CN119418330A 一种无监督特征学习的轻量级牛肉质量评估方法 （云南农业大学）

一种无监督特征学习的轻量级牛肉质量评并与真实数据交替输入到Transformer模型中，更新Transformer模型的参数；基于更新参数后的Transformer模型对牛肉质量进行评估；本发2S2、确定高质量样本数据的动态范围，根据高将每个波长下的高质量样本数据的动态范围压缩到相应的阈值，并进行预S3、基于无监督特征学习模型，将预处理后的样本基于多尺度和多模态特征融合网络，将所述原始样本数据的特S6、将融合样本特征的类别标签的概率和真实数据将所述扰动生成器生成的具有微小扰动的样本数据和真实数据交替输入到轻量级基于更新参数后的轻量级Transformer模型对牛gg所述生成器为反向卷积神经网络，所述反向卷积神经网络的输入层的维3将每个波长下的高质量样本数据的动态范围压缩到相应的阈所述计算高质量样本数据的最大值和最小值，确定高质量样本数据根据高质量样本数据在动态范围内的分布特征确定相应的阈值，4j表示第j个波长下的标准差；将每个波长下的高质量样本数据的动态范围所述无监督特征学习模型为改进的扩散模型，所述改进的扩散模型包将隐空间中的预处理后的样本数据重建为原xdxk其中，所述解码器用于将隐空间中的预处理后的样本数据5所述编码器中的每个卷积层采用残差连接，所述编码器的最-1)+Hl-1述步骤S4中基于深度学习模型MSCNN，以不同尺度从融合后的原始样本数据中提取不同层6H所述深度学习模型MSCNN包括多个卷积层所述多尺度和多模态特征融合网络包括特征融合层和特征选择层，所述特征所述特征融合层用于将不同数据源的特征进行融合，具体为：利用Bt=αFt+(1-α)At或所述特征选择层用于从融合后的特征信息中选择有用的特征信息，具7或所述轻量级Transformer模型包括编码器和分类器，所述编码器用于将融合样本特征所述编码器为混合注意力网络，包括若干个混合注意力层，每个t,ij为第i个样本在第j个最终特征维度的特征Ht＝E(Gt)∈RnxqYt＝C(Ht)∈Rnxci个样本属于第j个类别的概率；所述步骤S5中，每个所述混合注意力层包含全局自注意力子层和局部卷积注意力子Ht,i＝LayerNorm(Ht,i-QKQKV为局部卷积注意力子层的参数，softmax为归一化函数，Conv为卷积操8通过扰动生成器和扰动评估器进行对抗训练，使所述扰动生成器所述对抗样本生成器中的扰动评估器用于输出真实数据和扰动的样本数据之间差异10.根据权利要求1所述的无监督特征学习的轻量级牛肉质量评估方法，其特征在于，所述步骤S6中将所述扰动生成器生成具有微小扰动的样本数据和真实数据交替输入到轻所述扰动生成器和扰动评估器进行对抗训练的损9[0006]有鉴于此，本发明的目的是提出一种无监督特征学习的轻量级牛肉质量评估方[0011]将每个波长下的高质量样本数据的动态范围压缩到相应[0017]将所述扰动生成器生成的具有微小扰动的样本数据和真实数据交替输入到轻量gg[0032]所述计算高质量样本数据的最大值和最小值，确定高质j个波长下的均值；j个波长下的标准差；用于将隐空间中的预处理后的样本数据重建为原始样[0060]利用不同时间步的原始样本数据的特征信息，构建特征[0064]其中，所述解码器用于将隐空间中的预处理后的样本数[0068]所述编码器中的每个卷积层采用残差连接，所述编码器的最后一层为自注意力Z1：t-1为特征库的前t-1个切片，即历史时间步的特QKi个样本在第j个隐空间维度))i个样本在第j个辅助数据维度的特征值；i个样本在第j个最终[0125]所述轻量级Transformer模型包括编码器和分类器，所述编码器用于将融合样本特征映射到高维的隐空间，所述分类器用于将隐空间中的融合样本特征映射到类别标签，i个样本在第j个最终特征维度的i个样本在隐空间的第j个维度的特i个样本属于第j个类别的概率；[0159]所述对抗样本生成器中的扰动评估器用于输出真实数据和扰动的样本数据之间数据交替输入到轻量级Transformer模型中，进行正向传播和反向传播，更新轻量级自动从高光谱图像中提取和融合牛肉的光谱和空间特征，实现了对牛肉品质的高精度分[0169]下面结合附图对本发明构网型储能系统交直流侧协调控制系统及方法作进一步融合后的特征进行分类结合全局自注意力机制和局部卷积注意力机制融合后的特征进行分类结合全局自注意力机制和局部卷积注意力机制降低计算复杂度[0180]平衡生成器和判别器的判据为Wasserstein距离趋于稳定，本步骤中取稳定阈值[0181]需要说明的是：Wasserstein距离趋于稳定可以定义为：在连续N个训练周期成器的生成质量和多样性。采用自适应梯度裁剪的方法，避免梯度爆炸(Exploding[0194]利用改进的扩散模型(DiffusionModel)从高光谱数据中自动学习光谱和空间特[0197]具体地，编码器的结构为深度卷积神经网络(DeepConvolutionalNeural[0203]利用多尺度卷积神经网络(Multi_ScaleConvolutionalNeuralNetwork，[0208]需要说明的是：本步骤利用MSCNN从不同尺度的高光谱数据中提取不同层次的光[0210]本步骤利用轻量级Transformer模型(LightweightTransformer)对融合后的特同时保持较高的分类性能，利用Transformer模型的强大的自注意力机制和多头注意力机注意力子层(GlobalSelf_AttentionSublayer，GSA)和局部卷积注意力子层(Local提供评估结果的置信度信息。轻量级Transformer模型的输出综合考虑了牛肉样品的多个[0216]利用轻量级Transformer模型(LightweightTransformer)对融合后的特征进行IntelCorei7的CPU和NVIDIAGeF噪声和异常值，提高数据的信噪比和动态范围。使用Python的scikit_image库中的[0225]数据增强：利用WGAN_AGC(Watermark_GANwithAdaptiveGradientClipping)的torch.nn模块构建生成对抗网络(GAN)并使用torc输出。使用Python的pandas库中的DataFrame类将高光谱数据和辅助数据整合为数据框(DataFrame)，使用label列作为数据的标签(牛肉的等级、鲜度、营养价值等)；使用模块构建基于扩散的卷积神经网络(DCNN)，使用torch.nn.functional模块中的用MMFN将高光谱数据和其他辅助数据进行融合，提高特征的表达能力和鉴别能力。使用torch.nn.MultiheadAttention类构建多头注意力网络(MMFN)，使用torch.nn模块中的PyTorch库中的torch.nn模块构建轻量级Transformer模型，使用torch.nn模块中的[0240]本步骤利用对抗样本生成器(AdversarialSampleGenerator，ASG)在训练过程[0242]S6.1：将轻量级Transformer模型的输[0246]利用对抗样本生成器(AdversarialSampleGenerator，ASG)在训练过程中生成