1.本发明涉及一种药品分类方法，特别涉及一种基于自编码器和极限学习机的药品分类方法。
背景技术：
：：2.目前虽然深度学习已广泛应用于图像、语音、文本等领域，且均取得了不错的成绩，但是在近红外光谱上的应用还是偏少，因为近红外本质是一维向量，且数据集往往都不大，深度学习虽然有很强的学习能力，但是容易过拟合，且传统的深度学习网络结构不太适合处理一维数据。目前近红外光谱分类主要还是采用机器学习的方法，例如反向传播算法(bp)、支持向量机(svm)、极限学习机等，且这些算法都展现出比较强大的性能。但是这些机器学习算法也有自身的缺陷，例如bp算法容易陷入局部最小，svm分类性能不稳定，计算复杂度高，elm虽然能极大提升学习速度但是效果不稳定。3.另一个不容忽视的问题是数据降维的问题，药品的近红外光谱数据往往含有上百个变量，但并不是所有变量都对药品分类有贡献。特征选择和特征提取方法能够有效获取近红外光谱数据的主要特征，还能实现数据的降维，剔除无关的变量特征。所以除了模型的选择，还要有恰当的特征选择和特征提取方法。相关系数法通过计算不同波长变量和目标值的相关系数，选择出和目标值相关性高的变量，从而达到特征选择的目的，但是这种方法没有考虑波长变量的相互作用，因此这种选择方法具有片面性。技术实现要素：4.为了解决传统elm分类性能不稳定的问题和药品原始数据维度较高、无关信息会影响分类性能的问题，本发明结合双波段变换方法，将自编码器网络和极限学习机结合，提出了一种新的基于dwae‑elm的药品分类方法。其基本思想是：将输入一维光谱经过双波段变换(dw)变换后，将药品的二维光谱作为ae网络的输入向量，利用ae网络进行无监督学习，进而提取出准确的特征信息，ae网络在这里主要是作为近红外光谱数据的特征提取器，之后，将药品数据在ae网络中的编码传入elm，得到预测的分类结果。5.具体技术方案如下：6.基于自编码和极限学习机的药品分类方法，已知药品数据大小为m×p，表示共有m个药品，每个药品有p个特征，包括以下步骤：7.步骤1，数据准备阶段：利用双波段变换将药品的一维光谱数据变换到二维空间，每个药品包含p×p个特征，将药品数据分为训练集和测试集，训练集用来训练ae‑elm模型，测试集用来检验模型的预测性能；8.步骤2，训练模型：训练ae自编码器网络，药品训练集x作为自编码网络的输入，通过映射函数sf输出到隐藏层h，这一步为编码encoder过程，然后隐藏层的数据h通过映射函数sg重构到输出层y，大小与输入数据x相同，这一步称为解码decoder过程，这两个过程表示如下：9.h＝f(x)＝sf(wx bh)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)10.y＝g(h)＝sg(wth by)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)11.其中，w是连接输入层到隐藏层的权重矩阵，wt是w的转置；bh为隐藏层的偏置，by为输出层的偏置，sf和sg都是非线性激活函数，本文选择函数作为激活函数，自编码网络的目的是使得输出值尽可能接近输入的药品二维特征，学习的过程就是不断地减小输出值与药品二维特征之间的重构误差，表达式如下：[0012][0013]其中，dn表示药品训练集，l为重构误差，这里采用均方误差l(x,y)＝‖x‑ꢀy‖2,而j(θ)表示每个药品重构误差的总和。自编码网络的学习过程就是通过反向传播算法不断减小重构误差，优化参数w，bh，by。[0014]之后将训练好的自编码器的隐层(即编码)传递给极限学习机，并对极限学习机进行训练，极限学习机用于实现药品的分类；[0015]步骤3，进入分类阶段：将待分类药品的二维特征输入ae网络得到编码，然后将编码传入极限学习机完成对未知药品进行分类。[0016]进一步的，步骤1中所述的双波段变换包括归一化差分系数ndi、差分系数di、比值系数ri和乘法系数mi四种，采用任一一种方法即可，具体公式分别如下：[0017]ndi＝(ri‑rj)/(ri rj)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0018]di＝ri‑rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0019]ri＝ri/rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0020]mi＝ri·rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)[0021]其中ri和rj分别是药品在波段i和波段j下的吸光度。