利用预测阈值来便于光谱分类的制作方法

利用预测阈值来便于光谱分类


背景技术：

1.原材料识别可以用于材料产品(例如，药物产品、医疗产品或食品产品，以及其他示例)的质量控制。例如，可以对材料进行原材料识别以确定该材料的组分成分是否对应于与该材料相关联的包装标签。相对于其他分析技术，光谱分析可以以减少的准备和数据获取时间便于非破坏性原材料识别。


技术实现要素：

2.本文描述的一些实现方式涉及方法。该方法可以包括由设备获得与样本相关联的光谱测量值。该方法可以包括由设备并且基于光谱测量值和全局分类模型生成包括多个类别的局部分类模型。该方法可以包括由设备并且基于光谱测量值来标识局部分类模型的多个类别中的特定类别。该方法可以包括由设备标识与特定类别相关联的预测阈值。该方法可以包括由设备并且基于特定类别和预测阈值对光谱测量值进行分类。该方法可以包括由该设备并且基于对光谱测量值的分类来提供指示样本是否属于特定类别的信息。
3.本文描述的一些实现方式涉及设备。该设备可以包括一个或多个存储器以及一个或多个处理器，该一个或多个处理器被耦合到该一个或多个存储器。一个或多个处理器可以被配置为获得与样本相关联的光谱测量值。一个或多个处理器可以被配置为基于光谱测量值来标识局部分类模型的多个类别中的特定类别。一个或多个处理器可以被配置为标识与特定类别相关联的预测阈值。一个或多个处理器可以被配置为基于特定类别和预测阈值对光谱测量值进行分类。一个或多个处理器可以被配置为基于对光谱测量值的分类来提供指示样本是否属于特定类别的信息。
4.本文描述的一些实现方式涉及存储用于设备的指令集的非暂态计算机可读介质。该指令集在由设备的一个或多个处理器执行时，可以使得设备获得与样本相关联的光谱测量值。该指令集当由设备的一个或多个处理器执行时，可以使得设备基于光谱测量值来标识分类模型的多个类别中的特定类别。该指令集在由设备的一个或多个处理器执行时，可以使得设备标识与特定类别相关联的预测阈值。该指令集当由设备的一个或多个处理器执行时，可以使得设备基于特定类别和预测阈值对光谱测量值进行分类。该指令集当由设备的一个或多个处理器执行时，可以使得设备基于对光谱测量值的分类来提供指示样本是否属于特定类别的信息。
附图说明
5.图1a至图1e是本文描述的示例实现方式的图。
6.图2是其中可以实现本文描述的系统和/或方法的示例环境的图。
7.图3是图2的一个或多个设备的示例部件的图。
8.图4至图6是与利用预测阈值来便于光谱分类相关的示例过程的流程图。
具体实施方式
9.以下对示例实现方式的详细描述参考了附图。不同附图中的相同附图标记可以表示相同或类似的元件。下面的描述使用光谱仪作为示例。然而，本文描述的技术、原理、程序和方法可以用于任何传感器，包括但不限于其他光学传感器和光谱传感器。
10.原材料识别(rmid)是一种用于识别特定样本的组分(例如，成分)以进行识别和/或验证的技术。例如，rmid可以用于验证药物材料中的成分对应于标签上标识的一组成分。在一些情况下，可以利用光谱仪对样本(例如，药物材料)进行光谱分析以确定样本的组分。光谱仪可以确定样本的一组测量值并且可以为光谱测定提供该组测量值。光谱分类技术(例如，分类器)可以基于样本的该组测量值来便于确定样本的组分。
11.然而，要进行光谱分类的一些未知样本(例如，尚未被标识的样本)可能不包括在分类模型被配置为分类的类别中。例如，对于被训练来区分鱼的类型的分类模型，用户可能无意中提供用于分类的牛肉。在此情况下，控制设备可以对特定材料进行光谱分类，并且可能提供特定材料作为特定类型鱼的假阳性识别，这将是不准确的。
12.作为另一个示例，可以训练分类模型来对糖的类型(例如，葡萄糖、果糖、半乳糖和/或类似物)进行分类，并且量化未知样本中每种类型的糖的相应浓度。然而，控制设备和光谱仪的用户可能会基于不正确地使用光谱仪来执行测量而无意中试图对未知的糖样本进行分类。例如，用户可能在离未知样本不正确的距离处、在不同于执行光谱仪以训练分类模型的校准条件的环境条件下等操作光谱仪。在此情况下，当未知样本实际上是第二浓度的第二类型糖时，控制设备可能接收到针对未知样本的不准确光谱，导致未知样品在第一浓度下作为第一类型糖的假阳性识别。
13.本文描述的一些实现方式利用预测阈值来便于光谱分类并且因此减少假阳性识别。例如，接收未知样本的光谱测量值的控制设备可以基于光谱测量值生成局部分类模型和全局分类模型。控制设备可以标识局部分类模型的多个类别中的特定类别(例如，未知样本最可能属于的类别)并且可以标识与该特定类别相关联的预测阈值。预测阈值可以用于限定特定类别的边界周围的容差区域。以此方式，当针对未知样本的光谱测量值满足特定类别的预测阈值时(例如，在特定类别的边界的容差区域内)，控制设备可以确定未知样本属于特定类别。替代地，当针对未知样本的光谱测量值不在特定类别的预测阈值内(例如，不在特定类别的边界的容差区域内)时，控制设备可以确定未知样本不属于特定类别(和/或局部分类模型的任何其他类别)。
