[发明专利]一种基于迁移学习的跨组分红外光谱模型移植方法

摘要

本发明涉及一种基于迁移学习的跨组分红外光谱模型移植方法，将源组分和目标组分的样本光谱数据集合并进行主成分分析，并根据累计贡献率选取合适的主成分个数，进行模型移植，迭代训练多个弱定量分析模型，在每次迭代过程中，动态调整源组分和目标组分的样本权重大小。针对源组分数据集的样本，若前一次构建的定量分析模型预测误差较大，则减小该样本的权重；针对目标组分数据集的样本，若前一次构建的定量分析模型预测误差较大，则增大该样本的权重。最后，针对待预测的目标组分样本，将该样本送入每个弱定量分析模型进行预测，通过加权平均的方法对各个弱定量分析模型的结果进行集成汇总，得到的强定量分析模型预测结果。

主权项

1.一种基于迁移学习的跨组分红外光谱模型移植方法，其特征在于，包括以下步骤：S1、将源组分样品数据集和目标组分样品数据集合并，形成一个新的样品数据集{X^k,Y^k}(k＝1,2,…,m+n)；其中和为红外光谱仪扫描得到的光谱信息，即红外光谱定量分析模型的输入；和为待分析的组分含量信息，即红外光谱定量分析模型的输出；m为源组分样品数据集中样品数；n为目标组分样品数据集中样品数；S2、对新的样品数据集中输入矩阵{Xk}(k＝1,2,…,m+n)进行主成分分析(PCA)，并根据累计贡献率确定选取的主成分个数L；S3、将相关参数进行初始化；S4、迭代训练多个弱定量分析模型，当达到最大迭代次数时，输出强定量分析模型。