[发明专利]一种基于自学习的方式建立纤维种类图谱库的方法

摘要

本发明公布了一种基于自学习的方式建立纤维种类图谱库的方法，使用稀疏自编码神经网络模型对纤维图谱进行特征学习的方法，得到纤维特征图谱，由此建立纤维种类图谱库；并以一定的相似度和图谱库中的图谱比对来确定被检纤维的纤维种类。本发明利用大数据人工智能的方法提供了一个可操作的实用的纤维建库与检测方法，解决了应用纤维图谱来识别纤维种类的理论成果到可以实际应用的问题。

主权项

1.一种基于自学习方法建立纤维种类图谱库的方法，采用稀疏自编码神经网络模型，针对采用同类型的检测设备得到的同类型的纤维图谱进行特征学习，得到纤维特征图谱，由此建立纤维种类图谱库；包括如下步骤：1)采用稀疏线性神经网络模型作为深度学习图谱分类识别的编码模型；2)针对样本纤维图谱x，采用编码模型提取x的纤维特征，并经Softmax分类器初步确定纤维的分类；具体将样本纤维图谱x输入到编码模型中，提取纤维特征向量，记为X；X表示输入的纤维图谱的二维特征向量；D为标准化基础矩阵，简称为基，用于表示纤维图谱中的波形；X由D中元素d及其系数线性α组合而成，表示为式1：式1中，d1～dp分别表示基中的元素；α1～αp分别表示对应于di的权数；3)如果编码模型的输出表明样本纤维图谱是一已知分类R，则得到输出结果，结束操作；4)如果编码模型的输出表明样本图谱是一未知分类，则将其归为编码模型的未知分类；5)对该未知分类进一步细分，把含有相同关键字的图谱样本归为同一待定分类数据集；当一待定分类数据集中图谱的数据量达到预先设定阈值y后，确定一个新的纤维种类，可采用该关键字命名纤维种类；具体执行如下操作：51)随机从一待定分类集中取少量样本图谱，作为初始比对样本；对少量样本的样本图谱执行操作53)～55)进行预训练，得到此待定分类的初始化特征向量；52)随机从y张图谱中挑选N张图谱，y和N均为预设定值；y为带同样标签/关键字的图谱数量；53)对N张图谱中的每张图谱，按照e*e的尺寸切割成小图片，作为掩模；e为常数，可预设定取值；54)从掩模中随机挑选一系列样本图片，表示为[x1 x2 …]；将图谱使用灰度均衡法对样本图片进行预处理，然后对像素信息进行归一化，通过受限玻尔兹曼机RBM学习机制得到一组初始化基[d1 d2 …]；55)确定目标优化函数，进行训练得到样本的基D；56)进行稀疏编码，得到稀疏向量α；给定一个新的图谱z，利用训练得到的基D，重复步骤53)～55)，得到一个稀疏向量α，即线性系数，为输入的图谱z的特征向量Z在神经网络中的参数，记为Hw,v(z)；57)固定参数Hw,v(z)，作为训练完成后的模型参数；可用于计算相似度；58)对编码模型的Softmax分类器进一步训练，得到优化的回归模型；更新Hw,v(z)，得到新的编码模型；新的编码模型即含有新的纤维分类；通过上述步骤，对编码模型通过调节稀疏系数/向量求解优化值，建立得到纤维种类的图谱库。