CN116611001B - 基于多维自适应增量图的近红外光谱数据分类方法 - Google Patents
基于多维自适应增量图的近红外光谱数据分类方法 Download PDFInfo
- Publication number
- CN116611001B CN116611001B CN202310883092.1A CN202310883092A CN116611001B CN 116611001 B CN116611001 B CN 116611001B CN 202310883092 A CN202310883092 A CN 202310883092A CN 116611001 B CN116611001 B CN 116611001B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sample
- adaptive
- steps
- near infrared
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 31
- 238000001228 spectrum Methods 0.000 claims abstract description 108
- 230000009467 reduction Effects 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 5
- 230000003595 spectral effect Effects 0.000 claims description 26
- 238000002372 labelling Methods 0.000 claims description 23
- 239000011159 matrix material Substances 0.000 claims description 22
- 230000003044 adaptive effect Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 9
- 239000013598 vector Substances 0.000 claims description 5
- 238000007635 classification algorithm Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 description 6
- 230000015654 memory Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 239000000463 material Substances 0.000 description 3
- 238000004497 NIR spectroscopy Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000009776 industrial production Methods 0.000 description 2
- 239000003550 marker Substances 0.000 description 2
- 239000002994 raw material Substances 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013145 classification model Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001320 near-infrared absorption spectroscopy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000035515 penetration Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000000455 protein structure prediction Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于多维自适应增量图的近红外光谱数据分类方法，对待测样本的近红外光谱数据进行预处理和特征降维处理，基于降维后的特征数据和预处理后的光谱数据进行多维自适应相似度测量，利用测量的相似度值构建光谱增量图，依据光谱增量图将标记光谱样本的标注信息传递给未标记光谱样本，最后对光谱样本分类，与传统近红外光谱分类方法相比，充分利用了无标记光谱样本，更能挖掘光谱特性，且与其他半监督分类方法相比，基于增量图的方式可以从多角度挖掘数据信息，更适合工业近红外光谱场景，可以对工业产品生成过程中需要或产生的有限标记光谱数据进行有效分类，为后续数据分析与决策提供技术和数据支持。