[0022]进一步的，极限学习机的训练过程如下：[0023]1、给定训练集其中xi代表第i个药品编码向量，总共有n个元素；ti代表第i个药品的one‑hot类别标签向量，大小为m，激活函数g(x)，以及极限学习机的隐藏节点数[0024]2、随机指定输入权重向量wi和偏差bi，为极限学习机的隐藏节点数；[0025]3、计算隐藏层输出矩阵[0026]4、计算输出权重β[0027][0028]其中是矩阵h的moore–penrose(mp)广义逆，t＝[t1,...,tn]t。正交投影法可有效地用于mp逆的计算：如果hth是非奇异的，如果hht是非奇异的，根据岭回归理论，在计算输出权β时，建议在hth或hht的对角线上加一个正值1/λ，可以提高elm的稳定性，于是有:[0029][0030]因此，有elm网络输出：[0031][0032]其中h(x)代表隐层的输出，最终的输出结果就是预测的类别标签。[0033]有益效果[0034]本发明将自编码器(ae)和极限学习机(elm)结合起来，提出了一种新的dwae‑elm模型，用于近红外广谱的药品分类。本发明先将一维光谱数据进行双波段变换转换为二维数据，然后通过自编码器提取二维特征，最后通过极限学习机实现药品分类。该方法解决了传统elm效果不稳定的问题，同时结合自编码器，在尽量保留药品数据主要特征的前提下实现数据的降维，提高分类的效果。经过实验证明，本发明中提出的dwae‑elm方法相比于传统的bp、svm和elm等机器学习方法效果更好，且对训练集数据量不敏感，鲁棒性强，模型的训练速度和预测速度快。附图说明[0035]图1dwae‑elm分类器架构[0036]图2不同训练集比例下各模型的分类训练时间具体实施方式[0037]为了证明本发明中方法的有效性，选择了特定的药品红外数据集，同时与传统的机器学习方法进行对比以证明本方法的优势。[0038]实验采用数据集a。数据集a：“tablet”数据集。原料药的近红外透射光谱由dyrby等人在2002年发表的文章中首次公开，并在http://www.models.life.ku.dk/plates上开源。该药片数据集包含310个样本，测量范围为7000–10500cm‑1，分辨率为16cm‑1，即每个样本总共有404个变量。采用高效液相色谱法测定数据集中活性物质api的含量(％，w/w)。将数据集a中活性物质浓度含量为8.0％w/w的共240个药品作为正类样本，70个活性物质浓度为5.6％w/w的药品做负类样本，为了验证算法在不同训练集大小上的性能，按表1的训练集与测试集的比例对模型结果进行了对比分析。[0039]具体执行步骤如下：[0040]步骤1，首先通过双波段变换方法将药品的一维光谱数据变换到二维空间，每个药品包含404*404个特征。双波段变换包括归一化差分系数(ndi)、差分系数(di)、比值系数(ri)和乘法系数(mi)四种，任选一种即可。[0041]ndi＝(ri‑rj)/(ri rj)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0042]di＝ri‑rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0043]ri＝ri/rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)[0044]mi＝ri·rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0045]其中ri和rj分别是药品在波段i和波段j下的吸光度。[0046]将药品数据按一定比例分为训练集和测试集。训练集用来训练ae‑elm模型，测试集用来检验模型的预测性能。[0047]步骤2，训练ae自编码器网络，药品训练集x作为自编码网络的输入，通过映射函数sf输出到隐藏层h，这一步为编码(encoder)过程，然后隐藏层的数据h通过映射函数sg重构到输出层y，大小与输入数据x相同，这一步称为解码(decoder)过程。为了更清晰的理解自编码网络，这两个过程可以表示为：[0048]h＝f(x)＝sf(wx bh)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0049]y＝g(h)＝sg(wth by)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0050]其中，w是连接输入层到隐藏层的权重矩阵，wt是w的转置；bh为隐藏层的偏置，by为输出层的偏置。