14.以此方式，相对于在不使用局部分类模型和/或预测阈值的情况下执行的光谱分析，提高了光谱分析的准确度。这降低了报告未知样本的假阳性识别的可能性，这减少了使用计算资源(例如，处理资源、存储器资源、通信资源和/或功率资源，以及其他示例)来重新检查和/或验证未知样本的识别和/或解决由未知样本的假阳性识别引起的问题。
15.图1a至图1e是与利用预测阈值来便于光谱分类相关联的示例实现方式100的图。如图1a至图1e中所示，示例实现方式100包括控制设备102和光谱仪104。下面结合图2和图3更详细地描述这些设备。
16.如图1a中进一步示出的，并且通过附图标记106，控制设备102可以使得光谱仪104对训练组和验证组(例如，用于全局分类模型的训练和验证的一组已知样本)执行一组光谱测量。例如，控制设备102可以向光谱仪104传输信息，以指示光谱仪104对训练组和验证组
108执行一组光谱测量。训练组和验证组108可以包括第一组训练样本(例如，其测量值用于训练全局分类模型)和第二组验证样本(例如，其测量值用于验证全局分类模型的准确性)。例如，训练组和验证组108可以包括一组材料的一个或多个版本(例如，由不同制造商制造的一个或多个版本以针对制造差异进行控制)。
17.训练组和验证组108可以被选择为包括用于全局分类模型的每个类别的阈值数量的样本。全局分类模型的“类别”可以指一组类似的材料，诸如(在药学背景下)乳糖材料、果糖材料、对乙酰氨基酚材料、异丙肾上腺素材料和/或阿司匹林材料，以及其他示例。用于训练全局分类模型的材料，以及使用全局分类模型对其进行原材料识别的材料，可以被称为感兴趣材料。
18.如附图标记110示出的，光谱仪104可以对训练组和验证组108执行该组光谱测量(例如，基于从控制设备102接收到的指令)。例如，光谱仪104可以确定针对训练组和验证组108的每个样本的光谱，以使得控制设备102能够生成用于将未知样本分类为用于全局分类模型的感兴趣材料中的一个感兴趣材料的类别集。
19.如附图标记112示出的，光谱仪104可以向控制设备102提供光谱测量值集。例如，控制设备102可以接收用于训练样本的第一光谱集和用于验证样本的第二光谱集。控制设备102可以存储标识训练组和验证组108的每个样本的信息。
20.如附图标记114示出的，控制设备102可以基于光谱测量值集来生成全局分类模型。例如，控制设备102可以利用光谱测量值集来标识具有材料类型或浓度的光谱类别。在一些实现方式中，控制设备102可以在生成分类模型时训练全局分类模型。例如，控制设备102可以使得使用第一光谱集(例如，与训练样本相关联的测量值)来训练全局分类模型。另外地或替代地，控制设备102可以执行全局分类模型的评估。例如，控制设备102可以利用第二光谱集(例如，与验证样本相关联的测量值)来验证全局分类模型(例如，用于预测强度)。
21.在一些实现方式中，控制设备102可以使用多阶段确定技术来验证全局分类模型。例如，对于基于原位局部建模的分类，当与局部分类模型结合使用时，控制设备102可以确定全局分类模型是准确的。以此方式，控制设备102确保在提供全局分类模型以供使用之前(诸如通过控制设备102或与另一个光谱仪104相关联的另一个控制设备102)，生成具有阈值精度的全局分类模型。
22.在一些实现方式中，控制设备102可以使用特定的确定技术、并基于光谱测量值的组来生成全局分类模型。例如，控制设备102可以使用支持向量机(svm)技术(例如，用于信息确定的机器学习技术)来生成全局分类模型。“svm”可以指执行模式识别并且使用置信度度量进行分类的监督学习模型。
23.在一些实现方式中，当使用svm技术生成全局分类模型时，控制设备102可以利用特定类型的核函数来确定两个或更多个输入(例如，光谱)的类似性。例如，控制设备102可以利用径向基函数(rbf)(例如，称为svm-rbf)类型的核函数，其可以表示为光谱x和y的k(x,y)＝exp(-||x-y||^2)；线性函数(例如，当用于多阶段确定技术时，称为svm线性和hier-svm线性)类型的核函数，可以表示为k(x,y)＝《x
·
y》；sigmoid函数类型的核函数(例如，称为svm-sigmoid)；和/或多项式函数类型的核函数(例如，称为svm多项式)；指数函数类型的核函数(例如，称为svm指数)；以及其他示例。
24.在一些实现方式中，控制设备102可以利用特定类型的svm置信度度量，诸如概率