Description
技术领域
本发明属于工业信息和数据处理技术领域，具体地说，是涉及一种基于多维自适应增量图的近红外光谱数据分类方法。
背景技术
随着人工智能 (artificial intelligence, AI) 技术向各行各业的渗透，现代工业利用AI技术提供新的解决方案已成为一种趋势，工业领域向着自动化、信息化、智能化方向的发展。对于某些工业领域来说，生产过程中所需或产生的原辅料的不同品牌产地、部位和等级以及最终产品品牌的分类，对于后续工业产品创新研究和质量评价至关重要。
近红外光谱技术 (near infrared spectroscopy, NIRS) 以其快速、无损、绿色等特点成为最受欢迎的分类方法。依托于物联网及传感技术的发展，工业数据感知技术取得了突破性进展，企业很容易收集到大量未标记的工业近红外光谱数据。
一个优秀的基于数据的分类模型需要大量的标注信息，然而由于获取专家标注信息需要大量的人力、物力和财力，所以在实际应用中很难获得大量的标注信息。如果只使用少量的光谱标记样本进行模型训练，往往会导致模型精度低、泛化性能差等问题，而且浪费了大量未标记的工业光谱数据资源。因此，如何将未标记光谱样本与标记样本相结合，充分挖掘未标记光谱样本的特征信息，提高模型性能成为学术界和工业界备受关注的问题。
发明内容
本发明提出一种基于多维自适应增量图的近红外光谱数据分类方法，充分利用大量的工业未标注近红外光谱数据，实现大量未标注光谱数据情况下建模目标，满足工业生产过程中所需的原辅料或最终产品的分类需求，减少对领域专家的依赖，有效节约成本和时间。
本发明采用以下技术方案予以实现：
提出一种基于多维自适应增量图的近红外光谱数据分类方法，包括：
S1，对待测样本进行近红外光谱数据采集和预处理，以及对部分光谱样本做类别标注；
S2，对预处理后的光谱数据进行特征降维；
S3，基于降维后的特征数据和预处理后的光谱数据进行多维自适应相似度测量：；其中，A、B为两个光谱样本，为降维后的两个光谱样本的欧式距离，/>为预处理后的光谱样本的余弦距离，/>为预处理后的光谱样本的光谱角距离；/>、/>和/>为相似度的自适应参数；
S4，利用相似度值构建邻接矩阵，并利用邻接矩阵构建光谱增量图模型；
S5，基于所述光谱增量图将标记光谱样本的标注信息传递给未标记光谱样本；
S6，对S5处理后的光谱样本进行分类；
S7，当有新增样本时，对新增样本进行预处理和特征降维后，基于S3计算与现有每个光谱样本的相似度值，将相似度值最大的光谱样本的标注信息传递给新增样本，并对其进行分类。
在本发明一些实施例中，步骤S5具体包括：
定义一个的概率转移矩阵/>；其中，/>被定义为转移系数，表示从节点/>到节点/>的转移概率：/>；其中，/>，为从节点/>到节点的增量图权重；
定义一个的矩阵/>；其中，/>为类的个数，/>为具有标记的类的个数，行号/>表示第/>个光谱样本的one-hot标记表示向量；
定义一个的矩阵/>；其中，/>为无标记样本的个数；
合并矩阵和/>得到一个软标记矩阵/>；
定义矩阵，以实现每个光谱样本将其标注信息传播给其他无标注信息的光谱样本，其转移概率由/>确定；
重置中已标记的光谱样本的标记/>；其中，/>表示/>中已标记的光谱样本;
依次刷新所有节点的标记，直至满足收敛条件，使每个光谱样本都具有唯一的标注信息。
在本发明一些实施例中，步骤S3还包括：根据标记光谱样本的标注信息确定相似度的自适应参数，进行优化并确定最终的自适应参数，包括：
计算每一个类别下所有带标注信息光谱样本的余弦距离和光谱角距离，以及降维后光谱样本的欧氏距离/>，求均值得到所有类的距离集合，则有：
，
和
，得到/>，/>，/>；其中，/>为类别个数。
在本发明一些实施例中，S2中利用PCA或TSNE降维方法对预处理后的光谱数据进行特征降维。
在本发明一些实施例中，步骤S6中采用SVM、KNN、或RF分类算法对处理后的光谱样本进行分类。
与现有技术相比，本发明的优点和积极效果是：本发明提出的基于多维自适应增量图的近红外光谱数据分类方法中，对工业生产过程中需要或产生的不同品牌、产地、部位和等级的待测样本进行近红外光谱数据采集，并进行光谱数据预处理，然后利用降维方法对预处理后的光谱数据进行特征降维，对降维后的特征数据和预处理后的光谱数据进行多维自适应相似度测量，并根据标记样本确定相似度的自适应参数；然后利用相似度值构建邻接矩阵，基于邻接矩阵构建光谱增量图模型；基于光谱增量图将标记标记光谱样本的标注信息传递给未标记的光谱样本，使每个光谱样本都具有唯一的标注信息；最后，利用分类算法对所有光谱进行分类；当有新的光谱样本加入时，重复预处理、特征降维的步骤，计算其与每个现有的光谱样本的相似度值，将相似度值最大的光谱样本的标注信息传递给新增样本，然后再用分类方法对其进行分类。基于本发明提出的分类方法，可以对工业产品生成过程中需要或产生的不同品牌、产地、部位和等级的有限标记近红外光谱数据进行有效分类，不仅能够从多个视角综合考虑近红外光谱样本的相似性测度，而且能够根据先验知识自适应调节相似度的自适应参数、/>和/>，进而构建能够充分表征样本关系的增量图模型，而且时间复杂度低，易于实现，同时可以实现扩展的增量学习模式，为后续的工业数据分析与智能决策提供技术和数据支持。