sf和sg都是非线性激活函数，本文选择函数作为激活函数。自编码网络的目的是使得输出值尽可能接近输入的药品二维特征，学习的过程就是不断地减小输出值与药品二维特征之间的重构误差，表达式如下：[0051][0052]其中，dn表示药品训练集，l为重构误差，这里采用均方误差l(x,y)＝‖x‑ꢀy‖2,而j(θ)表示每个药品重构误差的总和。自编码网络的学习过程就是通过反向传播算法不断减小重构误差，优化参数w，bh，by。[0053]之后将训练好的自编码器的隐层(即编码)传递给极限学习机，实现药品的分类。极限学习机的训练过程如下：[0054]1、给定训练集其中xi代表第i个药品编码向量，总共有20个元素；ti代表第i个药品的one‑hot类别标签向量，本实验为二分类，所以大小为2。激活函数g(x)，以及极限学习机的隐藏节点数[0055]2、随机指定输入权重向量wi和偏差bi，[0056]3、计算隐藏层输出矩阵[0057]4、计算输出权重β[0058][0059]其中是矩阵h的moore–penrose(mp)广义逆，t＝[t1,...,tn]t。为了提高elm的稳定性，有:[0060][0061]因此，有elm网络输出：[0062][0063]其中h(x)代表隐层的输出，最终的输出结果就是预测的类别标签。[0064]步骤3，进入测试阶段。将测试集中药品的二维特征输入ae网络得到编码，然后将编码传入极限学习机完成对未知药品进行分类。[0065]本实验采用准确度作为模型的评价指标，将每一个比例下的数据集样本分别实验10次，取10次结果的标准差σ作为模型稳定性的评价指标，取10次结果的均值作为模型最终预测值。最终实验效果证明本发明中提出的dwae‑elm方法的有效性，且分类时间要更短，如图2所示。[0066]表1不同训练集比例下各模型的分类准确率与模型误差[0067]table1classificationaccuracyandmodelerrorofeachmodelunderdifferenttrainingsetproportion[0068][0069]σ标准差。当前第1页12当前第1页12
背景技术：
：：2.目前虽然深度学习已广泛应用于图像、语音、文本等领域，且均取得了不错的成绩，但是在近红外光谱上的应用还是偏少，因为近红外本质是一维向量，且数据集往往都不大，深度学习虽然有很强的学习能力，但是容易过拟合，且传统的深度学习网络结构不太适合处理一维数据。目前近红外光谱分类主要还是采用机器学习的方法，例如反向传播算法(bp)、支持向量机(svm)、极限学习机等，且这些算法都展现出比较强大的性能。但是这些机器学习算法也有自身的缺陷，例如bp算法容易陷入局部最小，svm分类性能不稳定，计算复杂度高，elm虽然能极大提升学习速度但是效果不稳定。3.另一个不容忽视的问题是数据降维的问题，药品的近红外光谱数据往往含有上百个变量，但并不是所有变量都对药品分类有贡献。特征选择和特征提取方法能够有效获取近红外光谱数据的主要特征，还能实现数据的降维，剔除无关的变量特征。所以除了模型的选择，还要有恰当的特征选择和特征提取方法。相关系数法通过计算不同波长变量和目标值的相关系数，选择出和目标值相关性高的变量，从而达到特征选择的目的，但是这种方法没有考虑波长变量的相互作用，因此这种选择方法具有片面性。技术实现要素：4.为了解决传统elm分类性能不稳定的问题和药品原始数据维度较高、无关信息会影响分类性能的问题，本发明结合双波段变换方法，将自编码器网络和极限学习机结合，提出了一种新的基于dwae‑elm的药品分类方法。其基本思想是：将输入一维光谱经过双波段变换(dw)变换后，将药品的二维光谱作为ae网络的输入向量，利用ae网络进行无监督学习，进而提取出准确的特征信息，ae网络在这里主要是作为近红外光谱数据的特征提取器，之后，将药品数据在ae网络中的编码传入elm，得到预测的分类结果。5.具体技术方案如下：6.基于自编码和极限学习机的药品分类方法，已知药品数据大小为m×p，表示共有m个药品，每个药品有p个特征，包括以下步骤：7.步骤1，数据准备阶段：利用双波段变换将药品的一维光谱数据变换到二维空间，每个药品包含p×p个特征，将药品数据分为训练集和测试集，训练集用来训练ae‑elm模型，测试集用来检验模型的预测性能；8.