值(例如，基于使用概率值技术确定样本是一组类别中的一个类别的成员的概率的确定值)和/或决策值(例如，利用基于模式类似性的决策函数为一组类别中的一个类别投票的确定值，该类别作为样本是其成员的类别)。例如，在具有基于决策值的svm的全局分类模型的使用期间，控制设备102可以基于未知样本的光谱的标绘来确定未知样本是否位于组成类别的边界内，并且可以基于未知样本是否位于组成类别的边界内来将样本分配给类别。以此方式，控制设备102可以确定是否将未知光谱分配给特定类别。
25.在一些实现方式中，控制设备102可以利用特定的类别比较技术来确定决策值。例如，控制设备102可以利用一对全部决策值技术(有时称为一对全部其他决策值技术)，其中全局分类模型被分成一组子模型，每个子模型与全部其他基座模型进行比较，以及基于针对每个子模型的比较来确定决策值。另外地或替代地，控制设备102可以利用全部对决策值技术，其中全局分类模型被分成每个可能的类别对以形成子模型，根据该子模型确定决策值。
26.如图1b中所示，并且通过附图标记116，控制设备102(例如，上面描述的相同的控制设备102，或不同的控制设备102)可以获得全局分类模型(例如，从存储器、从生成全局分类模型的另一个控制设备102等)。如附图标记118示出的，控制设备102可以使光谱仪104(例如，上述相同的光谱仪104，或不同的光谱仪104)执行光谱测量。例如，控制设备102可以提供指令以使光谱仪104获得针对未知样本120(例如，要对其执行分类的未知样本)的光谱。如附图标记122示出的，光谱仪104可以对未知样本120执行光谱测量(例如，基于从控制设备102接收到的指令)。例如，光谱仪104可以确定针对未知样本120的光谱。如附图标记124示出的，光谱仪104可以向控制设备102提供光谱测量值。例如，控制设备102可以接收光谱测量值并且可以存储光谱测量值。
27.如图1b中进一步示出的，并且通过附图标记126，控制设备102可以生成局部分类模型(例如，使用原位局部建模)。例如，控制设备102可以处理光谱测量值和/或全局分类模型，以生成局部分类模型。在一些实现方式中，控制设备102可以确定对应于未知样本属于包括在全局分类模型中的多个类别的可能性的多个置信度度量(例如，概率值、决策值和/或其他示例)。在此情况下，控制设备102可以基于多个置信度度量从全局分类模型的多个类别中选择类别集(例如，具有n个最高置信度度量的n个类别的集合，其中n≥2)，并且可以基于类别集生成局部分类模型。局部分类模型可以是使用svm技术和类别集生成的原位局部分类模型。
28.如图1c中所示，并且通过附图标记128，控制设备102(例如，上面讨论的控制设备102中的一个控制设备或不同的控制设备102)可以获得局部分类模型(例如，从存储器、从生成局部分类模型的另一个控制设备102等)。如附图标记130示出的，控制设备102可以标识局部分类模型的特定类别。例如，控制设备102可以标识局部分类模型的多个类别中的“优胜”类别(例如，多个类别中未知样本120最有可能属于的类别)。
29.在一些实现方式中，为了标识特定类别，控制设备102可以确定与局部分类模型的多个类别中的每个类别相关联的决策值集。例如，控制设备102可以使用svm-rbf核函数来确定决策值集，该svm-rbf核函数利用一对全部决策值技术。此外，控制设备102可以确定特定决策值集的阈值数量的决策值(例如，特定决策值集的大多数决策值、特定决策值集的全部决策值或其他示例)是否均小于特定决策值阈值(例如，零或另一个值)。当控制设备102
确定该特定决策值集的阈值数量的决策值均小于特定决策值阈值时，控制设备102可以确定与局部分类模型的多个类别中的每个类别相关联的概率值集，并且可以基于概率值集来确定特定类别。例如，控制设备102可以使用利用概率值技术的svm-rbf核函数来确定概率值集，并且可以选择与最大概率值相关联的类别作为特定类别。替代地，当控制设备102确定特定决策值集的阈值数量的决策值均大于或等于特定决策值阈值时，控制设备102可以确定与局部分类模型的多个类别中的每个类别相关联的另外的决策值集，以及基于另外的决策值集来确定特定类别。例如，控制设备102可以使用利用全部对决策值技术的svm线性核函数来确定另外的决策值集，并且可以选择与最大决策值相关联的类别作为特定类别。
30.如图1d中所示，并且通过附图标记132，控制设备102可以标识与特定类别相关联的预测阈值。预测阈值可以用于限定特定类别的边界周围的容差区域。以此方式，当针对未知样本120的光谱测量值在特定类别的预测阈值内(例如，在特定类别的边界的容差区域内)时，控制设备102可以确定未知样本120属于特定类别。替代地，当针对未知样本120的光谱测量值不在特定类别的预测阈值内(例如，不在特定类别的边界的容差区域内)时，控制设备102可以确定未知样本120不属于特定类别(或局部分类模型的任何其他类别)。以此方式，控制设备102基于降低报告未知样本120为感兴趣材料的假阳性识别的可能性，使得未知样本120的光谱分析相对于其他分类模型具有改善的准确度。
