基于近红外光谱的样本类别识别方法及电子设备与流程

摘要: 本申请涉及烟草检测,具体涉及一种基于近红外光谱的样本类别识别方法及计算机可读存储介质、电子设备。背景技术:1、近红外光谱分析技术具有快速、无损、无需复杂前处理的...
基于近红外光谱的样本类别识别方法及电子设备与流程

本申请涉及烟草检测,具体涉及一种基于近红外光谱的样本类别识别方法及计算机可读存储介质、电子设备。

背景技术:

1、近红外光谱分析技术具有快速、无损、无需复杂前处理的优势,因此在食品、制药、农业等领域被广泛用于样本来源判别、真伪鉴别或质量等级分类。然而,近红外光谱本身存在谱带重叠、信号强度易受样本物理状态干扰等问题,导致不同类别样本之间的光谱差异往往很微弱,仅凭人工观察或简单比对难以实现准确识别。

2、传统的分类方法通常依赖于特征波长筛选结合化学计量学建模,例如先通过cars、uve等算法选择信息波长,再建立pls-da或svm分类模型。这类方法在一定程度上能够实现样本判别,但其性能高度依赖于波长筛选的质量,且难以充分利用光谱中的非线性信息。

技术实现思路

1、本申请提供了一种基于近红外光谱的样本类别识别方法,该方法通过交互注意力方法直接对全光谱进行自适应特征提取,避免了特征波长筛选带来的信息损失问题。

2、第一方面,本申请提供了一种基于近红外光谱的样本类别识别方法,包括:

3、构建用于表征样本集中各样本类别的类别标签向量,获取样本集中各样本的经中心化处理后的近红外光谱数据,样本集包括至少两类样本;

4、构建交互注意力模型;

5、将样本集划分为训练集和验证集,以固定种子方式随机初始化交互注意力模型的各参数,基于训练集中各样本的近红外光谱数据和类别标签向量进行迭代训练,并基于验证集进行验证,获取各参数的最优值,并将最优值代入交互注意力模型获得该次划分对应的分类模型;

6、重复上述划分和迭代训练,获取各次划分对应的分类模型;

7、获取待测样本经中心化处理后的近红外光谱数据输入各分类模型,获取各分类模型输出的预测类别;

8、基于各预测类别确定待测样本的判定类别。

9、在本申请的一些实现方式中,基于训练集中各样本的近红外光谱数据和类别标签向量进行迭代训练,并基于验证集进行验证,获取各参数的最优值,包括:

10、基于训练集中各样本的近红外光谱数据和类别标签向量进行迭代训练,以分类交叉熵作为损失函数,采用梯度下降法迭代优化各参数,并基于验证集进行验证,获取各参数的最优值。

11、在本申请的一些实现方式中,基于训练集中各样本的近红外光谱数据和类别标签向量进行迭代训练,以分类交叉熵作为损失函数,采用梯度下降法迭代优化各参数,并基于验证集进行验证,获取各参数的最优值,包括:

12、针对训练集中的每一样本,获取该样本对应的各参数的梯度值;

13、针对每一参数,累加训练集中所有样本的梯度值,基于累加后的梯度值的平均值更新参数;

14、基于更新参数后的交互注意力模型预测验证集中各样本的类别;

15、若预测的准确率达到验证阈值,确定各更新后的参数的数值为各参数的最优值,否则,继续基于训练集进行迭代训练。

16、在本申请的一些实现方式中,针对训练集中的每一样本,获取该样本对应的各参数的梯度值,包括:

17、针对训练集中的每一样本,基于模型前向传播获取其对应的分类预测概率;

18、基于分类预测概率和类别标签向量获取样本的交叉熵损失值;

19、以交叉熵损失值为起点,通过反向传播计算各参数的梯度值。

20、在本申请的一些实现方式中,参数包括查询权重矩阵、键权重矩阵、值权重矩阵、分类器权重矩阵和分类器偏置向量。

21、在本申请的一些实现方式中,针对训练集中的每一样本,基于模型前向传播获取其对应的分类预测概率,基于分类预测概率和类别标签向量获取样本的交叉熵损失值,包括:

22、针对训练集中的每一样本,基于初始化的参数和样本的近红外光谱数据,获取样本的查询向量、键向量和值向量,并计算向量间的关联得分;

23、获取样本的查询向量与键向量的乘积,对乘积进行归一化处理,获取样本的注意力权重值;

24、利用注意力权重值对值向量进行加权求和,获取样本的特征表示;

25、基于特征表示进行样本分类计算,获取样本的分类预测概率;

26、基于分类预测概率和类别标签向量,获取样本的交叉熵损失值。

27、在本申请的一些实现方式中,基于各预测类别确定待测样本的判定类别,包括:

28、基于各预测类别确定出现次数最多的预测类别为待测样本的判定类别。

29、在本申请的一些实现方式中,样本类别识别方法还包括:

30、基于预测类别的最多出现次数和分类模型的数量的比值确定置信度;

31、将置信度与判定阈值进行比较,若置信度大于判定阈值,则直接输出待测样本的判定类别;否则,标记待测样本为待验证样本。

32、第二方面,本申请还提供了一种计算机可读存储介质,其存储有指令,该指令在计算机上执行时使得计算机执行第一方面任一实现方式的样本类别识别方法。

33、第三方面,本申请还提供了一种电子设备,包括:存储器,用于存储电子设备的一个或多个处理器执行的指令,以及处理器,是电子设备中的一个或多个处理器之一,用于执行第一方面任一实施方式的样本类别识别方法。

34、本申请具有至少以下技术效果:

35、本申请以全光谱作为输入,通过交互注意力方法自适应捕获波长间的非线性关联特征,无需人工干预即可自动提取与样本类别相关的关键光谱信息,实现了近红外光谱样本分类的端到端建模。另外,针对单模型对数据划分敏感的问题,本申请还采用多次随机划分训练集和验证集,训练多个分类模型,通过投票集成输出最终分类结果,有效提升了模型的泛化能力和分类稳定性,克服了传统单模型易受训练集选择影响的技术局限。

1.一种基于近红外光谱的样本类别识别方法,其特征在于,包括:

2.根据权利要求1所述的基于近红外光谱的样本类别识别方法,其特征在于,基于所述训练集中各样本的近红外光谱数据和所述类别标签向量进行迭代训练,并基于所述验证集进行验证,获取各所述参数的最优值,包括:

3.根据权利要求2所述的基于近红外光谱的样本类别识别方法,其特征在于,基于所述训练集中各样本的近红外光谱数据和所述类别标签向量进行迭代训练,以分类交叉熵作为损失函数,采用梯度下降法迭代优化各所述参数,并基于所述验证集进行验证,获取各所述参数的最优值,包括:

4.根据权利要求3所述的基于近红外光谱的样本类别识别方法,其特征在于,针对训练集中的每一样本,获取该样本对应的各所述参数的梯度值,包括:

5.根据权利要求4所述的基于近红外光谱的样本类别识别方法,其特征在于,所述参数包括查询权重矩阵、键权重矩阵、值权重矩阵、分类器权重矩阵和分类器偏置向量。

6.根据权利要求5所述的基于近红外光谱的样本类别识别方法,其特征在于,针对训练集中的每一样本,基于模型前向传播获取其对应的分类预测概率,基于所述分类预测概率和所述类别标签向量获取所述样本的交叉熵损失值,包括:

7.根据权利要求1所述的基于近红外光谱的样本类别识别方法,其特征在于,基于各所述预测类别确定所述待测样本的判定类别,包括:

8.根据权利要求7所述的基于近红外光谱的样本类别识别方法,其特征在于,还包括:

9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有指令,该指令在计算机上执行时使得计算机执行如权利要求1-8任一项所述的样本类别识别方法。

10.一种电子设备,其特征在于,包括:存储器,用于存储所述电子设备的一个或多个处理器执行的指令,以及所述处理器,是所述电子设备中的一个或多个所述处理器之一,用于执行权利要求1-8任一项所述的样本类别识别方法。