步骤2，训练模型：训练ae自编码器网络，药品训练集x作为自编码网络的输入，通过映射函数sf输出到隐藏层h，这一步为编码encoder过程，然后隐藏层的数据h通过映射函数sg重构到输出层y，大小与输入数据x相同，这一步称为解码decoder过程，这两个过程表示如下：9.h＝f(x)＝sf(wx bh)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)10.y＝g(h)＝sg(wth by)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)11.其中，w是连接输入层到隐藏层的权重矩阵，wt是w的转置；bh为隐藏层的偏置，by为输出层的偏置，sf和sg都是非线性激活函数，本文选择函数作为激活函数，自编码网络的目的是使得输出值尽可能接近输入的药品二维特征，学习的过程就是不断地减小输出值与药品二维特征之间的重构误差，表达式如下：[0012][0013]其中，dn表示药品训练集，l为重构误差，这里采用均方误差l(x,y)＝‖x‑ꢀy‖2,而j(θ)表示每个药品重构误差的总和。自编码网络的学习过程就是通过反向传播算法不断减小重构误差，优化参数w，bh，by。[0014]之后将训练好的自编码器的隐层(即编码)传递给极限学习机，并对极限学习机进行训练，极限学习机用于实现药品的分类；[0015]步骤3，进入分类阶段：将待分类药品的二维特征输入ae网络得到编码，然后将编码传入极限学习机完成对未知药品进行分类。[0016]进一步的，步骤1中所述的双波段变换包括归一化差分系数ndi、差分系数di、比值系数ri和乘法系数mi四种，采用任一一种方法即可，具体公式分别如下：[0017]ndi＝(ri‑rj)/(ri rj)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0018]di＝ri‑rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0019]ri＝ri/rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0020]mi＝ri·rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(7)[0021]其中ri和rj分别是药品在波段i和波段j下的吸光度。[0022]进一步的，极限学习机的训练过程如下：[0023]1、给定训练集其中xi代表第i个药品编码向量，总共有n个元素；ti代表第i个药品的one‑hot类别标签向量，大小为m，激活函数g(x)，以及极限学习机的隐藏节点数[0024]2、随机指定输入权重向量wi和偏差bi，为极限学习机的隐藏节点数；[0025]3、计算隐藏层输出矩阵[0026]4、计算输出权重β[0027][0028]其中是矩阵h的moore–penrose(mp)广义逆，t＝[t1,...,tn]t。正交投影法可有效地用于mp逆的计算：如果hth是非奇异的，如果hht是非奇异的，根据岭回归理论，在计算输出权β时，建议在hth或hht的对角线上加一个正值1/λ，可以提高elm的稳定性，于是有:[0029][0030]因此，有elm网络输出：[0031][0032]其中h(x)代表隐层的输出，最终的输出结果就是预测的类别标签。[0033]有益效果[0034]本发明将自编码器(ae)和极限学习机(elm)结合起来，提出了一种新的dwae‑elm模型，用于近红外广谱的药品分类。本发明先将一维光谱数据进行双波段变换转换为二维数据，然后通过自编码器提取二维特征，最后通过极限学习机实现药品分类。该方法解决了传统elm效果不稳定的问题，同时结合自编码器，在尽量保留药品数据主要特征的前提下实现数据的降维，提高分类的效果。经过实验证明，本发明中提出的dwae‑elm方法相比于传统的bp、svm和elm等机器学习方法效果更好，且对训练集数据量不敏感，鲁棒性强，模型的训练速度和预测速度快。附图说明[0035]图1dwae‑elm分类器架构[0036]图2不同训练集比例下各模型的分类训练时间具体实施方式[0037]为了证明本发明中方法的有效性，选择了特定的药品红外数据集，同时与传统的机器学习方法进行对比以证明本方法的优势。[0038]实验采用数据集a。数据集a：“tablet”数据集。原料药的近红外透射光谱由dyrby等人在2002年发表的文章中首次公开，并在http://www.models.life.ku.dk/plates上开源。该药片数据集包含310个样本，测量范围为7000–10500cm‑1，分辨率为16cm‑1，即每个样本总共有404个变量。