结合附图阅读本发明实施方式的详细描述后，本发明的其他特点和优点将变得更加清楚。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明提出的基于多维自适应增量图的光谱数据处理方法的处理步骤示意；
图2为本发明提出的基于多维自适应增量图的光谱数据处理流程示意。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
近年来，半监督学习以少量有标记的数据为指导，深度挖掘未标记数据信息的特点，成为无标记数据学习的主流技术。因此，半监督学习可以解决工业领域光谱数据标记不足的问题，可以在少量标记光谱数据和大量未标记光谱数据上训练机器学习模型。
目前半监督分类学习常用的方法有：生成式法、半监督支持向量机、基于图的方法和基于分歧的方法。其中，基于图的方法因其计算复杂度低、灵活性强、对大规模数据具有可扩展性等优点，得到了学者们的广泛研究。
然而，在某些领域，例如蛋白质结构预测，已经有一个隐式的底层图，因此可以使用基于图的方法，但对于大多数其他领域，样本数据并没有可视化地表示为图结构，预使用基于图的方法就必须构建一个图来使这些问题适合图半监督方法。且目前主流的无监督构图方法在样本学习图时忽略了标签信息，浪费了有价值的先验知识。并且在构图的过程中，传统的图构建方法(如KNN)主要基于欧几里得距离，无法捕获光谱数据的全局结构。同时，模型可扩展性差。
再者，对于工业光谱数据，由于其高维、重叠、非线性、冗余等特点，在图的构建过程中会出现维数灾难、信息呈现困难、传统距离计算方法失效等问题。
基于上述考虑，本发明针对上述问题提出基于多维自适应增量图的近红外光谱数据分类方法，充分利用先验信息和多维自适应权重测度，构建增量图模型，最终解决工业近红外光谱数据标记不足的问题。
具体的，本发明提出的基于多维自适应增量图的近红外光谱数据分类方法，如图1和图2所示，包括以下步骤：
S1：对待测样本进行近红外光谱数据采集和预处理，以及对部分光谱样本做类别标注。
构建包含个工业近红外光谱样本的集合/>，作为后续的输入序列，对应的/>个标记的集合定义为/>。
S2：对预处理后的光谱数据进行特征降维。
构建维特征集合/>，/>表示特征向量，采用PCA或TSNE降维方法对预处理后的光谱数据进行特征降维。
S3：基于降维后的特征数据和预处理后的光谱数据进行多维自适应相似度测量。
假设两个光谱样本和的多维自适应相似度值为：
；
利用以下公式计算降维后的两个光谱样本的欧式距离：
；
利用以下公式计算预处理后的光谱样本的余弦距离：
，
；
利用以下公司计算预处理后光谱样本的光谱角距离：
。
上述，、/>和/>为相似度的自适应参数，根据标注信息对/>、/>和/>进行优化并最终确定值。具体的，假设一共有C个类别，分别计算每一个类别下所有带标注信息光谱样本余弦距离/>和光谱角距离/>，以及降维后光谱样本的欧氏距离/>，求均值得到所有类的距离集合/>，则有：
，
和
；则有：
，/>，/>。
相比于现有方法在构图过程中只用了单一距离来计算相似度，例如上述（1）或（3）或（4），本发明利用公式（5）将多种距离结合起来，并利用标注信息进行自适应参数、/>和的计算，并且欧式距离是在特征空间计算的，其他距离是在原始光谱空间计算出来的，这种跨空间的计算方式，能够显著提高样本图表示能力。
S4：利用相似度值构建邻接矩阵，并利用邻接矩阵构建光谱增量图模型。
利用S3中所得的构建光谱样本的邻接矩阵，并利用邻接矩阵构建光谱增量图模型/>，其中，/>代表光谱样本集合，/>代表边的集合，/>代表权重集合；增量图中，顶点表示样本，边表示两个样本点的关系，边与边的权重代表两个样本的相似度距离，由/>得到；/>和/>为光谱样本i与光谱样本j，相似度距离/>则由步骤S2计算得到。
S5：基于光谱增量图将标记光谱样本的标注信息传递给未标记光谱样本。
本步骤的核心思想是相似的光谱数据应该具有相同的标记，以光谱增量图的拓扑结构为指导，从标记的光谱样本中捕获信息，然后将标注信息传播到图上未标记的光谱样本；边的权重越大，两者越相似。
具体包括以下步骤：
（1）定义一个的概率转移矩阵/>；其中，/>被定义为转移系数，表示从节点/>到节点/>的转移概率：
。
（2）定义一个的矩阵/>；其中，/>为类的个数，/>为具有标记的类的个数，行号/>表示第/>个光谱样本的one-hot标记表示向量；也即，如果第/>个样本的类别是第/>个类，则它的标记表示向量为此行第/>个值为1，其余的值为0。
（3）定义一个的矩阵/>；其中，/>为无标记样本的个数。
（4）合并矩阵和/>得到一个软标记矩阵/>。
