-
公开(公告)号：CN111220565A
公开(公告)日：2020-06-02
申请号：CN202010045812.3
申请日：2020-01-16
Applicant: 东北大学秦皇岛分校
IPC: G01N21/359
Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CPLS的红外光谱测量仪器标定迁移方法。首先采集源域数据集{Xm,Y}和目标域数据集{Xs,Y}，并对其进行中心化处理，得到中心化处理后的源域数据集{Xm_center,Ycenter}和目标域数据集{Xs_center,Ycenter}；接着基于CPLS算法对矩阵Xm_center、Ycenter进行主成分分析，并对矩阵Xs_center进行主成分分析；再计算转移矩阵Mtrans_pre和转移矩阵Mtrans；最后，对被测对象的物质浓度变量进行预测。本发明能够清除主仪器测量的随机噪声，提高数据利用率和建模精度，降低时间复杂度。
-
公开(公告)号：CN109034186A
公开(公告)日：2018-12-18
申请号：CN201810595182.X
申请日：2018-06-11
Applicant: 东北大学秦皇岛分校
IPC: G06K9/62
CPC classification number: G06K9/6268 , G06K9/6256
Abstract: 本发明涉及一种建立DA‑RBM分类器模型的方法，所述方法包括如下步骤：获取源域数据Xs、与源域数据Xs对应的标签Ys、目标域数据XT以及标签YT；初始化RBM模型参数，将数据Xs、XT输入到RBM网络中，求出一阶特征；将所述一阶特征作为下一阶网络的输入，进行RBM训练；将RBM的隐层输出Hs、HT输入到softmax回归层进行分类；在RBM隐层输出上使用MMD进行源域数据和目标域数据分布的约束；在RBM模型的顶层分类层中使用MMD进行预测结果的约束；构建模型的总代价函数J(θ)，通过优化所述总代价函数来优化分类器模型的参数。本发明所建模型能够对跨域数据进行有效识别。
-
公开(公告)号：CN106680238A
公开(公告)日：2017-05-17
申请号：CN201710009518.5
申请日：2017-01-06
Applicant: 东北大学秦皇岛分校
IPC: G01N21/3563
Abstract: 本发明涉及一种基于红外光谱分析物质成分含量的方法，包括根据源域红外光谱数据和与所述源域红外光谱数据对应的源域物质成分含量建立第一回归模型，求取所述第一回归模型中的参数；获取目标域红外光谱数据，建立目标域红外光谱数据与源域红外光谱数据之间的转移模型，求取所述转移模型中的参数；根据所述目标域红外光谱数据、所述转移模型，利用所述第一回归模型获取与所述目标域红外光谱数据对应的目标域物质成分含量。本发明的分析方法结合迁移学习中的特征迁移方法和偏最小二乘算法，实现目标域到源域光谱特征空间的变换，不但可以去除冗余信息，提高转移的准确性，而且可以在很大程度上降低了转移过程的计算量。
-
公开(公告)号：CN111220566A
公开(公告)日：2020-06-02
申请号：CN202010045991.0
申请日：2020-01-16
Applicant: 东北大学秦皇岛分校
IPC: G01N21/359
Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于OPLS和PDS的红外光谱测量仪器标定迁移方法。首先采集源域数据集和目标域数据集，并对其进行中心化处理，得到中心化处理后的源域数据集和目标域数据集；然后基于OPLS算法，对中心化处理后的源域数据集进行去正交化处理，求出正交部分的得分矩阵、载荷矩阵，提取源域潜结构；接着基于PLS算法对源域潜结构建立标定模型，使用得分矩阵、载荷矩阵对中心化处理后的目标域数据集进行去正交化处理，提取目标域潜结构，并基于PDS算法使目标域潜结构映射到源域潜结构；最后，对被测对象的物质浓度变量进行预测。本发明能够提高标定迁移的精度和效率，且建模过程简单。
-
公开(公告)号：CN111563436B
公开(公告)日：2022-04-08
申请号：CN202010348512.2
申请日：2020-04-28
Applicant: 东北大学秦皇岛分校
IPC: G06K9/00 , G06K9/62 , G01N21/359 , G01N21/3563
Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CT‑CDD的红外光谱测量仪器标定迁移方法。首先，采集源域、目标域数据集{Xm,ym}、{Xs}，使用KS算法划分出源域标定集并对其进行中心化；然后，对中心化后的源域标定集建立PLS标定模型；接着，计算主仪器的特征光谱Tm、从仪器的伪特征光谱利用OLS和数据集{Tm,ym}通过交叉验证确定聚类数目K并对{Tm,ym}和分别聚类，对子数据集建立第k个OLS模型并计算转换矩阵Mk；最后，对被测对象集合的物质浓度变量进行预测。本发明不需要使用标准样本来构建迁移模型，能够大大提高红外光谱测量仪器标定迁移的精度和效率。
-
Patent Agency Ranking