31.在一些实现方式中，为了标识与特定类别相关联的预测阈值，控制设备102可以确定与特定类别相关联的第一决策值集，可以确定与特定类别相关联的第二决策值集，和/或可以确定与局部分类模型的多个类别中的至少一个其他类别(例如，不包括特定类别)相关联的第三决策值集。例如，控制设备102可以使用利用自预测技术的svm-rbf核函数来确定与特定类别相关联的第一决策值集。作为另一个示例，控制设备102可以使用利用交叉验证技术(例如，留一交叉验证技术)的svm-rbf核函数来确定与特定类别相关联的第二决策值集。在另外的示例中，控制设备102可以使用如下svm-rbf核函数来确定与至少一个其他类别相关联的第三决策值集，该核函数利用二进制分类技术(例如，一对全部技术，诸如在一对全部中特定类别为“一”)。控制设备102可以基于第一决策值集、第二决策集和第三决策值集中的至少两个决策值集来确定与特定类别相关联的预测阈值。
32.例如，控制设备102可以确定第一决策值集的第一数量的决策值小于特定决策值阈值(例如，零或另一个值)，并且第二决策值集的第二数量的决策值小于特定决策值阈值。控制设备102可以确定第一数量(例如，第一百分比)和第二数量(例如，第二百分比)均大于或等于数量阈值(例如，百分比阈值，诸如50％、70％、95％或100％，以及其他示例)。因此，控制设备102可以使用第一预测方案来确定预测阈值。例如，当控制设备102使用第一预测方案时，控制设备102可以基于第二决策值集的最小决策值和/或第三决策值集的最大决策值来确定预测阈值。
33.作为替代示例(例如，在确定第一数量和第二数量中的至少一个数量小于数量阈值之后)，控制设备102可以确定第一决策值集的第一最小决策值和/或第二决策值集的第二最小决策值。控制设备102可以确定第一最小决策值或第二最小决策值中的至少一个决策值是否大于或等于特定决策值阈值(例如，零或另一个值)。当控制设备102确定第一最小决策值或第二最小决策值中的至少一个决策值大于或等于特定决策值阈值时，控制设备102可以使用第一预测方案来确定预测阈值。替代地，当控制设备102确定第一最小决策值
和第二最小决策值两者都小于特定决策值阈值时，控制设备102可以使用第二预测方案来确定预测阈值。例如，当控制设备102使用第二预测方案时，控制设备102可以基于第一最小决策值和/或第二最小决策值来确定预测阈值。
34.如图1e中所示，并且通过附图标记134，控制设备102可以对未知样本120的光谱测量值进行分类。在一些实现方式中，控制设备102可以基于局部分类模型的特定类别和与该特定类别相关联的预测阈值，对光谱测量值进行分类。例如，控制设备102可以确定针对光谱测量值的决策值，并且可以确定决策值是否在由特定类别的边界和/或预测阈值限定的区(例如，特定类别的边界周围的容差区域)内。当控制设备102确定决策值在该区内时，控制设备102可以将光谱测量分类为特定类别的一部分。因此，控制设备102可以确定未知样本120属于特定类别。替代地，当控制设备102确定决策值不在该区内时，控制设备102可以将光谱测量分类为不是特定类别的一部分(和/或不属于局部分类模型的多个类别中的任何类别)。因此，控制设备102可以确定未知样本120不属于特定类别(和/或未知样本120不属于局部分类模型的多个类别中的任何类别)。
35.如附图标记136示出的，控制设备102可以提供与未知样本120的识别相关的信息。例如，基于将光谱测量分类为特定类别的一部分和/或确定未知样本120属于特定类别，控制设备102可以提供(例如，向客户端设备140)如下信息：该信息指示与未知样本120相关联的光谱测量值被确定为与特定类别相关联，从而识别未知样本。作为另一个示例，基于不将光谱测量值分类为特定类别的一部分和/或确定未知样本120不属于特定类别，控制设备102可以提供(例如，向客户端设备140)指示分类失败的信息，从而降低假阳性确定的可能性。在一些实现方式中，控制设备102可以提供信息以使得该信息被显示在(例如，客户端设备140的)显示器上(例如，作为警报、作为消息和/或作为信息仪表板的一部分，以及其他示例)。
36.以此方式，控制设备102基于降低报告未知样本120为感兴趣材料的假阳性识别的可能性，使得未知样本120的光谱分析相对于其他分类模型具有改善的准确度。