（5）定义矩阵，以实现每个光谱样本将其标注信息传播给其他无标注信息的光谱样本，其转移概率由/>确定；两个节点越相似，越容易有相同的标注信息。
（6）重置中已标记的光谱样本的标记/>，其中，/>表示/>中已标记的光谱样本;
因为带有标注数据的标记是预先确定的，不能被改变，所以每次传播时，它都必须返回到其原始标记。
（7）依次刷新所有节点的标记，直至满足收敛条件，使每个光谱样本都具有唯一的标注信息。
现有的光谱分类方法中，仅使用有限标注的光谱样本数据，浪费了大量未标记的光谱样本，而基于本发明给出的将标记光谱样本的标注信息传递给未标记光谱样本的方式，能够充分利用未标记的光谱样本，从而显著提高训练效率。
S6:对S5处理后的光谱样本进行分类。
用机器学习经典的分类算法，例如SVM、KNN、或RF，对所有光谱样本进行分类，并计算分类性能指标，Accuracy，Precision，Recall，和F1-Score等。
S7:当有新增样本时，对新增样本进行预处理和特征降维后，基于S3计算其与现有每个光谱样本的相似度值，将相似度值最大的光谱样本的标注信息传递给新增样本，并对其进行分类。
当出现新增样本时，首先对新增样本的光谱数据进行光谱预处理，然后重复S2步骤，并利用S3计算与现有每个样本的相似度值/>，然后将相似度值最大的样本标签传递给新样本。并重新利用分类算法进行分类预测。现有的光谱分类方法并未支持增量学习或终身学习，当有新的样本加入时，需要重新训练模型，而基于本发明提出的分类方法，可以充分利用增量图的可扩展性，不需要重新构图。
上述本发明所提出的基于多维自适应增量图的近红外光谱数据分类方法，与传统的近红外光谱分类方法相比，由于充分利用了大量无标签光谱样本，更能挖掘光谱特征，精度更高。同时，与其他半监督分类方法相比，本发明提出基于多维自适应增量图的技术，可以从多角度挖掘数据信息，更适合工业近红外光谱场景，且时间复杂度低，并具有可扩展性。
下面对本发明提出的基于多维自适应增量图的光谱数据分类方法与现有分类方法进行对比。
如表一所示为现有的仅使用标记光谱数据分类的结果，可以看出分类准确率较低。
表一
表二所示为使用本发明提出的多维自适应增量图的近红外光谱数据分类方法与其他单一距离分类方法对比的结果，可以看出本发明方法的分类性能由于其他单一距离方法。
表二
*为本发明提出的多维自适应增量图的近红外光谱数据分类方法。
表三所示为使用本发明提出的多维自适应增量图的近红外光谱数据分类方法与现有其他分类方法的分类效果不同指标对比结果。
表三
*为本发明提出的多维自适应增量图的近红外光谱数据分类方法。
需要说明的是，在具体实现过程中，上述的方法部分可以通过硬件形式的处理器执行存储器中存储的软件形式的计算机执行指令实现，此处不予赘述，而所执行的动作所对应的程序均可以以软件形式存储于***的计算机可读存储介质中，以便于处理器调用执行以上各个模块对应的操作。
上文中的计算机可读存储介质可以包括易失性存储器，例如随机存取存储器；也可以包括非易失性存储器，例如只读存储器、快闪存储器、硬盘或固态硬盘；还可以包括上述种类的存储器的组合。
上文所提到的处理器，也可以是多个处理元件的统称。例如，处理器可以为中央处理器，也可以为其他通用处理器、数字信号处理器、专用集成电路、现场可编程门阵列或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者可以是任何常规的处理器等等，还可以为专用处理器。
应该指出的是，上述说明并非是对本发明的限制，本发明也并不仅限于上述举例，本技术领域的普通技术人员在本发明的实质范围内所做出的变化、改型、添加或替换，也应属于本发明的保护范围。
Claims (4)
1.一种基于多维自适应增量图的近红外光谱数据分类方法，其特征在于，包括：
S1，对待测样本进行近红外光谱数据采集和预处理，以及对部分光谱样本做类别标注；
S2，对预处理后的光谱数据进行特征降维；
S3，基于降维后的特征数据和预处理后的光谱数据进行多维自适应相似度测量：；其中，A、B为两个光谱样本，为降维后的两个光谱样本的欧式距离，/>为预处理后的光谱样本的余弦距离，/>为预处理后的光谱样本的光谱角距离；/>、/>和/>为相似度的自适应参数；
S4，利用相似度值构建邻接矩阵，并利用邻接矩阵构建光谱增量图模型；
S5，基于所述光谱增量图将标记光谱样本的标注信息传递给未标记光谱样本；
S6，对S5处理后的光谱样本进行分类；
S7，当有新增样本时，对新增样本进行预处理和特征降维后，基于S3计算与现有每个光谱样本的相似度值，将相似度值最大的光谱样本的标注信息传递给新增样本，并对其进行分类；
步骤S5具体包括：
定义一个的概率转移矩阵/>；其中，/>被定义为转移系数，表示从节点/>到节点的转移概率：/>；其中，/>，为从节点/>到节点/>的增量图权重；
定义一个的矩阵/>；其中，/>为类的个数，/>为具有标记的类的个数，行号/>表示第/>个光谱样本的one-hot标记表示向量；
定义一个的矩阵/>；其中，/>为无标记样本的个数；