公开(公告)号：CN112414966A
公开(公告)日：2021-02-26
申请号：CN201910774087.0
申请日：2019-08-21
Applicant: 东北大学秦皇岛分校
IPC: G01N21/359 , G06F30/20
Abstract: 本发明公开了基于仿射变化的近红外光谱多目标标定迁移方法，该发明创造性地寻求浓度之间的线性趋势，趋势通常反映为直线，并且可以通过最小二乘回归拟合，同时，在MLCTAI方法中，数据集必须包含多种物质的浓度值，因此，主仪器的预测值包含多个标签，由于从仪器缺少响应值，因此由主仪器构建的PLS2模型将应用于从仪器模型的建立，并计算伪预测值以构建从仪器线性模型，但是，从主仪器视角观察从仪器的数据时会出现偏差，偏差具体表现为从仪器模型相对于主仪器模型的角度和截距差异，仿射变换则是通过旋转和平移来校正两个仪器模型的偏差，并且最终获得校正的预测值。
-
公开(公告)号：CN107918718B
公开(公告)日：2020-05-22
申请号：CN201711068234.X
申请日：2017-11-03
Applicant: 东北大学秦皇岛分校
IPC: G06F17/10
Abstract: 本发明公开了一种基于在线顺序极限学习机的样品成分含量测定方法，包括：采集样品的光谱数据样本，并利用在线顺序极限学习机算法进行建模；利用所建立的模型对样品的成分含量进行测定。本发明通过利用在线顺序极限学习机算法进行建模，无需保留前面使用过的数据而只将前面学习到的知识保留下来以备后用；每次有新的光谱数据到来时，只需要计算新到数据的隐层输出，然后利用前面学习到的知识动态更新中间隐层到输出层之间的输出权重，即可进行快速建模。相较于传统的建模方法，提高了建模速度，减少了不必要的重复计算量以及对数据存储空间的消耗，提高了模型的精度和泛化性能，而且既可以处理每次一个一个到来的数据也可以处理一块一块到来的数据。
-
公开(公告)号：CN107918718A
公开(公告)日：2018-04-17
申请号：CN201711068234.X
申请日：2017-11-03
Applicant: 东北大学秦皇岛分校
IPC: G06F19/00
Abstract: 本发明公开了一种基于在线顺序极限学习机的样品成分含量测定方法，包括：采集样品的光谱数据样本，并利用在线顺序极限学习机算法进行建模；利用所建立的模型对样品的成分含量进行测定。本发明通过利用在线顺序极限学习机算法进行建模，无需保留前面使用过的数据而只将前面学习到的知识保留下来以备后用；每次有新的光谱数据到来时，只需要计算新到数据的隐层输出，然后利用前面学习到的知识动态更新中间隐层到输出层之间的输出权重，即可进行快速建模。相较于传统的建模方法，提高了建模速度，减少了不必要的重复计算量以及对数据存储空间的消耗，提高了模型的精度和泛化性能，而且既可以处理每次一个一个到来的数据也可以处理一块一块到来的数据。
-
公开(公告)号：CN111220565B
公开(公告)日：2022-07-29
申请号：CN202010045812.3
申请日：2020-01-16
Applicant: 东北大学秦皇岛分校
IPC: G01N21/359
Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CPLS的红外光谱测量仪器标定迁移方法。首先采集源域数据集{Xm,Y}和目标域数据集{Xs,Y}，并对其进行中心化处理，得到中心化处理后的源域数据集{Xm_center,Ycenter}和目标域数据集{Xs_center,Ycenter}；接着基于CPLS算法对矩阵Xm_center、Ycenter进行主成分分析，并对矩阵Xs_center进行主成分分析；再计算转移矩阵Mtrans_pre和转移矩阵Mtrans；最后，对被测对象的物质浓度变量进行预测。本发明能够清除主仪器测量的随机噪声，提高数据利用率和建模精度，降低时间复杂度。
-
公开(公告)号：CN111563436A
公开(公告)日：2020-08-21
申请号：CN202010348512.2
申请日：2020-04-28
Applicant: 东北大学秦皇岛分校
IPC: G06K9/00 , G06K9/62 , G01N21/359 , G01N21/3563
Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CT-CDD的红外光谱测量仪器标定迁移方法。首先，采集源域、目标域数据集{Xm,ym}、{Xs}，使用KS算法划分出源域标定集 并对其进行中心化；然后，对中心化后的源域标定集 建立PLS标定模型；接着，计算主仪器的特征光谱Tm、从仪器的伪特征光谱 利用OLS和数据集{Tm,ym}通过交叉验证确定聚类数目K并对{Tm,ym}和 分别聚类，对子数据集 建立第k个OLS模型并计算转换矩阵Mk；最后，对被测对象集合的物质浓度变量进行预测。本发明不需要使用标准样本来构建迁移模型，能够大大提高红外光谱测量仪器标定迁移的精度和效率。
-
-
-
-
-
-
-
-
-
Search Results
16
records
(took 0.026 seconds)
