[发明专利]一种近红外光谱建模方法

摘要

本发明公开了一种近红外光谱建模方法，通过创建若干相同的一维卷积神经网络作为负相关学习中的子网络，在每个子网络的误差函数后加上一个负相关性惩罚项，使用该复合误差函数反向传播这些子网络以进行每个子网络的参数迭代优化调整，通过对每个子网络的参数迭代优化调整实现每个子网络的收敛，最终优化收敛后的子网络即为构建得到的近红外光谱；优点是使用一维卷积神经网络作为基础模型，将一维卷积神经网络与负相关学习方法相结合，采用负相关学习方法对模型进行训练收敛，使模型具有较高的精度，且训练收敛更快，所需的建模时间和计算机资源少。

主权项

1.一种近红外光谱建模方法，其特征在于包括以下步骤：(1)构建校准建模数据集，将该校准建模数据集记为D_cal，其中，为校准建模数据集中第i个近红外光谱，表示校准建模数据集中第i个近红外光谱对应的真实属性值，和构成校准建模数据集中第i个数据对，N₁是校准建模数据集中数据对的数量，i＝1,2,…,N₁，N₁为大于等于20的整数；构建验证数据集，将该验证数据集记为D_ver，表示验证数据集中第j个近红外光谱，表示证数据集中第j个近红外光谱对应的真实属性值，和构成校准建模数据集中第j个数据对，N₂是验证数据集中数据对的数量，j＝1,2,…,N₂，N₂为大于等于20的整数；(2)获取校准建模数据集中所有近红外光谱的维度，然后采用校准建模数据集中所有近红外光谱的维度设定一维度卷积网络中卷积核的大小以及卷积层数，构建M个结构相同的一维度卷积网络，其中M为大于等于2的整数，将每个一维度卷积网络中的权重参数和偏执参数分别采用均值为1，方差为0，参数数值大小范围为[‑1,1]的高斯初始化方式进行初始化，初始化后的M个一维度卷积网络构成子网络集，其中，第m个一维度卷积网络为子网络集的第m个子网络，将第m个子网络记为f_m，第m个子网络的权重参数记为w_m，第m个子网络的偏执参数记为β_m，m＝1,2,…,M；(3)设定优化轮次变量p、每个优化轮次中的迭代优化总次数T以及迭代优化次数变量t，T为大于等于20的整数；(4)对p进行初始化赋值，令p＝1；(5)对子网络集进行第p轮次参数迭代优化，具体过程为：S1、对t进行初始化赋值，令t＝1；S2、对子网络集进行第t次参数迭代优化，具体迭代优化过程为：a、将校准建模数据集D_cal中的第i个光谱样本的近红外光谱数据作为第m个子网络f_m的输入数据输入到第m个子网络f_m，将第m个子网络f_m的输出数据记为将第1个子网络的输出数据至第M个子网络的输出数据的集成输出数据记为将采用公式(1)表示为：b、将第m个子网络在校准建模数据集D_cal上的误差函数loss_m采用公式(2)表示为：其中，p_m(i)为第m个子网络的负相关性惩罚项，λ为负相关性惩罚系数，0≤λ≤1，p_m(i)采用公式(3)表示：c、根据误差函数loss_m计算第m个子网络f_m权重参数的反向传播梯度Δw_m和偏执参数的反向传播梯度Δβ_m：其中，为求导数符号，η为学习率，为大于0且小于1的小数。d、用Adam优化器将Δw_m和Δβ_m从第m个子网络的输出端反向传播到其输入端，实现对第m个子网络f_m中的权重参数w_m和偏执参数β_m的第t次优化，得到第t次参数迭代优化后的第m个子网络f_m；S3、根据公式(6)计算并记录第t次优化后的校准建模数据集的均方根误差RMSEC_t：S4、根据公式(7)计算并记录第t次优化后的验证数据集的均方根误差RMSEV_t：其中，为验证数据集中第j个近红外光谱输入到第t次参数迭代优化后的第m个子网络f_m后得到的输出；S5、判断t是否等于T，如果不等于T，则采用t的当前值加1的和更新t，然后返回步骤S2进行当前轮次的下一次迭代优化，如果等于T，则第p轮次参数迭代优化结束，进入步骤(6)；(6)、对第p轮第t次参数迭代优化的结果进行分析：将第1次优化后的校准建模数据集的均方根误差RMSEC₁至第T次优化后的校准建模数据集的均方根误差RMSEC_T这T个数据作为第一组数据，将第1次优化后的验证数据集的均方根误差RMSEV₁至第T次优化后的验证数据集的均方根误差RMSEV_T这T个数据作为第二组数据，分析第一组数据和第二组数据的变化趋势，如果两组数据中的至少一组数据中，从某一次参数迭代优化开始，后一数据与前一数据之差的绝对值大于等于0且小于等于0.05，则认为该组数据中从该次参数迭代优化开始，数据不随着参数迭代优化次数的增加而变化，此时认定为参数迭代优化条件形成，子网络集的参数迭代优化全部结束，将最后一个优化轮次中第T次优化得到的子网络集中的各个子网络作为近红外光谱模型；否则，采用p的当前值加1的和更新p的值后，返回步骤(5)进行下一个轮次的参数迭代优化，周而复始，直至满足参数迭代优化条件形成。