利用预测阈值来便于光谱分类的制作方法

技术特征：
1.一种方法，包括：由设备获得与样本相关联的光谱测量值；由所述设备并且基于所述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；由所述设备并且基于所述光谱测量值，标识所述局部分类模型的所述多个类别中的特定类别；由所述设备标识与所述特定类别相关联的预测阈值；由所述设备并且基于所述特定类别和所述预测阈值，对所述光谱测量值进行分类；以及由所述设备并且基于对所述光谱测量值的分类，提供指示所述样本是否属于所述特定类别的信息。2.根据权利要求1所述的方法，其中标识所述特定类别包括：确定与所述局部分类模型的所述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；基于确定所述特定决策值集的所述阈值数量的所述决策值均小于所述特定决策值阈值，确定与所述局部分类模型的所述多个类别中的每个类别相关联的概率值集；以及基于与所述局部分类模型的所述多个类别中的每个类别相关联的所述概率值集，确定所述特定类别。3.根据权利要求2所述的方法，其中使用利用一对全部决策值技术的支持向量机径向基函数svm-rbf核函数来确定与所述局部分类模型的所述多个类别中的每个类别相关联的所述决策值集，并且其中使用利用概率值技术的svm-rbf核函数来确定与所述局部分类模型的所述多个类别中的每个类别相关联的所述概率值集。4.根据权利要求1所述的方法，其中标识所述特定类别包括：确定与所述局部分类模型的所述多个类别中的每个类别相关联的第一决策值集；确定所述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；基于确定所述第一决策值集的所述阈值数量的所述决策值均大于或等于所述特定决策值阈值，确定与所述局部分类模型的所述多个类别中的每个类别相关联的第二决策值集；以及基于与所述局部分类模型的所述多个类别中的每个类别相关联的所述第二决策值集，确定所述特定类别。5.根据权利要求4所述的方法，其中使用利用一对全部决策值技术的支持向量机径向基函数svm-rbf核函数来确定与所述局部分类模型的所述多个类别中的每个类别相关联的所述第一决策值集，并且其中使用利用全部对决策值技术的svm线性核函数来确定与所述局部分类模型的所述多个类别中的每个类别相关联的所述第二决策值集。6.根据权利要求1所述的方法，其中标识与所述特定类别相关联的所述预测阈值包括：确定与所述特定类别相关联的第一决策值集；确定与所述特定类别相关联的第二决策值集；
确定与所述多个类别中的至少一个其他类别相关联的第三决策值集；以及基于所述第一决策值集、所述第二决策值集和所述第三决策值集中的至少两个决策值集，确定与所述特定类别相关联的所述预测阈值。7.根据权利要求6所述的方法，其中：使用利用自预测技术的支持向量机径向基函数(svm-rbf)核函数来确定与所述特定类别相关联的所述第一决策值集；使用利用交叉验证技术的svm-rbf核函数来确定与所述特定类别相关联的所述第二决策值集；以及使用利用二元分类技术的svm-rbf核函数来确定与所述至少一个其他类别相关联的所述第三决策值集。8.根据权利要求6所述的方法，其中确定与所述特定类别相关联的所述预测阈值包括：确定所述第一决策值集的第一数量的决策值小于特定决策值阈值；确定所述第二决策值集的第二数量的决策值小于所述特定决策值阈值；确定所述第一数量和所述第二数量均大于或等于数量阈值；以及基于所述第二决策值集的最小决策值和所述第三决策值集的最大决策值中的至少一个决策值，确定所述预测阈值。9.根据权利要求6所述的方法，其中确定与所述特定类别相关联的所述预测阈值包括：确定所述第一决策值集的第一最小决策值；确定所述第二决策值集的第二最小决策值；确定所述第一最小决策值和所述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；以及基于所述第二最小决策值和所述第三决策值集的最大决策值中的至少一个决策值，确定所述预测阈值。10.根据权利要求6所述的方法，其中确定与所述特定类别相关联的所述预测阈值包括：确定所述第一决策值集的第一最小决策值；确定所述第二决策值集的第二最小决策值；确定所述第一最小决策值和所述第二最小决策值中的每个决策值小于特定决策值阈值；以及基于所述第一最小决策值和所述第二最小决策值中的至少一个决策值，确定所述预测阈值。11.一种设备，包括：一个或多个存储器；以及一个或多个处理器，被耦合到所述一个或多个存储器，所述一个或多个处理器被配置为：获得与样本相关联的光谱测量值；基于所述光谱测量值，标识局部分类模型的多个类别中的特定类别，其中所述局部分类模型是基于全局分类模型生成的；标识与所述特定类别相关联的预测阈值；
