普通一维卷积网络中的一维卷积数目，和/或改变1D-MSRCNN初始模型中的普通一维卷积网络的数目，和/或改变1D-MSRCNN初始模型中的全连接层的数目，并重复S3-S4；得到多个1D-MSRCNN初始模型和多组初始验证结果；选择预测值与真实值间的偏差最小的一组初始验证结果对应的1D-MSRCNN初始模型，作为该种样品的高准确度近红外光谱定量模型；所述预测值为所述输出层输出的特征值。

2.根据权利要求1所述高准确度近红外光谱定量模型的建立方法，其特征在于，所述1D-inception-resnet网络层的inception-resnet结构为所有卷积均为一维卷积的inception-resnet-1D结构，所述inception-resnet-1D结构包括inception-1D结构和resnet-1D结构；所述inception-1D结构通过多个卷积分支进行不同尺度的一维卷积运算；所述resnet-1D结构包括并列在所述inception-1D结构之外的跳跃性卷积分支。

3.根据权利要求2所述高准确度近红外光谱定量模型的建立方法，其特征在于，所述inception-1D结构包括并行连接在所述普通一维卷积网络后面的小尺度卷积分支、中尺度卷积分支、大尺度卷积分支和池化卷积分支，所述小尺度卷积分支进行小尺寸的卷积核运算，所述中尺度卷积分支进行中尺寸的卷积核运算，所述大尺度卷积分支进行大尺寸的卷积核运算，所述池化卷积分支进行最大池化运算后再进行一维卷积运算；所述小尺度卷积分支、中尺度卷积分支、大尺度卷积分支和池化卷积分支中均包含激活操作以及BN操作。

4.根据权利要求3所述高准确度近红外光谱定量模型的建立方法，其特征在于，所述resnet-1D结构的跳跃性卷积分支包括一维卷积、BN操作以及激活操作。

5.根据权利要求4所述高准确度近红外光谱定量模型的建立方法，其特征在于，所述激活操作中的激活函数为Relu函数，其定义如下：

所述BN操作为Batch Normalization，用于对输入向量的各个维度单独进行均值为0、方差为1的标准化处理，不进行去相关操作，以避免协方差矩阵和矩阵求逆运算的同时加速训练的效果，其定义如下：