[发明专利]一种烟草近红外定量分析模型的无标样转移方法

权利要求书

1.一种烟草近红外定量分析模型的无标样转移方法，其特征在于，包括

S1、采集不同条件下烟草的光谱数据，对其进行预处理后利用主成分分析法进行数据降维，并确定主成分的数量L，降维后的数据记作X^a，其与相应烟草实测性质的映射值Y^a，一起组成样本集合{X^a,Y^a}；

S2、取所述样本集合中的部分样本作为训练集{X^k,Y^k}，k＝1,…,m+n，取所述训练集中m个样本作为源域训练集，记作{Xⁱ_S,Yⁱ_S}，i＝1,…,m，取所述训练集中n个样本作为目标域训练集，记作{Xⁱ_T,Yⁱ_T}，i＝1,…,n；

S3、依次设置所述源域训练集的样本初始权重，记作{wⁱ_S}，i＝1,…,m，依次设置所述目标域训练集的样本初始权重，记作{w^j_T}，j＝m+1,…,m+n，以得到所述训练集的整体权重{w^k}＝{wⁱ_S；w^j_T}，设置训练的迭代条件，利用加权极限学习机建立近红外定量分析模型；

S4、将{X^k}相应的主成分矩阵S中的前L列输入当前的近红外定量分析模型，以得到初步的预测值{P^k}，k＝1,…,m+n；

S5、根据以下公式，计算预测误差{E^k}，k＝1,…,m+n，

S6、根据以下公式，更新权重集合，以对近红外定量分析模型进行修正；

其中，w^k为X^k样本对应的权重；

S7、循环执行步骤S4-S6，直至不满足训练的迭代条件，以输出预测模型。

2.根据权利要求1所述的无标样转移方法，其特征在于，还包括以下步骤：

S8、重复执行多次步骤S2-S7，每次执行中，所述源域训练集和/或目标域训练集中的样本数据并不完全相同，以得到多个预测模型；

S9、将待测烟草的光谱数据处理后分别输入多个定量分析预测模型，以得到多个预测值，将其平均值作为最终的预测值。

3.根据权利要求2所述的无标样转移方法，其特征在于，取所述样本集合中的剩余样本作为测试集{X_i,Y_i}；

在步骤S8中还包括：

将{X_i}相应的主成分矩阵S中的前L列输入相应的多个预测模型，以得到多个预测值，并与相应的Y_i利用决定系数和/或均方根误差进行模型效果评估，若满足预设评估要求，则执行步骤S9。

4.根据权利要求3所述的无标样转移方法，其特征在于，若不满足预设评估要求，则增加或者更换训练集的样本数据，重新进行训练，再进行评估判断，直到满足预设评估要求，才将待测烟草的光谱数据处理后分别输入最新的多个预测模型，以得到多个预测值，将其平均值作为最终的预测值。

5.根据权利要求1所述的无标样转移方法，其特征在于，步骤S6中，若发现ε＝0.5，则在m和n总和不变的前提下，使m值变小，使n值变大，相应调整所述源域训练集和目标域训练集内的样本数据，以进行下一次的循环修正。

6.根据权利要求1所述的无标样转移方法，其特征在于，设置所述源域训练集的样本初始权重均为1/m，设置所述目标域训练集的样本初始权重均为1/n。

7.根据权利要求6所述的无标样转移方法，其特征在于，所述模型迭代条件为设置最大迭代次数I，若实际迭代次数大于I时，则输出预测模型。