采用高效液相色谱法测定数据集中活性物质api的含量(％，w/w)。将数据集a中活性物质浓度含量为8.0％w/w的共240个药品作为正类样本，70个活性物质浓度为5.6％w/w的药品做负类样本，为了验证算法在不同训练集大小上的性能，按表1的训练集与测试集的比例对模型结果进行了对比分析。[0039]具体执行步骤如下：[0040]步骤1，首先通过双波段变换方法将药品的一维光谱数据变换到二维空间，每个药品包含404*404个特征。双波段变换包括归一化差分系数(ndi)、差分系数(di)、比值系数(ri)和乘法系数(mi)四种，任选一种即可。[0041]ndi＝(ri‑rj)/(ri rj)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(1)[0042]di＝ri‑rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(2)[0043]ri＝ri/rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(3)[0044]mi＝ri·rjꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(4)[0045]其中ri和rj分别是药品在波段i和波段j下的吸光度。[0046]将药品数据按一定比例分为训练集和测试集。训练集用来训练ae‑elm模型，测试集用来检验模型的预测性能。[0047]步骤2，训练ae自编码器网络，药品训练集x作为自编码网络的输入，通过映射函数sf输出到隐藏层h，这一步为编码(encoder)过程，然后隐藏层的数据h通过映射函数sg重构到输出层y，大小与输入数据x相同，这一步称为解码(decoder)过程。为了更清晰的理解自编码网络，这两个过程可以表示为：[0048]h＝f(x)＝sf(wx bh)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(5)[0049]y＝g(h)＝sg(wth by)ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ(6)[0050]其中，w是连接输入层到隐藏层的权重矩阵，wt是w的转置；bh为隐藏层的偏置，by为输出层的偏置。sf和sg都是非线性激活函数，本文选择函数作为激活函数。自编码网络的目的是使得输出值尽可能接近输入的药品二维特征，学习的过程就是不断地减小输出值与药品二维特征之间的重构误差，表达式如下：[0051][0052]其中，dn表示药品训练集，l为重构误差，这里采用均方误差l(x,y)＝‖x‑ꢀy‖2,而j(θ)表示每个药品重构误差的总和。自编码网络的学习过程就是通过反向传播算法不断减小重构误差，优化参数w，bh，by。[0053]之后将训练好的自编码器的隐层(即编码)传递给极限学习机，实现药品的分类。极限学习机的训练过程如下：[0054]1、给定训练集其中xi代表第i个药品编码向量，总共有20个元素；ti代表第i个药品的one‑hot类别标签向量，本实验为二分类，所以大小为2。激活函数g(x)，以及极限学习机的隐藏节点数[0055]2、随机指定输入权重向量wi和偏差bi，[0056]3、计算隐藏层输出矩阵[0057]4、计算输出权重β[0058][0059]其中是矩阵h的moore–penrose(mp)广义逆，t＝[t1,...,tn]t。为了提高elm的稳定性，有:[0060][0061]因此，有elm网络输出：[0062][0063]其中h(x)代表隐层的输出，最终的输出结果就是预测的类别标签。[0064]步骤3，进入测试阶段。将测试集中药品的二维特征输入ae网络得到编码，然后将编码传入极限学习机完成对未知药品进行分类。[0065]本实验采用准确度作为模型的评价指标，将每一个比例下的数据集样本分别实验10次，取10次结果的标准差σ作为模型稳定性的评价指标，取10次结果的均值作为模型最终预测值。最终实验效果证明本发明中提出的dwae‑elm方法的有效性，且分类时间要更短，如图2所示。[0066]表1不同训练集比例下各模型的分类准确率与模型误差[0067]table1classificationaccuracyandmodelerrorofeachmodelunderdifferenttrainingsetproportion[0068][0069]σ标准差。当前第1页12当前第1页12
再多了解一些
本文用于企业家、创业者技术爱好者查询，结果仅供参考。