37.如上所述，图1a至图1e是作为示例提供的。其他示例可能不同于关于图1a至图1e所描述的。图1a至图1e中示出的设备的数量和布置是作为示例提供的。在实践中，可以存在与图1a至图1e中示出的那些相比另外的设备、更少的设备、不同的设备或不同布置的设备。此外，图1a至图1e中示出的两个或更多个设备可以在单个设备内实现，或图1a至图1e中示出的单个设备可以实现为多个分布式设备。另外地或替代地，图1a至图1e中示出的一组设备(例如，一个或多个设备)可以执行被描述为由图1a至图1e中示出的另一组设备执行的一个或多个功能。
38.图2是示例环境200的图，在该示例环境中可以实现本文描述的系统和/或方法。如图2中所示，环境200可以包括控制设备102、光谱仪104、客户端设备140和网络210。环境200的设备可以经由有线连接、无线连接或有线和无线连接的组合来互连。
39.控制设备102包括能够存储、处理和/或路由与基于光谱测量值标识未知样本相关联的信息的一个或多个设备。例如，控制设备102可以包括服务器、计算机(例如，台式计算机、膝上型计算机或平板计算机)、可穿戴设备、云计算环境中的云计算设备、移动设备、智能电话等，其使用特定分类器并且基于训练组的一组光谱测量来生成分类模型，和/或利用分类模型来标识未知样本。在一些实现方式中，多个控制设备102可以利用公共分类模型。
例如，第一控制设备102可以生成分类模型，并且向第二控制设备102提供分类模型，第二控制设备102可以使用分类模型来标识未知样本(例如，在餐馆、肉类别包装厂或药房，以及其他示例)。例如，控制设备102可以利用具有线性核、rbf核或另一个核的svm类型的分类器。在此情况下，控制设备102可以基于置信度测量技术、决策值技术或另一个技术来执行分类。在一些实现方式中，控制设备102可以与特定的光谱仪104相关联。在一些实现方式中，控制设备102可以与多个光谱仪104相关联。在一些实现方式中，控制设备102可以从环境200中的另一个设备(诸如光谱仪104和/或客户端设备140)接收信息和/或向其传输信息。
40.光谱仪104包括一个或多个能够对样本进行光谱测量的设备。例如，光谱仪104可以包括光谱仪设备，该光谱仪设备执行光谱分析(例如，振动光谱分析，诸如近红外(nir)光谱分析、中红外光谱分析(mid-ir)、拉曼光谱分析等)。在一些实现方式中，光谱仪104可以从环境200中的另一个设备(诸如控制设备102和/或客户端设备140)接收信息和/或向其传输信息。
41.客户端设备140包括能够接收、生成、存储、处理和/或提供与基于光谱测量值标识未知样本相关联的信息的一个或多个设备，如本文别处所描述的。客户端设备140可以包括通信设备和/或计算设备。例如，客户端设备140可以包括无线通信设备、移动电话、用户装备、膝上型计算机、平板计算机、台式计算机或类似类型的设备。在一些实现方式中，客户端设备140可以从环境200中的另一个设备(诸如控制设备102和/或光谱仪104)接收信息和/或向其传输信息。
42.网络210可以包括一个或多个有线和/或无线网络。例如，网络210可以包括蜂窝网络(例如，长期演进(lte)网络、3g网络、码分多址(cdma)网络等)、公共陆地移动网络(plmn)、局域网(lan)、广域网(wan)、城域网(man)、电话网络(例如，公共交换电话网(pstn))、专用网络、自组织网络、内联网、互联网、基于光纤的网络、云计算网络等，和/或这些或其他类型网络的组合。
43.图2中示出的设备和网络的数量和布置是作为示例提供的。在实践中，可以存在与图2中示出的那些相比另外的设备和/或网络、更少的设备和/或网络、不同的设备和/或网络、或不同布置的设备和/或网络。此外，图2中示出的两个或更多个设备可以在单个设备内实现，或图2中示出的单个设备可以实现为多个分布式设备。例如，尽管控制设备102和光谱仪104在本文被描述为两个独立的设备，但是控制设备102和光谱仪104可以在单个设备内实现。另外地或替代地，环境200的一组设备(例如，一个或多个设备)可以执行被描述为由环境200的另一组设备执行的一个或多个功能。
44.图3是设备300的示例部件的图，其可以对应于控制设备102、光谱仪104和/或客户端设备140。在一些实现方式中，控制设备102、光谱仪104和/或客户端设备140可以包括一个或多个设备300和/或设备300的一个或多个部件。如图3中所示，设备300可以包括总线310、处理器320、存储器330、输入部件340、输出部件350和通信部件360。
45.总线310包括使能在设备300的部件之间进行有线和/或无线通信的一个或多个部件。总线310可以将图3的两个或更多个部件耦合在一起，诸如经由操作耦合、通信耦合、电子耦合和/或电耦合。处理器320包括中央处理单元、图形处理单元、微处理器、控制器、微控制器、数字信号处理器、现场可编程门阵列、专用集成电路和/或另一个类型的处理部件。处理器320以硬件、固件或硬件和软件的组合来实现。在一些实现方式中，处理器320包括一个
