[发明专利]一种手持织物纤维成分无损清洁分析仪与方法

权利要求书

1.一种基于自适应联邦学习架构的纺织品成分分析与预测模型、基于联邦学习物联网结构的数据安全机器学习的方法，其特征在于，包括：

S1：工厂微节点和中心服务器；

S2：工厂微节点深度神经网络训练模型；

S3：中心服务器深度神经网络训练模型；

S4：基于自适应联邦学习架构的IIoT系统。

2.根据权利要求1所述方法，所述S1工厂微节点和中心服务器，其特征在于，包括：

S11：工厂微节点即参与本系统的纺织厂系统，包括分析仪设备和纺织厂中搭载本发明软件系统的计算机，中心服务器为负责协调各工厂微节点工作以及私密数据的存储和训练设备；

S12：工厂微节点功能包括数据的采集、数据预处理、预训练、成分推理，中心服务器功能包括基于所有数据的模型训练、数据安全同步。

3.根据权利要求1所述方法，所述S2工厂微节点深度神经网络训练模型，其特征在于，包括：

S21：工厂微节点中，特征提取系统的私有数据保存在本地，无需上传数据中心；

S22：所有工厂微节点中，特征提取系统共享同一个模型，模型的参数同步由S4所述基于自适应联邦学习架构的IIoT系统负责，工厂微节点的特征提取系统在本地完成特征提取任务，并将数据传输给中心服务器后，模型的训练在中心服务器完成；

S23：在该联邦学习系统中，每个工厂微节点作为数据的生产者，具有相同的身份地位；

S24：联邦学习使用多个工厂微节点特征提取系统提取获得的数据，进行模型学习训练；

S25：工厂微节点特征提取系统的特征提取神经网络具有如下特征：具有自适应学习成分解混分类模型、特征提取模型；工厂微节点特征提取系统与中心服务器协同训练，在工厂微节点特征提取系统对所采集的数据进行预训练，中心服务器在工厂微节点特征提取系统预训练的基础上进行综合训练；

S26：工厂微节点特征提取系统模型训练具体流程如下：

1：通过分析仪数据采集设备采集织物近红外光谱信号数据；

2：在工厂微节点中，对所采集的数据预处理，包括去噪、平滑化和样本过滤；样本过滤为去除反射率过低的脏数据；

3：工厂微节点中特征提取系统通过编码模型，对原始数据进行特征提取；该模块是在模板和目标信号的不同组合上分别提取特征，融合多种规模的特征，其中模板为中心服务器与生产工厂之间约定的初始规则，本质为一个权重矩阵；

4：第三将融合的特征作为输入，并根据中心服务器广播的预测参数列表预测对应的成分类别，并进一步做成分的定性分析，并进一步优化服务器的参数，作为本地预测模型，存储在工厂微节点的计算机中。

4.根据权利要求1所述的方法，所述S3中心服务器深度神经网络训练模型，其特征在于，包括：

S31：中心服务器模型输入为网络层接收到的特征向量，其大小远小于原始信号，特征向量隐藏具体的成分信息。且经过神经网络提取的特征无法恢复，网络是不可逆的，不支持根据结果解析原始数据的特性；

S32：学习模型以所有从工厂微节点接收的特征向量做训练集优化模型参数，当有新的数据输入时都将重新进行训练；当中心服务器参数发生变化，将以广播的形式向所有在册工厂计算机更新参数；中心服务器的学习模型加入了对抗网络生成模块。

5.根据权利要求书1中的方法，所述S4基于自适应联邦学习架构的IIoT系统，其特征在于，包括：

S41：以工厂微节点的计算机为单位的本地服务系统，其流程包括以下步骤：织物近红外光谱的数据采集、数据预处理、近红外光谱信号的特征提取模型、工厂微节点的预训练模块、工厂微节点与中心服务器参数同步系统；

S42：以中心服务器为存储和计算单元的服务器服务系统，其特征为：以工厂微节点所提供的特征提取向量作为训练数据，织物成分分类与解混模型；对抗样本生成网络；中心服务器与工厂微节点参数同步系统；中心服务器安全系统；

S43：基于TCP的数据传输网络，其结构包括：工厂微节点与中心服务器密钥协议；

S44：完整的联邦学习模型训练流程系统设计。