合并矩阵和/>得到一个软标记矩阵/>；
定义矩阵，以实现每个光谱样本将其标注信息传播给其他无标注信息的光谱样本，其转移概率由/>确定；
重置中已标记的光谱样本的标记/>；其中，/>表示/>中已标记的光谱样本;
依次刷新所有节点的标记，直至满足收敛条件，使每个光谱样本都具有唯一的标注信息。
2.根据权利要求1所述的基于多维自适应增量图的近红外光谱数据分类方法，其特征在于，步骤S3还包括：根据标记光谱样本的标注信息确定相似度的自适应参数，进行优化并确定最终的自适应参数，包括：
计算每一个类别下所有带标注信息光谱样本的余弦距离和光谱角距离，以及降维后光谱样本的欧氏距离/>，求均值得到所有类的距离集合，则有：
，
和
，得到/>，/>，/>；其中，/>为类别个数。
3.根据权利要求1所述的基于多维自适应增量图的近红外光谱数据分类方法，其特征在于，S2中利用PCA或TSNE降维方法对预处理后的光谱数据进行特征降维。
4.根据权利要求1所述的基于多维自适应增量图的近红外光谱数据分类方法，其特征在于，步骤S6中采用SVM、KNN、或RF分类算法对处理后的光谱样本进行分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883092.1A CN116611001B (zh) | 2023-07-19 | 2023-07-19 | 基于多维自适应增量图的近红外光谱数据分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310883092.1A CN116611001B (zh) | 2023-07-19 | 2023-07-19 | 基于多维自适应增量图的近红外光谱数据分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116611001A CN116611001A (zh) | 2023-08-18 |
| CN116611001B true CN116611001B (zh) | 2023-10-03 |
Family
ID=87678626
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310883092.1A Active CN116611001B (zh) | 2023-07-19 | 2023-07-19 | 基于多维自适应增量图的近红外光谱数据分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116611001B (zh) |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021003951A1 (zh) * | 2019-07-08 | 2021-01-14 | 南京信息工程大学 | 一种基于标签约束弹性网图模型的高光谱图像分类方法 |
| WO2022001159A1 (zh) * | 2020-06-29 | 2022-01-06 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 无监督高光谱图像隐低秩投影学习特征提取方法 |
| CN114299398A (zh) * | 2022-03-10 | 2022-04-08 | 湖北大学 | 一种基于自监督对比学习的小样本遥感图像分类方法 |
| CN115410088A (zh) * | 2022-10-10 | 2022-11-29 | 中国矿业大学 | 一种基于虚拟分类器的高光谱图像领域自适应方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230161612A1 (en) * | 2021-11-23 | 2023-05-25 | Vmware, Inc. | Realtime inductive application discovery based on delta flow changes within computing environments |
| US20230195495A1 (en) * | 2021-12-20 | 2023-06-22 | Vmware, Inc. | Realtime property based application discovery and clustering within computing environments |
-
2023
- 2023-07-19 CN CN202310883092.1A patent/CN116611001B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2021003951A1 (zh) * | 2019-07-08 | 2021-01-14 | 南京信息工程大学 | 一种基于标签约束弹性网图模型的高光谱图像分类方法 |
