-
公开(公告)号：CN109034186B
公开(公告)日：2022-05-24
申请号：CN201810595182.X
申请日：2018-06-11
Applicant: 东北大学秦皇岛分校
IPC: G06K9/62
Abstract: 本发明涉及一种建立DA‑RBM分类器模型的方法，所述方法包括如下步骤：获取源域数据Xs、与源域数据Xs对应的标签Ys、目标域数据XT以及标签YT；初始化RBM模型参数，将数据Xs、XT输入到RBM网络中，求出一阶特征；将所述一阶特征作为下一阶网络的输入，进行RBM训练；将RBM的隐层输出Hs、HT输入到softmax回归层进行分类；在RBM隐层输出上使用MMD进行源域数据和目标域数据分布的约束；在RBM模型的顶层分类层中使用MMD进行预测结果的约束；构建模型的总代价函数J(θ)，通过优化所述总代价函数来优化分类器模型的参数。本发明所建模型能够对跨域数据进行有效识别。
-
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
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：CN109034186A
公开(公告)日：2018-12-18
申请号：CN201810595182.X
申请日：2018-06-11
Applicant: 东北大学秦皇岛分校
IPC: G06K9/62
CPC classification number: G06K9/6268 , G06K9/6256
Abstract: 本发明涉及一种建立DA‑RBM分类器模型的方法，所述方法包括如下步骤：获取源域数据Xs、与源域数据Xs对应的标签Ys、目标域数据XT以及标签YT；初始化RBM模型参数，将数据Xs、XT输入到RBM网络中，求出一阶特征；将所述一阶特征作为下一阶网络的输入，进行RBM训练；将RBM的隐层输出Hs、HT输入到softmax回归层进行分类；在RBM隐层输出上使用MMD进行源域数据和目标域数据分布的约束；在RBM模型的顶层分类层中使用MMD进行预测结果的约束；构建模型的总代价函数J(θ)，通过优化所述总代价函数来优化分类器模型的参数。本发明所建模型能够对跨域数据进行有效识别。
-
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
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。
-
-
-
Search Results
4
records
(took 0.029 seconds)
