公开(公告)号：CN111220566A

公开(公告)日：2020-06-02

申请号：CN202010045991.0

申请日：2020-01-16

Applicant: 东北大学秦皇岛分校

Inventor： 赵煜辉 ,  芦鹏程 ,  朱婧 ,  刘晓东

IPC: G01N21/359

Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于OPLS和PDS的红外光谱测量仪器标定迁移方法。首先采集源域数据集和目标域数据集，并对其进行中心化处理，得到中心化处理后的源域数据集和目标域数据集；然后基于OPLS算法，对中心化处理后的源域数据集进行去正交化处理，求出正交部分的得分矩阵、载荷矩阵，提取源域潜结构；接着基于PLS算法对源域潜结构建立标定模型，使用得分矩阵、载荷矩阵对中心化处理后的目标域数据集进行去正交化处理，提取目标域潜结构，并基于PDS算法使目标域潜结构映射到源域潜结构；最后，对被测对象的物质浓度变量进行预测。本发明能够提高标定迁移的精度和效率，且建模过程简单。

公开(公告)号：CN111220565B

公开(公告)日：2022-07-29

申请号：CN202010045812.3

申请日：2020-01-16

Applicant: 东北大学秦皇岛分校

Inventor： 赵煜辉 ,  刘晓东 ,  李雪晶 ,  芦鹏程

IPC: G01N21/359

Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CPLS的红外光谱测量仪器标定迁移方法。首先采集源域数据集{Xm,Y}和目标域数据集{Xs,Y}，并对其进行中心化处理，得到中心化处理后的源域数据集{Xm_center,Ycenter}和目标域数据集{Xs_center,Ycenter}；接着基于CPLS算法对矩阵Xm_center、Ycenter进行主成分分析，并对矩阵Xs_center进行主成分分析；再计算转移矩阵Mtrans_pre和转移矩阵Mtrans；最后，对被测对象的物质浓度变量进行预测。本发明能够清除主仪器测量的随机噪声，提高数据利用率和建模精度，降低时间复杂度。

公开(公告)号：CN111563436A

公开(公告)日：2020-08-21

申请号：CN202010348512.2

申请日：2020-04-28

Applicant: 东北大学秦皇岛分校

Inventor： 赵煜辉 ,  刘晓东 ,  芦鹏程 ,  赵子恒

IPC: G06K9/00 ,  G06K9/62 ,  G01N21/359 ,  G01N21/3563

Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CT-CDD的红外光谱测量仪器标定迁移方法。首先，采集源域、目标域数据集{Xm,ym}、{Xs}，使用KS算法划分出源域标定集 并对其进行中心化；然后，对中心化后的源域标定集 建立PLS标定模型；接着，计算主仪器的特征光谱Tm、从仪器的伪特征光谱 利用OLS和数据集{Tm,ym}通过交叉验证确定聚类数目K并对{Tm,ym}和 分别聚类，对子数据集 建立第k个OLS模型并计算转换矩阵Mk；最后，对被测对象集合的物质浓度变量进行预测。本发明不需要使用标准样本来构建迁移模型，能够大大提高红外光谱测量仪器标定迁移的精度和效率。

公开(公告)号：CN111220565A

公开(公告)日：2020-06-02

申请号：CN202010045812.3

申请日：2020-01-16

Applicant: 东北大学秦皇岛分校

Inventor： 赵煜辉 ,  刘晓东 ,  李雪晶 ,  芦鹏程

IPC: G01N21/359

Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CPLS的红外光谱测量仪器标定迁移方法。首先采集源域数据集{Xm,Y}和目标域数据集{Xs,Y}，并对其进行中心化处理，得到中心化处理后的源域数据集{Xm_center,Ycenter}和目标域数据集{Xs_center,Ycenter}；接着基于CPLS算法对矩阵Xm_center、Ycenter进行主成分分析，并对矩阵Xs_center进行主成分分析；再计算转移矩阵Mtrans_pre和转移矩阵Mtrans；最后，对被测对象的物质浓度变量进行预测。本发明能够清除主仪器测量的随机噪声，提高数据利用率和建模精度，降低时间复杂度。

公开(公告)号：CN111563436B

公开(公告)日：2022-04-08

申请号：CN202010348512.2

申请日：2020-04-28

Applicant: 东北大学秦皇岛分校

Inventor： 赵煜辉 ,  刘晓东 ,  芦鹏程 ,  赵子恒

IPC: G06K9/00 ,  G06K9/62 ,  G01N21/359 ,  G01N21/3563

Abstract: 本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CT‑CDD的红外光谱测量仪器标定迁移方法。首先，采集源域、目标域数据集{Xm,ym}、{Xs}，使用KS算法划分出源域标定集并对其进行中心化；然后，对中心化后的源域标定集建立PLS标定模型；接着，计算主仪器的特征光谱Tm、从仪器的伪特征光谱利用OLS和数据集{Tm,ym}通过交叉验证确定聚类数目K并对{Tm,ym}和分别聚类，对子数据集建立第k个OLS模型并计算转换矩阵Mk；最后，对被测对象集合的物质浓度变量进行预测。本发明不需要使用标准样本来构建迁移模型，能够大大提高红外光谱测量仪器标定迁移的精度和效率。