[发明专利]结合马尔科夫转移场和迁移学习的近红外定量建模方法

权利要求书

1.结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：具体包括以下步骤：

S1、对近红外光谱进行基线漂移校正；

S2、对近红外光谱进行数据增强，得到扩充样本后的数据集；

S3、对扩充样本后的数据集进行划分；

S4、将扩充样本后的数据集中的一维光谱转换为马尔科夫转移场图像；

S5、改进图像分类任务下的深度神经网络模型；

S6、利用迁移学习以冻结卷积层的方式微调改进后的深度神经网络模型。

2.根据权利要求1所述的结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：所述步骤S1中，通过乘法散射校正(MSC)消除近红外光谱基线漂移现象。

3.根据权利要求1所述的结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：所述步骤S2中，包括对近红外光谱数据进行线性变换来扩充数据样本，使网络训练充分学习到光谱特征。

4.根据权利要求1所述的结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：所述步骤S3中，使用联合x-y距离(SPXY)算法，按照相应比例将数据集划分训练集、验证集和预测集，确保每部分的数据集独立且近似同分布。

5.根据权利要求1所述的结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：所述步骤S4中，将每一条光谱序列X＝{X₁，x₂，...，x_n}(x_n是第n个波长点下的光谱强度)，定义Q个区域q_j(j＝1，2，...，Q)，使每一个x_n都能映射到一个q_j；计算各个q_j之间的转移概率，获得一个维度为Q*Q的马尔科夫转移矩阵W：

式中：w_jk(k＝1，2，...，Q)为区域qk中一个波长点后面与邻近区域q_j中相同波长点位置光谱强度的概率，w_jk＝P(x_n∈q_jIx_n-1∈q_k)。

6.根据权利要求5所述的结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：所述步骤S4中，通过将每个概率沿时间顺序排列来扩展马尔科夫转移矩阵，从而生成n*n的MTF矩阵M：

式中：M_hm(h，m＝1，2，...，n)为从x_h映射的区域q_j到x_h映射的区域q_k的转移概率，M_hm＝P(x_h∈q_j→X_m∈q_k)。

7.根据权利要求6所述的结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：所述步骤S4中，MTF矩阵M中元素取值范围为0～1，通过下式可将矩阵I中每个元素的值缩放到0～255之间，使其与图像中像素值对应，从而获得二维图像：

I(h，m)＝int(M_hm*255)

式中：I(h，m)为图像第h行、第m列的像素值；int为取整函数。

8.根据权利要求1所述的结合马尔科夫转移场和迁移学习的近红外定量建模方法，其特征在于：所述步骤S5中，将图像分类任务下的预训练好的神经网络模型的分类器改进为回归器，回归器包含了全连接层Fullyconnected Layers、Softplus激活函数以及回归层Regression Layer。