[发明专利]一种基于自学习的方式建立纤维种类图谱库的方法

权利要求书

1.一种基于自学习方法建立纤维种类图谱库的方法，其特征是，采用稀疏自编码神经网络模型，针对采用同类型的检测设备得到的同类型的纤维图谱进行特征学习，得到纤维特征图谱，由此建立纤维种类图谱库；包括如下步骤：

1)采用稀疏线性神经网络模型作为深度学习图谱分类识别的编码模型；

2)针对样本纤维图谱x，采用编码模型提取x的纤维特征，并经Softmax分类器初步确定纤维的分类；具体将样本纤维图谱x输入到编码模型中，提取纤维特征向量，记为X；X表示输入的纤维图谱的二维特征向量；D为标准化基础矩阵，简称为基，用于表示纤维图谱中的波形；X由D中元素d及其线性系数α组合而成，表示为式1：

式1中，d₁～d_p分别表示基中的元素；α₁～α_p分别表示对应于d_i的权数；

3)如果编码模型的输出表明样本纤维图谱是一已知分类，则得到输出结果，结束操作；

4)如果编码模型的输出表明样本图谱是一未知分类，则将其归为编码模型的未知分类；

5)对该未知分类进一步细分，把含有相同关键字的图谱样本归为同一待定分类数据集；当一待定分类数据集中图谱的数据量达到预先设定阈值y后，确定一个新的纤维种类，采用该关键字命名纤维种类；具体执行如下操作：

51)随机从一待定分类集中取少量样本图谱，作为初始比对样本；对少量样本的样本图谱执行操作52)～55)进行预训练，得到此待定分类的初始化特征向量；之后继续步骤56)；

52)随机从y张图谱中挑选N张图谱，y和N均为预设定值；

53)对N张图谱中的每张图谱，按照e*e的尺寸切割成小图片，作为掩模；e为常数，为预设值；

54)从掩模中随机挑选一系列样本图片，表示为[x₁ x₂ …]；将图谱使用灰度均衡法对样本图片进行预处理，然后对像素信息进行归一化，通过受限玻尔兹曼机RBM学习机制得到一组初始化基[d₁ d₂ …]；

55)确定目标优化函数，进行预训练得到样本的基D；

56)进行稀疏编码，得到稀疏向量，即线性系数α；

给定一个新的图谱z，利用训练得到的基D，重复步骤53)～55)，得到一个稀疏向量α，即线性系数，为输入的图谱z的特征向量Z在神经网络中的参数，记为H_w，v(z)；w表示模型参数中的特征向量的权重，v表示权重衰减项；

57)固定参数H_w，v(z)，作为训练完成后的模型参数；用于计算相似度；

58)对编码模型的Softmax分类器进一步训练，得到优化的回归模型；更新H_w，v(z)，得到新的编码模型；新的编码模型即含有新的纤维分类；

通过上述步骤，对编码模型通过调节稀疏系数/向量求解优化值，建立得到纤维种类的图谱库。

2.如权利要求1所述基于自学习方法建立纤维种类图谱库的方法，其特征是，同类型的检测设备包括近红外光谱仪、红外光谱仪或拉曼光谱仪；同类型的纤维图谱图包括红外光谱图、热重图谱或拉曼光谱图。

3.如权利要求1所述基于自学习方法建立纤维种类图谱库的方法，其特征是，步骤52)预设定值y和N取值为大于200；和/或，步骤53)中，预设定值e取值为8。

4.如权利要求1所述基于自学习方法建立纤维种类图谱库的方法，其特征是，步骤55)具体通过以下过程得到样本的特征向量的基D：

551)使用稀疏编码模型，通过系数α稀疏；在目标优化函数使用L1范数约束，目标优化函数为损失函数，表示为式3：

其中，α为稀疏系数/线性系数；α_ij是α中的元素；m为训练数据集中样本的个数；k为已知分类的个数；λ为常数；

552)通过训练样本，使得目标函数最小；训练过程为多次迭代，每次迭代均包括操作：固定样本基d_i，调整α_i，使得上式目标函数最小；固定α_i，调整d_i，使得上式目标函数最小；

553)通过多次迭代训练，得到样本的特征向量的基D。