-
公开(公告)号：CN112613536A
公开(公告)日：2021-04-06
申请号：CN202011443096.0
申请日：2020-12-08
Applicant: 燕山大学
Abstract: 本发明公开了一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其包括如下步骤：步骤1、绘制柴油近红外光谱图并分析柴油不同牌号的分布情况，对牌号标签进行属性映射,并以柴油的不同牌号作为样本集；步骤2、采用SMOTE对样本集进行数据均衡处理，并将样本集划分为训练集样本和测试集样本；步骤3、用训练集样本构建一维深度卷积神经网络的近红外光谱分类模型；步骤4、将测试集样本带入建好的模型中，获得柴油牌号识别的结果，绘制多分类混淆矩阵，并分析每个类别的识别率。本发明不需要大量的预处理，可以提高分类识别的准确性，并可提高少数类样本的识别率。
-
Patent Agency Ranking
公开(公告)号：CN112613536B
公开(公告)日：2024-07-05
申请号：CN202011443096.0
申请日：2020-12-08
Applicant: 燕山大学
IPC: G06V10/764 , G06V10/44 , G06V10/58 , G06V10/82 , G06V10/774 , G06V10/776 , G06N20/10 , G06N20/20 , G06N5/01 , G06N3/0464 , G06N3/084 , G06N3/048
Abstract: 本发明公开了一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其包括如下步骤：步骤1、绘制柴油近红外光谱图并分析柴油不同牌号的分布情况，对牌号标签进行属性映射,并以柴油的不同牌号作为样本集；步骤2、采用SMOTE对样本集进行数据均衡处理，并将样本集划分为训练集样本和测试集样本；步骤3、用训练集样本构建一维深度卷积神经网络的近红外光谱分类模型；步骤4、将测试集样本带入建好的模型中，获得柴油牌号识别的结果，绘制多分类混淆矩阵，并分析每个类别的识别率。本发明不需要大量的预处理，可以提高分类识别的准确性，并可提高少数类样本的识别率。
-
公开(公告)号：CN113378971B
公开(公告)日：2024-05-28
申请号：CN202110722777.9
申请日：2021-06-28
Applicant: 燕山大学
IPC: G06F18/241 , G06F18/214 , G06V10/764 , G06N3/0464
Abstract: 本发明涉及一种近红外光谱的分类模型训练方法、系统及分类方法、系统，利用MTF将每一训练用近红外光谱序列转换为训练用二维图像，得到训练数据集。再构建初始分类模型，利用训练数据集对初始分类模型进行训练，即可得到分类模型。通过引入MTF方法将近红外光谱序列整体转换为图像，保留了原始光谱序列对波长的依赖性以及特征的完整性，通过将一维光谱序列编码为图像，可以将机器视觉图像处理的强大优势应用于一维近红外光谱的分类识别，能够显著提高分类模型的分类准确率。利用该分类模型能够更为准确的对近红外光谱序列进行分类。
-
公开(公告)号：CN113313059B
公开(公告)日：2022-10-04
申请号：CN202110666072.X
申请日：2021-06-16
Applicant: 燕山大学
IPC: G06K9/00 , G06K9/62 , G06N3/04 , G01N21/359
Abstract: 本发明涉及一种一维光谱分类方法及系统，方法包括：获取m个待测样品的近红外光谱原始数据；截取所述近红外光谱原始数据中所有单一光谱序列的峰值数据并进行预处理，然后进行缩放，得到一维度光谱信号数据；将缩放后的一维度光谱信号数据进行极坐标编码；对极坐标编码后的一维度光谱信号数据进行重构，得到格拉姆角和场矩阵和格拉姆角差场矩阵；将格拉姆角和场矩阵和所述格拉姆角差场矩阵存储为图像；对图像进行划分，得到训练集和测试集；采用训练集对卷积神经网络进行训练；将测试集输入至训练好的卷积神经网络中，得到分类结果。本发明中的上述方法可以通过一维光谱与二维图像之间的双映射关系弥补丢失有用特征信息的不足。
-
公开(公告)号：CN113378971A
公开(公告)日：2021-09-10
申请号：CN202110722777.9
申请日：2021-06-28
Applicant: 燕山大学
Abstract: 本发明涉及一种近红外光谱的分类模型训练方法、系统及分类方法、系统，利用MTF将每一训练用近红外光谱序列转换为训练用二维图像，得到训练数据集。再构建初始分类模型，利用训练数据集对初始分类模型进行训练，即可得到分类模型。通过引入MTF方法将近红外光谱序列整体转换为图像，保留了原始光谱序列对波长的依赖性以及特征的完整性，通过将一维光谱序列编码为图像，可以将机器视觉图像处理的强大优势应用于一维近红外光谱的分类识别，能够显著提高分类模型的分类准确率。利用该分类模型能够更为准确的对近红外光谱序列进行分类。
-
公开(公告)号：CN113313059A
公开(公告)日：2021-08-27
申请号：CN202110666072.X
申请日：2021-06-16
Applicant: 燕山大学
Abstract: 本发明涉及一种一维光谱分类方法及系统，方法包括：获取m个待测样品的近红外光谱原始数据；截取所述近红外光谱原始数据中所有单一光谱序列的峰值数据并进行预处理，然后进行缩放，得到一维度光谱信号数据；将缩放后的一维度光谱信号数据进行极坐标编码；对极坐标编码后的一维度光谱信号数据进行重构，得到格拉姆角和场矩阵和格拉姆角差场矩阵；将格拉姆角和场矩阵和所述格拉姆角差场矩阵存储为图像；对图像进行划分，得到训练集和测试集；采用训练集对卷积神经网络进行训练；将测试集输入至训练好的卷积神经网络中，得到分类结果。本发明中的上述方法可以通过一维光谱与二维图像之间的双映射关系弥补丢失有用特征信息的不足。
-
-
-
-
-
Search Results
6
records
(took 0.014 seconds)
