CN119415934A 一种近红外光谱建模的特征模式生成与协同优化方法 （安徽农业大学）

一种近红外光谱建模的特征模式生成与协供了一种近红外光谱建模的特征模式生成与协意力机制与特征协同构建方法构建最佳最小特发明显著提高了近红外光谱建模在物质成分含2对获取的样本近红外光谱数据进行预处理，将预处理后的一维近红外在已有的二维结构数据的基础上，利用基于生成对抗网络的在已有的不同特征模式集的基础上，利用基于离散粒子群优化BP根据所述最佳最小特征模式集构建神经网络，并搭建模型，将特征2.根据权利要求1所述的近红外光谱建模的特征模式生成与协同优化方法，其特征在随着训练的进行，直到判别器和生成器的性能达到一个3.根据权利要求2所述的近红外光谱建模的特征模式生成与协同优化方法，其特征在;生成模式的损失函数用于最大化D(c(z4.根据权利要求3所述的近红外光谱建模的特征模式生成与协同优化方法，其特征在;35.根据权利要求4所述的近红外光谱建模的特征模式生成与协同优化方法，其特征在在计算过程中，首先计算查询向量与每个键向量之间的相似;;其中，ai代表第i个键向量对应的注意力权重；similarityr代表查询向量与第i个键;6.根据权利要求5所述的近红外光谱建模的特征模式生成与协同优化方法，其特征在将经过神经网络提取得到的不同的深度特征模;在BPSO算法的初始化阶段，将通过深度神经网络提取得到的;渐从wmax减少到wmin，θ为在[0,1]区间内的随机数，4pbesti是粒子i的个体最优位置，gbest是全局最优位置，c1和cz分别为个体学习因;7.根据权利要求6所述的近红外光谱建模的特征模式生成与协同优化方法，其特征在;是原始二维特征模式占最佳最小特征模式集的比例，V是生成二维特征模式占最5[0005]本发明实施例的目的在于提供一种近红外光谱建模的特征模式生成与协同优化6;其中，z是从先验分布pz(z)中随机生成的噪声向量，G(z)是生成器生成的数据，;;其中，Query表示期望从数据中检索或匹配的信息的向量，keyi;7;其中，Source代表未执行自注意力机制前得到的原始生成图像模式;ai是通过将经过神经网络提取得到的不同的深度特征模;;时间逐渐从wmax减少到wmin，θ为在[0,1]区间内的随机数，pbesti是粒子i的个体最优位置，gbest是全局最优位置，c;避免粒子在搜索空间中过度跳跃而失去搜索的;8提供了新的视角；[0016]图1为本发明一种近红外光谱建模的特征模式生成与协同优化方法的实现流程示图2为本发明一种近红外光谱建模的特征模式生成与协同优化方法的逻辑流程图3为本发明一种近红外光谱建模的特征模式生成与协同优化方法的逻辑结构框[0020]需要说明的是，本发明实施例中选择的预处理方法仅仅是多种可选方法中的一9S103、利用与特征模式相匹配的神经网络对二维结构数据进行深度特征的提取，采用交叉自适应注意力机制产生新的特征模;其中，z是从先验分布pz(z)中随机生成的噪声向量，G(z)是生成器生成的数据，;注意力机制对生成二维特征模式深度特征进行变换得到最终的生成二维特征模式深度特;;;其中，Source代表未执行自注意力机制前得到的原始生成图像模式;ai是通过将经过神经网络提取得到的不同的深度特征模;需要说明的是，本示例中选择的模型评估指标仅仅是多种可选评估指标中的一;时间逐渐从wmax减少到wmin，θ为在[0,1]区间内的随机数，pbesti是粒子i的个体最优位置，gbest是全局最优位置，c作为一个示例，设置惯性权重的最大值wmax为0.9，设置惯性权重的最小值wmin为0.4；;避免粒子在搜索空间中过度跳跃而失去搜索的;;[0033]请参照图3，