或多个处理器，该一个或多个处理器能够被编程为执行本文别处描述的一个或多个操作或过程。
46.存储器330包括易失性和/或非易失性存储器。例如，存储器330可以包括随机存取存储器(ram)、只读存储器(rom)、硬盘驱动器和/或另一个类型的存储器(例如，快闪存储器、磁存储器和/或光学存储器)。存储器330可以包括内部存储器(例如，ram、rom或硬盘驱动器)和/或可移除存储器(例如，可经由通用串行总线连接移除)。存储器330可以是非暂态计算机可读介质。存储器330存储与设备300的操作相关的信息、指令和/或软件(例如，一个或多个软件应用程序)。在一些实现方式中，存储器330包括一个或多个存储器，该一个或多个存储器诸如经由总线310被耦合到一个或多个处理器(例如，处理器320)。
47.输入部件340使得设备300能够接收输入，诸如用户输入和/或感测到的输入。例如，输入部件340可以包括触摸屏、键盘、小键盘、鼠标、按钮、传声器、开关、传感器、全球定位系统传感器、加速度计、陀螺仪和/或致动器。输出部件350使得设备300能够提供输出，诸如经由显示器、扬声器和/或发光二极管。通信部件360使得设备300能够经由有线连接和/或无线连接与其他设备通信。例如，通信部件360可以包括接收器、发射器、收发器、调制解调器、网络接口卡和/或天线。
48.设备300可以执行本文描述的一个或多个操作或过程。例如，非暂态计算机可读介质(例如，存储器330)可以存储指令集(例如，一个或多个指令或代码)以供处理器320执行。处理器320可以执行指令集来执行本文描述的一个或多个操作或过程。在一些实现方式中，由一个或多个处理器320执行指令集使得一个或多个处理器320和/或设备300执行本文描述的一个或多个操作或过程。在一些实现方式中，可以使用硬连线电路系统来代替指令或与指令相结合以执行本文描述的一个或多个操作或过程。另外地或替代地，处理器320可以被配置为执行本文描述的一个或多个操作或过程。因此，本文描述的实现方式不限于硬件电路和软件的任何特定组合。
49.图3中示出的部件的数量和布置是作为示例提供的。设备300可以包括与图3中示出的部件相比另外的部件、更少的部件、不同的部件或不同布置的部件。另外地或替代地，设备300的一组部件(例如，一个或多个部件)可以执行被描述为由设备300的另一组部件执行的一个或多个功能。
50.图4是与利用预测阈值来便于光谱分类相关联的示例过程400的流程图。在一些实现方式中，图4的一个或多个过程框可以由设备(例如，控制设备102)来执行。在一些实现方式中，图4的一个或多个过程框可以由与该设备分离或包括该设备的另一设备或一组设备(诸如光谱仪(例如光谱仪104)和/或客户端设备(诸如客户端设备140))来执行。另外地或替代地，图4的一个或多个过程框可以由设备300的一个或多个部件(诸如处理器320、存储器330、输入部件340、输出部件350和/或通信部件360)来执行。
51.如图4中所示，过程400可以包括获得与样本相关联的光谱测量值(框410)。例如，如上描述的，该设备可以获得与样本相关联的光谱测量值。
52.如图4中进一步示出的，过程400可以包括基于光谱测量值和全局分类模型生成包括多个类别的局部分类模型(框420)。例如，如上描述的，该设备可以基于光谱测量值和全局分类模型生成包括多个类别的局部分类模型。
53.如图4中进一步示出的，过程400可以包括基于光谱测量值来标识局部分类模型的
多个类别中的特定类别(框430)。例如，如上描述的，该设备可以基于光谱测量值来标识局部分类模型的多个类别中的特定类别。
54.如图4中进一步示出的，过程400可以包括标识与特定类别相关联的预测阈值(框440)。例如，如上描述的，设备可以标识与特定类别相关联的预测阈值。
55.如图4中进一步示出的，过程400可以包括基于特定类别和预测阈值对光谱测量值进行分类(框450)。例如，如上描述的，该设备可以基于特定类别和预测阈值对光谱测量值进行分类。
56.如图4中进一步示出的，过程400可以包括基于对光谱测量值的分类，提供指示样本是否属于特定类别的信息(框460)。例如，如上描述的，该设备可以基于对光谱测量值的分类来提供指示样本是否属于特定类别的信息。
57.过程400可以包括另外的实现方式，诸如以下描述的和/或结合本文别处描述的一个或多个其他过程的任何单个实现或实现方式的任意组合。
58.在第一实现方式中，标识特定类别包括：确定与局部分类模型的多个类别中的每个类别相关联的决策值集，确定特定决策值集的阈值数量的决策值均小于特定决策值阈值，基于确定特定决策值集的阈值数量的决策值均小于特定决策值阈值，确定与局部分类模型的多个类别中的每个类别相关联的概率值集，以及基于与局部分类模型的多个类别中的每个类别相关联的概率值集，确定特定类别。