基于所述特定类别和所述预测阈值，对所述光谱测量值进行分类；以及基于对所述光谱测量值的分类，提供指示所述样本是否属于所述特定类别的信息。12.根据权利要求11所述的设备，其中标识所述特定类别的所述一个或多个处理器被配置为：确定与所述局部分类模型的所述多个类别中的每个类别相关联的概率值集；以及基于与所述局部分类模型的所述多个类别中的每个类别相关联的所述概率值集，确定所述特定类别。13.根据权利要求11所述的设备，其中标识所述特定类别的所述一个或多个处理器被配置为：确定与所述局部分类模型的所述多个类别中的每个类别相关联的决策值集；以及基于与所述局部分类模型的所述多个类别中的每个类别相关联的所述决策值集，确定所述特定类别。14.根据权利要求11所述的设备，其中标识与所述特定类别相关联的所述预测阈值的所述一个或多个处理器被配置为：确定与所述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；确定与所述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所述特定决策值阈值；确定所述第一数量和所述第二数量均大于或等于数量阈值；以及基于确定所述第一数量和所述第二数量均大于或等于所述数量阈值，基于所述第二决策值集的最小决策值来确定所述预测阈值。15.根据权利要求11所述的设备，其中标识与所述特定类别相关联的所述预测阈值的所述一个或多个处理器被配置为：确定与所述特定类别相关联的第一决策值集的第一最小决策值；确定与所述特定类别相关联的第二决策值集的第二最小决策值；确定所述第一最小决策值和所述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；以及基于确定所述第一最小决策值和所述第二最小决策值中的至少一个决策值大于或等于所述特定决策值阈值，基于所述第二最小决策值来确定所述预测阈值。16.根据权利要求11所述的设备，其中标识与所述特定类别相关联的所述预测阈值的所述一个或多个处理器被配置为：确定与所述特定类别相关联的第一决策值集的第一最小决策值；确定与所述特定类别相关联的第二决策值集的第二最小决策值；确定所述第一最小决策值和所述第二最小决策值中的每个决策值小于特定决策值阈值；以及基于确定所述第一最小决策值和所述第二最小决策值中的每个决策值小于所述特定决策值阈值，基于所述第一最小决策值和所述第二最小决策值中的至少一个决策值来确定所述预测阈值。17.一种非暂态计算机可读介质，存储有指令集，所述指令集包括：
一个或多个指令，所述一个或多个指令当由设备的一个或多个处理器执行时，使得所述设备：获得与样本相关联的光谱测量值，基于所述光谱测量值，标识分类模型的多个类别中的特定类别；标识与所述特定类别相关联的预测阈值；基于所述特定类别和所述预测阈值，对所述光谱测量值进行分类；以及基于对所述光谱测量值的分类，提供指示所述样本是否属于所述特定类别的信息。18.根据权利要求17所述的非暂态计算机可读介质，其中使得所述设备标识所述特定类别的所述一个或多个指令使得所述设备：确定与所述分类模型的所述多个类别中的每个类别相关联的决策值集；以及基于与所述分类模型的所述多个类别中的每个类别相关联的所述决策值集，确定所述特定类别。19.根据权利要求17所述的非暂态计算机可读介质，其中使得所述设备标识所述特定类别的所述一个或多个指令使得所述设备：确定与所述分类模型的所述多个类别中的每个类别相关联的概率值集；以及基于与所述分类模型的所述多个类别中的每个类别相关联的所述概率值集，确定所述特定类别。20.根据权利要求17所述的非暂态计算机可读介质，其中使得所述设备标识与所述特定类别相关联的所述预测阈值的所述一个或多个指令使得所述设备：确定与所述特定类别相关联的第一决策值集；确定与所述特定类别相关联的第二决策值集；确定与所述多个类别中的至少一个其他类别相关联的第三决策值集；以及基于所述第一决策值集、所述第二决策值集和所述第三决策值集中的至少两个决策值集，确定与所述特定类别相关联的所述预测阈值。

技术总结
在一些实现方式中，设备可以获得与样本相关联的光谱测量值。该设备可以基于该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。该设备可以基于该光谱测量值，标识该局部分类模型的该多个类别中的特定类别。该设备可以标识与该特定类别相关联的预测阈值。该设备可以基于该特定类别和该预测阈值，对该光谱测量值进行分类。该设备可以基于对该光谱测量值的分类，提供指示该样本是否属于该特定类别的信息。别的信息。别的信息。


技术研发人员：孙岚 熊章民
受保护的技术使用者：VIAVI科技有限公司
技术研发日：2022.07.29
技术公布日：2023/2/6