| WO2022001159A1 (zh) * | 2020-06-29 | 2022-01-06 | 西南电子技术研究所（中国电子科技集团公司第十研究所） | 无监督高光谱图像隐低秩投影学习特征提取方法 |
| CN114299398A (zh) * | 2022-03-10 | 2022-04-08 | 湖北大学 | 一种基于自监督对比学习的小样本遥感图像分类方法 |
| CN115410088A (zh) * | 2022-10-10 | 2022-11-29 | 中国矿业大学 | 一种基于虚拟分类器的高光谱图像领域自适应方法 |
Non-Patent Citations (2)
| Title |
|---|
| 李鸿博 ; 曹军 ; 蒋大鹏 ; 张冬妍 ; 张怡卓 ; .t-SNE降维的红松籽新旧品性近红外光谱鉴别.光谱学与光谱分析.2020,(第09期),全文. * |
| 近红外光谱的结球甘蓝可溶性糖含量测定;李鸿强;孙红;李民赞;;光谱学与光谱分析(第10期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116611001A (zh) | 2023-08-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110111297B (zh) | 一种基于迁移学习的注塑制品表面图像缺陷识别方法 | |
| CN108510559B (zh) | 一种基于有监督多视角离散化的多媒体二值编码方法 | |
| CN106777318B (zh) | 基于协同训练的矩阵分解跨模态哈希检索方法 | |
| Wang et al. | Relaxed multiple-instance SVM with application to object discovery | |
| Gu et al. | Clustering-driven unsupervised deep hashing for image retrieval | |
| CN109740676B (zh) | 基于相似目标的物体检测迁移方法 | |
| CN111368920B (zh) | 基于量子孪生神经网络的二分类方法及其人脸识别方法 | |
| CN103440512A (zh) | 一种基于张量局部保持投影的大脑认知状态的识别方法 | |
| CN110852446A (zh) | 机器学习模型训练方法、装置和计算机可读存储介质 | |
| CN109284411B (zh) | 一种基于有监督超图离散化图像二值编码方法 | |
| CN107832778A (zh) | 一种基于空间综合相似度的相同目标识别方法 | |
| CN110442736B (zh) | 一种基于二次判别分析的语义增强子空间跨媒体检索方法 | |
| Joshi et al. | Python: Real world machine learning | |
| CN115795065A (zh) | 基于带权哈希码的多媒体数据跨模态检索方法及*** | |
| CN116611001B (zh) | 基于多维自适应增量图的近红外光谱数据分类方法 | |
| CN117349494A (zh) | 空间图卷积神经网络的图分类方法、***、介质及设备 | |
| Hao et al. | A new method for noise data detection based on DBSCAN and SVDD | |
| CN116720079A (zh) | 基于多特征融合的风力发电机故障模式识别方法及*** | |
| CN117171393A (zh) | 一种面向多模态检索的自适应半配对询问哈希方法 | |
| Xiong et al. | Deep feature representation via multiple stack auto-encoders | |
| CN115905654A (zh) | 业务数据的处理方法、装置、设备、存储介质和程序产品 | |
| CN111401519B (zh) | 一种基于物体内和物体间相似性距离的深层神经网络无监督学习方法 | |
| CN113987170A (zh) | 基于卷积神经网络的多标签文本分类方法 | |
| Liu et al. | Witness detection in multi-instance regression and its application for age estimation | |
| Mao et al. | A Transfer Learning Method with Multi-feature Calibration for Building Identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |