[发明专利]一种基于改进DBN的近红外光谱分析纺织品棉含量的方法

摘要

本发明公开了一种基于改进DBN的近红外光谱分析纺织品棉含量的方法，包括以下步骤：(1)收集样品，采集样品的近红外光谱以及样品的理化数据；(2)对获取的光谱数据进行预处理，得到预处理后的数据；(3)使用改进的深度信念网络(DBN)方法，建立定量分析模型，通过全局学习算法对网络进行调整，从而获得最优纺织品棉含量定量分析模型；(4)将预测数据导入所述最优纺织品棉含量定量分析模型进行纺织品棉含量的预测分析。本发明能够快速、无损的测定样品的棉含量，将深层神经网络应用于近红外光谱纺织品棉含量检测领域，且提高了检测的准确度和可靠性。

主权项

1.一种基于改进DBN的近红外光谱分析纺织品棉含量的方法，其特征在于，具体包括以下步骤：(1)收集样品，采集样品的近红外光谱以及样品的理化数据；(2)对获取的光谱数据进行预处理，得到预处理后的数据；(3)使用改进的深度信念网络方法，建立定量分析模型，通过全局学习算法对模型进行调整，从而获得最优纺织品棉含量定量分析模型；所述步骤(3)具体实现如下：将预处理后的近红外光谱数据以及其对应的理化分析数据作为改进DBN定量分析模型的输入，建立定量分析模型，改进DBN由多层稀疏高斯受限玻尔兹曼机(spare‑GRBM)的堆叠和BP神经网络构成，建立定量分析模型的过程如下：(3.1)将处理后的近红外光谱数据矩阵作为网络的输入；(3.2)从上而下，采用对比散度算法训练得到高斯受限玻尔兹曼机参数，继续向上逐层对高斯受限玻尔兹曼机进行训练，并结合随机隐匿算法来隐藏部分隐含层节点数，对网络模型进行稀疏化处理，直到最顶层结束，得到稀疏后的DBN模型；该模型对应的能量函数为：其中，E(v,h)为能量模型函数，v为可见层，h为隐含层，v_i为输入层第i个节点的值，c_i为输入层第i个节点的偏置，σ_i为第i维输入的标准差，W_i,j为第i个输入层节点与第j个隐含层节点的连接权重，h_j为隐含层的第j个节点的值，b_j为隐含层第j个节点的偏置；相对应的条件概率分布为：其中，sigmoid＝1/(1+e^‑x)，N代表高斯分布；(3.3)以步骤(3.2)得到的参数{c_i，b_j，W_i,j}作为初始值，使用BP算法对整个网络进行全局训练，得到最终的网络参数，从而获得最优的棉涤纺织品棉含量定量分析模型；(4)将预测数据导入所述最优纺织品棉含量定量分析模型进行纺织品棉含量的预测分析。