59.在第二实现方式中，单独或与第一实现方式相结合，使用利用一对一决策值技术的支持向量机径向基函数(svm-rbf)核函数来确定与局部分类模型的多个类别中的每个类别相关联的决策值集，并且使用利用概率值技术的svm-rbf核函数来确定与局部分类模型的多个类别中的每个类别相关联的概率值集。
60.在第三实现方式中，单独或与第一实现方式和第二实现方式中的一个或多个相结合，标识特定类别包括：确定与局部分类模型的多个类别中的每个类别相关联的第一决策值集，确定第一决策值集的阈值数的决策值均大于或等于特定决策值阈值，基于确定第一决策值集的阈值数量的决策值均大于或等于特定决策值阈值，确定与局部分类模型的多个类别中的每个类别相关联的第二决策值集，以及基于与局部分类模型的多个类别中的每个类别相关联的第二决策值集，确定特定类别。
61.在第四实现方式中，单独或与第一实现方式至第三实现方式中的一个或多个相结合，使用利用一对全部决策值技术的svm-rbf核函数来确定与局部分类模型的多个类别中的每个类别相关联的第一决策值集，并且使用利用全部对决策值技术的svm线性核函数来确定与局部分类模型的多个类别中的每个类别相关联的第二决策值集。
62.在第五实现方式中，单独或与第一实现方式至第四实现方式中的一个或多个相结合，标识与特定类别相关联的预测阈值包括：确定与特定类别相关联的第一决策值集，确定与特定类别相关联的第二决策值集，确定与多个类别中的至少一个其他类别相关联的第三决策值集；以及基于第一决策值集、第二决策值集或第三决策值集中的至少两个决策值集，确定与特定类别相关联的预测阈值。
63.在第六实现方式中，单独或与第一实现方式至第五实现方式中的一个或多个相结合，使用利用自预测技术的svm-rbf核函数来确定与特定类别相关联的第一决策值集，使用利用交叉验证技术的svm-rbf核函数来确定与特定类别相关联的第二决策值集，以及使用
利用二元分类技术的svm-rbf核函数来确定与至少一个其他类别相关联的第三决策值集。
64.在第七实现方式中，单独或与第一实现方式至第六实现方式中的一个或多个相结合，确定与特定类别相关联的预测阈值包括：确定第一决策值集的第一数量的决策值小于特定决策值阈值，确定第二决策值集的第二数量的决策值小于特定决策值阈值，确定第一数量和第二数量均大于或等于数量阈值，以及基于第二决策值集的最小决策值或第三决策值集的最大决策值中的至少一个决策值集来确定预测阈值。
65.在第八实现方式中，单独或与第一实现方式至第七实现方式中的一个或多个相结合，确定与特定类别相关联的预测阈值包括：确定第一决策值集的第一最小决策值，确定第二决策值集的第二最小决策值；确定第一最小决策值和第二最小决策值中的至少一个决策值大于或等于特定决策值阈值，以及基于第二最小决策值和第三决策值集的最大决策值中的至少一个来决策值确定预测阈值。
66.在第九实现方式中，单独或与第一实现方式至第八实现方式中的一个或多个相结合，确定与特定类别相关联的预测阈值包括：确定第一决策值集的第一最小决策值，确定第二决策值集的第二最小决策值，确定第一最小决策值和第二最小决策值中的每个决策值都小于特定决策值阈值，以及基于第一最小决策值和第二最小决策值中的至少一个决策值来确定预测阈值。
67.尽管图4示出了过程400的示例框，但是在一些实现方式中，过程400可以包括与图4中所描绘的那些相比另外的框、更少的框、不同的框或不同布置的框。另外地或替代地，过程400的两个或更多个框可以并行执行。
68.图5是与利用预测阈值来便于光谱分类相关联的示例过程500的流程图。在一些实现方式中，图5的一个或多个过程框可以由设备(例如，控制设备102)执行。在一些实现方式中，图5的一个或多个过程框可以由与该设备分离或包括该设备的另一设备或一组设备(诸如光谱仪(例如光谱仪104)和/或客户端设备(诸如客户端设备140))来执行。另外地或替代地，图5的一个或多个过程框可以由设备300的一个或多个部件(诸如处理器320、存储器330、输入部件340、输出部件350和/或通信部件360)来执行。
69.如图5中所示，过程500可以包括获得与样本相关联的光谱测量值(框510)。例如，如上描述的，该设备可以获得与样本相关联的光谱测量值。
70.如图5中进一步示出的，过程500可以包括基于光谱测量值来标识局部分类模型的多个类别中的特定类别(框520)。例如，如上描述的，该设备可以基于光谱测量值来识别局部分类模型的多个类别中的特定类别。在一些实现方式中，局部分类模型是基于全局分类模型生成的。
71.如图5中进一步示出的，过程500可以包括标识与特定类别相关联的预测阈值(框530)。例如，如上描述的，设备可以标识与特定类别相关联的预测阈值。
72.如图5中进一步示出的，过程500可以包括基于特定类别和预测阈值对光谱测量值进行分类(框540)。例如，如上描述的，该设备可以基于特定类别和预测阈值对光谱测量值进行分类。
73.如图5中进一步示出的，过程500可以包括基于光谱测量值的分类提供指示样本是否属于特定类别的信息(框550)。例如，如上描述的，该设备可以基于光谱测量值的分类来提供指示样本是否属于特定类别的信息。
74.过程500可以包括另外的实现方式，诸如以下描述的和/或结合本文别处描述的一个或多个其他过程的任何单个实现或实现方式的任意组合。
75.在第一实现方式中，过程500包括确定与局部分类模型的多个类别中的每个类别相关联的概率值集，以及基于与局部分类模型的多个类别中的每个类别相关联的概率值集来确定特定类别。
76.在第二实现方式中，单独或与第一实现方式相结合，过程500包括：确定与局部分类模型的多个类别中的每个类别相关联的决策值集，以及基于与局部分类模型的多个类别中的每个类别相关联的决策值集来确定特定类别。
77.在第三实现方式中，单独或与第一实现方式和第二实现方式中的一个或多个相结合，标识预测阈值包括：确定与特定类别相关联的第一决策值集的第一数量的决策值小于特定决策值阈值，确定与特定类别相关联的第二决策值集的第二数量的决策值小于特定决策值阈值，确定第一数量和第二数量均大于或等于数量阈值，以及基于确定第一数量和第二数量均大于或等于数量阈值，基于第二决策值集的最小决策值来确定预测阈值。
78.在第四实现方式中，单独或与第一实现方式至第三实现方式中的一个或多个相结合，标识预测阈值包括：确定与特定类别相关联的第一决策值集的第一最小决策值，确定与特定类别相关联的第二决策值集的第二最小决策值，确定第一最小决策值和第二最小决策值中的至少一个决策值大于或等于特定决策值阈值，以及基于确定第一最小决策值和第二最小决策值中的至少一个决策值大于或等于特定决策值阈值，基于第二最小决策值确定预测阈值。
79.在第五实现方式中，单独或与第一实现方式至第四实现方式中的一个或多个相结合，识别预测阈值包括：确定与特定类别相关联的第一决策值集的第一最小决策值，确定与特定类别相关联的第二决策值集的第二最小决策值，确定第一最小决策值和第二最小决策值中的每个决策值都小于特定决策值阈值，以及基于确定第一最小决策值和第二最小决策值中的每个决策值都小于特定决策值阈值，基于第一最小决策值和第二最小决策值中的至少一个决策值来确定预测阈值。
80.尽管图5示出了过程500的示例框，但是在一些实现方式中，过程500可以包括与图5中所描绘的那些相比另外的框、更少的框、不同的框或不同布置的框。另外地或替代地，过程500的两个或更多个框可以并行执行。
81.图6是与利用预测阈值来便于光谱分类相关联的示例过程600的流程图。在一些实现方式中，图6的一个或多个过程框可以由设备(例如，控制设备102)执行。在一些实现方式中，图6的一个或多个过程框可以由与该设备分离或包括该设备的另一设备或一组设备(诸如光谱仪(例如光谱仪104)和/或客户端设备(诸如客户端设备140))来执行。另外地或替代地，图6的一个或多个过程框可以由设备300的一个或多个部件(诸如处理器320、存储器330、输入部件340、输出部件350和/或通信部件360)来执行。
82.如图6中所示，过程600可以包括获得与样本相关联的光谱测量值(框610)。例如，如上描述的，该设备可以获得与样本相关联的光谱测量值。
83.如图6中进一步示出的，过程600可以包括：基于光谱测量值，标识分类模型的多个类别中的特定类别(框620)。例如，如上描述的，该设备可以基于光谱测量值，标识分类模型的多个类别中的特定类别。
c和a-b-c，以及具有多个相同项的任意组合。
96.除非明确描述，否则本文使用的任何元素、动作或指令都不应被解释为关键或必要的。此外，如本文所用，冠词“一”和“一个”意图包括一个或多个项，并且可以与“一个或多个”互换使用。此外，如本文所用，冠词“该”意图包括与冠词“该”相关的一个或多个项，并且可以与“该一个或多个”互换使用。此外，如本文所用，术语“组”意图包括一个或多个项(例如，相关项、不相关项、或相关项和不相关项的组合)，并且可以与“一个或多个”互换使用。如果仅指一个项，则使用短语“仅一个”或类似的语言。此外，如本文使用的，术语“具有(has)”、“具有(have)”、“具有(having)”等意图是开放式术语。此外，除非另有明确说明，否则短语“基于”意图表示“至少部分基于”。此外，如本文所用，除非另有明确说明(例如，如果与“任一”或“仅一个”结合使用)，术语“或”在一系列使用时是包含性的，并且可以与“和/或”互换使用。