[发明专利]一种基于生成对抗网络的近红外定量分析模型构建方法

说明书

本发明公开了一种基于生成对抗网络的近红外定量分析模型构建方法，属于近红外在线检测的应用领域，首先利用生成对抗网络模型对工业现场少量有标签样本进行训练生成一定规模的可用样本，在此基础上利用主成分分析模型筛选出建模样本，然后利用选出的建模样本构建近红外定量分析模型，最终利用该模型对油品属性进行在线检测。本发明鉴于工业现场有标签近红外数据少、数据类别不均衡造成的建模难、模型泛化性弱的问题，采用生成对抗网络补充有标签样本、均衡数据集，从而提高在仅有少数有标签样本情况下近红外定量分析模型的精度和泛化性。

技术领域

本发明属于近红外在线检测技术领域，具体涉及一种基于生成对抗网络的近红外定量分析模型构建方法。

背景技术

汽油作为主要的能源供给在国民经济中占据重要地位，为改善空气质量、防治大气污染，车用汽油国家标准的要求越来越严格，这对我国车用汽油产品生产、储运和使用提出了更高要求，更是对油品生产企业的技术改造提出了更高要求。采用传统的罐式调和，依靠操作人员凭借经验通过手工试凑进行油品调和的方式，不仅造成了人力、物力和时间的大量浪费，也已不能满足现代智能化、自动化的工业要求；而汽油管道调和方式在经济效率、油品质量达标等方面有更加明显的优势。汽油调和的生产过程对调和优化控制的需求和依赖较大，良好的优化控制必将带来巨大的经济效益，已经成为社会、企业一直以来高度重视的问题。

调和优化控制中，油品属性的在线检测主要依赖在线近红外分析技术。近红外分析作为一种非入侵的检测技术在国内外油品调和过程中应用十分普遍。该技术的应用首先需要建立油品的近红外光谱与待测属性的定量分析模型，然后将实时采集的油品光谱数据送入所构建的模型得到油品属性的实时预测分析值。这一过程中，定量分析模型的构建尤为关键，是影响预测精度的关键因素。由于建模过程需要大量有标签的样本数据，日常工作中需要安排大量采样，这给模型构建、模型维护带来难度，使得模型更新、维护的工作量巨大。

发明内容

为了解决上述问题，本发明提出了一种基于生成对抗网络的近红外定量分析模型构建方法，该方法利用生成对抗网络生成有标签样本集，并结合基于统计理论的样本选择和即时学习(just in time learning,JITL)实现局部训练集的优选，非常适用于只有少量有标签样本的情况下近红外定量分析模型的构建；该方法能够在实际工业建模过程中，在仅有少量有标签样本时快速构建能够满足生产需求的定量分析模型，建模效率高，能够极大节约模型开发和维护成本。

本发明的技术方案如下：

一种基于生成对抗网络的近红外定量分析模型构建方法，包括如下步骤：

S1.历史数据采集与预处理；

通过现场采样及实验室分析获得汽油样本属性值及其对应近红外光谱，构建历史数据库；对近红外光谱进行预处理，消除基线漂移；

预处理好的数据集记为D_r(x,y)＝{(x₁,y₁),(x₂,y₂),...,(x_n,y_n)}；x_i为第i个样本对应的近红外光谱，y_i为第i个样本对应的属性值；

S2.数据标准化及数据分类；

对数据集D_r(x,y)进行标准化处理，并将处理后的数据随机分为K个子集D_r,k(x,y)，k＝1,2,…,K；

S3.数据生成模型构建及训练；

利用D_r,k(x,y)，k＝1,2,…,K分别建立生成对抗网络模型，共建立K个生成对抗网络子模型；生成对抗网络模型构建完成后，对网络进行训练，得到K个生成的数据子集；

S4.数据合成；