本發(fā)明涉及紅外無損檢測(cè)技術(shù)領(lǐng)域，尤其涉及一種基于改進(jìn)dbn的近紅外光譜分析紡織品棉含量的方法。

背景技術(shù)：

紡織品與人們的生活息息相關(guān)，隨著生活水平的提高，紡織品的質(zhì)量逐漸受到人們的重視。有關(guān)紡織品和服裝質(zhì)量問題的日益突出，諸如成分及含量標(biāo)識(shí)不清、以次充好等，欺騙消費(fèi)者，不僅影響人們的日常生活，而且擾亂了市場(chǎng)秩序。因此，為了防止紡織品含量混淆不清的情況，應(yīng)加強(qiáng)紡織品的質(zhì)量監(jiān)測(cè)，其在紡織品檢測(cè)項(xiàng)目中有著重要的地位。

常用的傳統(tǒng)檢測(cè)方法操作復(fù)雜、費(fèi)時(shí)費(fèi)力、成本高，無法滿足紡織品質(zhì)量檢測(cè)的需要。近紅外光譜技術(shù)以其快速、無損等優(yōu)點(diǎn)，在紡織品質(zhì)量檢測(cè)方面有較好的應(yīng)用前景，其原理為對(duì)有機(jī)物中的含氫集團(tuán)x-h的倍頻合頻的吸收，通過化學(xué)計(jì)量方法測(cè)得有機(jī)物的理化指標(biāo)，用有效的數(shù)學(xué)算法將理化值與光譜數(shù)據(jù)建立函數(shù)關(guān)系，實(shí)現(xiàn)對(duì)未知的定性或定量分析。近幾年來，近紅外光譜分析技術(shù)在紡織品領(lǐng)域也得到了廣泛的應(yīng)用。目前存在的基于近紅外光譜法的紡織品棉含量的預(yù)測(cè)方法，主要為單隱層網(wǎng)絡(luò)和支持向量回歸等淺層學(xué)習(xí)方法，些網(wǎng)絡(luò)的共同特點(diǎn)是，它們都使用不超過三層的結(jié)構(gòu)將原始輸入信號(hào)變換到一個(gè)特征空間。毋庸置疑，淺層學(xué)習(xí)對(duì)于解決簡(jiǎn)單的問題非常有效，但是在解決復(fù)雜實(shí)際應(yīng)用問題時(shí)，往往出現(xiàn)函數(shù)表達(dá)能力不足等問題，從而會(huì)導(dǎo)致結(jié)果會(huì)出現(xiàn)較大的誤差等問題，進(jìn)而會(huì)導(dǎo)致預(yù)測(cè)結(jié)果不準(zhǔn)確。而此時(shí)深度學(xué)習(xí)網(wǎng)絡(luò)則僅需要相對(duì)較少的計(jì)算單元，即在表達(dá)同樣的復(fù)雜函數(shù)時(shí)，與淺層網(wǎng)絡(luò)相比，深度學(xué)習(xí)網(wǎng)絡(luò)可能僅需要較少的節(jié)點(diǎn)和較少的參數(shù)。這意味著，在節(jié)點(diǎn)數(shù)相同的情況下，深度學(xué)習(xí)網(wǎng)絡(luò)通常較淺層網(wǎng)絡(luò)的函數(shù)表達(dá)能力更強(qiáng)。對(duì)此情況，本發(fā)明設(shè)計(jì)一種基于改進(jìn)dbn的紡織品棉含量的預(yù)測(cè)方法，以提高預(yù)測(cè)的準(zhǔn)確度和可靠性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提出一種基于改進(jìn)dbn的近紅外光譜分析紡織品棉含量的測(cè)定方法，旨在解決現(xiàn)有技術(shù)中棉滌紡織品棉含量預(yù)測(cè)準(zhǔn)確度和可靠性較低的問題。

本發(fā)明所采用的技術(shù)方案是：一種基于改進(jìn)dbn的近紅外光譜分析紡織品棉含量的方法，其特征在于，具體包括以下步驟：

(1)收集樣品，采集樣品的近紅外光譜以及樣品的理化數(shù)據(jù)；

(2)對(duì)獲取的光譜數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)；

(3)使用改進(jìn)dbn方法，建立定量分析模型，通過全局學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)整，從而獲得最優(yōu)紡織品棉含量定量分析模型；

(4)將預(yù)測(cè)數(shù)據(jù)導(dǎo)入所述最優(yōu)紡織品棉含量定量分析模型進(jìn)行紡織品棉含量的預(yù)測(cè)分析。

進(jìn)一步的，所述步驟(1)具體實(shí)現(xiàn)如下：使用近紅外光譜儀以及相關(guān)漫反射部件對(duì)紡織品布料進(jìn)行正反兩面采集光譜數(shù)據(jù)，得到正反兩面的平均樣品光譜，并且按定量化學(xué)分析方法——硫酸溶解法對(duì)紡織品中棉含量進(jìn)行測(cè)定，得到樣品棉含量的理化分析值。

進(jìn)一步的，所述步驟(2)具體實(shí)現(xiàn)如下：

(2.1)對(duì)步驟(1)獲得的光譜數(shù)據(jù)進(jìn)行sg平滑處理；

(2.2)對(duì)步驟(2.1)sg平滑處理后的光譜數(shù)據(jù)進(jìn)行小波變換方法對(duì)光譜數(shù)據(jù)進(jìn)行壓縮，得到壓縮后的近紅外光譜數(shù)據(jù)矩陣；

(2.3)對(duì)步驟(2.2)經(jīng)小波變換處理后的數(shù)據(jù)進(jìn)行高斯分布處理，得到規(guī)范化后的數(shù)據(jù)；

(2.4)使用spxy樣品集劃分方法將步驟(2.3)處理后的樣品數(shù)據(jù)劃分訓(xùn)練集及預(yù)測(cè)集。

進(jìn)一步的，所述步驟(2.1)中的sg平滑處理具體如下：

(2.1.1)利用最小二乘擬合系數(shù)建立數(shù)字濾波函數(shù)，對(duì)移動(dòng)窗口內(nèi)的波長(zhǎng)點(diǎn)數(shù)據(jù)進(jìn)行多項(xiàng)式最小二乘擬合，其表達(dá)式如下：

式中，m是多項(xiàng)式的次數(shù)；q是平滑窗口點(diǎn)數(shù)的中心點(diǎn)；p為平滑窗口點(diǎn)數(shù)；為savitzky-golay卷積平滑算法建立二次擬合曲線后中心點(diǎn)q得到的擬合值，ak是二項(xiàng)方程式系數(shù)；λq是中心點(diǎn)q對(duì)應(yīng)的波長(zhǎng)點(diǎn)數(shù)據(jù)；

(2.1.2)采用最小二乘法求解待定二項(xiàng)方程式系數(shù)，最小二乘擬合的殘差ε如下所示：

令并聯(lián)立求解方程組可得到二項(xiàng)式系數(shù)；其中，m是需要擬合的單邊點(diǎn)數(shù)；xp是原始光譜數(shù)據(jù)。

進(jìn)一步的，所述步驟(2.2)具體實(shí)現(xiàn)如下：將sg平滑處理后的光譜數(shù)據(jù)進(jìn)行小波變換處理，小波變換選擇小波母函數(shù)為dbn，n為消失矩，得到壓縮后的近紅外光譜數(shù)據(jù)矩陣。

進(jìn)一步的，所述步驟(2.3)具體實(shí)現(xiàn)如下：將小波變換處理后的光譜進(jìn)行高斯分布處理；其公式為：其中，x為規(guī)范化后的光譜數(shù)據(jù)矩陣，xi為第i維輸入光譜數(shù)據(jù)，為第i維輸入的均值，σi為第i維輸入的標(biāo)準(zhǔn)差。

進(jìn)一步的，所述步驟(3)具體實(shí)現(xiàn)如下：將預(yù)處理后的近紅外光譜數(shù)據(jù)以及其對(duì)應(yīng)的理化分析數(shù)據(jù)作為改進(jìn)dbn定量分析模型的輸入，建立定量分析模型，改進(jìn)dbn由多層稀疏高斯受限玻爾茲曼機(jī)(spare-grbm)的堆疊和bp神經(jīng)網(wǎng)絡(luò)構(gòu)成，建立定量分析模型的過程如下：

(3.1)將處理后的近紅外光譜數(shù)據(jù)矩陣作為網(wǎng)絡(luò)的輸入；

(3.2)從上而下，采用對(duì)比散度算法訓(xùn)練得到高斯受限玻爾茲曼機(jī)參數(shù)，繼續(xù)向上逐層對(duì)高斯受限玻爾茲曼機(jī)進(jìn)行訓(xùn)練，并結(jié)合隨機(jī)隱匿算法來隱藏部分隱含層節(jié)點(diǎn)數(shù)，即高斯受限玻爾茲曼機(jī)的部分輸出置0，對(duì)網(wǎng)絡(luò)模型進(jìn)行稀疏化處理，直到最頂層結(jié)束，得到稀疏后的dbn模型；直到最頂層結(jié)束；該模型對(duì)應(yīng)的能量函數(shù)為：

其中，e(v,h)為能量模型函數(shù)，v為可見層，h為隱含層，vi為輸入層第i個(gè)節(jié)點(diǎn)的值，ci為輸入層第i個(gè)節(jié)點(diǎn)的偏置，σi為第i維輸入的標(biāo)準(zhǔn)差向量，wi,j為第i個(gè)輸入層節(jié)點(diǎn)與第j個(gè)隱含層節(jié)點(diǎn)的連接權(quán)重，hj為隱含層的第j個(gè)節(jié)點(diǎn)的值，bj為隱含層第j個(gè)節(jié)點(diǎn)的偏置；

相對(duì)應(yīng)的條件概率分布為：

其中，sigmoid＝1/(1+e^-x)，n代表高斯分布；

(3.3)以步驟(3.2)得到的參數(shù){ci，bj，wi,j}作為初始值，使用bp算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行全局訓(xùn)練，得到最終的網(wǎng)絡(luò)參數(shù)，從而獲得最優(yōu)的棉滌紡織品棉含量定量分析模型。

本發(fā)明的有益效果是：該改進(jìn)dbn模型中由高斯分布輸入層來代替?zhèn)鹘y(tǒng)深度信念網(wǎng)絡(luò)中二進(jìn)制可視節(jié)點(diǎn)，減少了原始光譜數(shù)據(jù)輸入的遺漏。該網(wǎng)絡(luò)由多層稀疏高斯受限玻爾茲曼機(jī)組成，采用逐層無監(jiān)督貪心算法訓(xùn)練參數(shù)，并結(jié)合隨機(jī)隱匿算法來隱藏部分隱含層節(jié)點(diǎn)數(shù)，對(duì)網(wǎng)絡(luò)模型進(jìn)行稀疏化處理，從而優(yōu)化網(wǎng)絡(luò)的權(quán)值，得到稀疏后的dbn架構(gòu)，從而提高網(wǎng)絡(luò)的訓(xùn)練速率，然后利用bp算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行全局訓(xùn)練，得到最終的網(wǎng)絡(luò)參數(shù)，完成整個(gè)模型的訓(xùn)練。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型對(duì)比，該模型克服了傳統(tǒng)神經(jīng)網(wǎng)絡(luò)容易陷入局部最優(yōu)、訓(xùn)練時(shí)間長(zhǎng)及預(yù)測(cè)準(zhǔn)確度低等問題，提高了預(yù)測(cè)的準(zhǔn)確度和可靠性。本方法在紡織品質(zhì)量監(jiān)測(cè)等方面具有良好的應(yīng)用前景。

附圖說明

圖1為本發(fā)明預(yù)測(cè)方法流程圖；

圖2為本發(fā)明樣品原始光譜圖；

圖3為本發(fā)明棉滌紡織品棉含量預(yù)測(cè)值與真實(shí)值的擬合曲線圖。

具體實(shí)施方法

本發(fā)明的具體實(shí)施方式提出了一種基于改進(jìn)dbn的近紅外光譜分析紡織品棉含量的方法，下面結(jié)合附及實(shí)施例對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。所描述的實(shí)施例為解釋本發(fā)明，并非用于限定本發(fā)明。

實(shí)施例：

(1)收集樣品，采集樣品的近紅外光譜以及樣品的理化數(shù)據(jù)；具體為：從市場(chǎng)上收集混紡樣品308個(gè)，樣品狀態(tài)繁多，顏色有深有淺，有染色也有印花，面料有厚也有薄，有平紋也有斜紋，具有一定的代表性。使用supnir-1100近紅外光譜儀對(duì)滌棉紡織品的光譜數(shù)據(jù)進(jìn)行采集，具體步驟如下：確定布樣后對(duì)布樣進(jìn)行折疊，依據(jù)布料厚度進(jìn)行z字型折疊，可保證布料內(nèi)外表面不在同一個(gè)面上，便于檢測(cè)布料的正反兩面；將折疊后的布樣壓平；采集參比光譜后，開始采集樣品漫反射光譜，對(duì)布料正反兩面光譜進(jìn)行采集，從而得到308個(gè)樣品正反兩面的平均樣品光譜，并將其用于后續(xù)分析，譜區(qū)采集范圍：1000-1800nm，實(shí)驗(yàn)均在室溫下進(jìn)行。并且按定量化學(xué)分析方法——硫酸溶解法對(duì)滌棉紡織品中棉含量進(jìn)行測(cè)定，得到樣品棉含量的理化分析值。

(2)對(duì)獲取的光譜數(shù)據(jù)進(jìn)行預(yù)處理，得到預(yù)處理后的數(shù)據(jù)；具體為：

(2.1)對(duì)步驟(1)獲得的光譜數(shù)據(jù)進(jìn)行sg平滑處理；具體為：選用sg平滑窗口點(diǎn)數(shù)13對(duì)光譜數(shù)據(jù)進(jìn)行降噪處理，得到降噪后的光譜數(shù)據(jù)矩陣。為了壓縮光譜數(shù)據(jù)，并去除光譜噪聲，保留了光譜的主要信息且大大減小了數(shù)據(jù)量。

(2.2)對(duì)步驟(2.1)sg平滑處理后的光譜數(shù)據(jù)進(jìn)行小波變換方法對(duì)光譜數(shù)據(jù)進(jìn)行壓縮，得到壓縮后的近紅外光譜數(shù)據(jù)矩陣；具體為：選擇小波母函數(shù)為dbn，n為消失矩，消失矩選取2，分解層數(shù)為3層，得到壓縮后的近紅外光譜數(shù)據(jù)矩陣，壓縮后的矩陣數(shù)據(jù)量縮減為原始數(shù)據(jù)量的23％，能量保留率達(dá)到99％，壓縮后的數(shù)據(jù)將提高建模速率。

(2.3)對(duì)步驟(2.2)經(jīng)小波變換處理后的數(shù)據(jù)進(jìn)行高斯分布處理，得到規(guī)范化后的數(shù)據(jù)；具體為：將上一步處理后的光譜進(jìn)行高斯分布處理，其公式為：其中xi為第i維輸入光譜數(shù)據(jù)，為第i維輸入的均值，σi為第i維輸入的標(biāo)準(zhǔn)差。經(jīng)處理后得到規(guī)范化后的光譜數(shù)據(jù)矩陣，該矩陣作為模型的輸入。

(2.4)使用spxy(samplesetpartitioningbasedonjointx-ydistance)樣品集劃分方法將步驟(2.3)處理后的樣品數(shù)據(jù)劃分訓(xùn)練集及預(yù)測(cè)集。具體為：將308個(gè)樣品按3:1數(shù)量比劃分為訓(xùn)練集及預(yù)測(cè)集，訓(xùn)練集樣品數(shù)為231個(gè)，預(yù)測(cè)集樣品數(shù)為77個(gè)，訓(xùn)練集樣品用于模型的建立，預(yù)測(cè)集樣品用于驗(yàn)證模型。

(3)使用改進(jìn)的深度信念網(wǎng)絡(luò)方法，建立定量分析模型，通過全局學(xué)習(xí)算法對(duì)網(wǎng)絡(luò)進(jìn)行調(diào)整，從而獲得最優(yōu)紡織品棉含量定量分析模型；具體為：

將預(yù)處理后的近紅外光譜數(shù)據(jù)以及其對(duì)應(yīng)的理化分析數(shù)據(jù)作為改進(jìn)dbn定量分析模型的輸入，建立定量分析模型，改進(jìn)dbn由多層稀疏高斯受限玻爾茲曼機(jī)(spare-grbm)的堆疊和bp神經(jīng)網(wǎng)絡(luò)構(gòu)成，建立定量分析模型的過程如下：

(3.1)將處理后的近紅外光譜數(shù)據(jù)矩陣作為網(wǎng)絡(luò)的輸入；

(3.2)從上而下，采用對(duì)比散度算法訓(xùn)練得到高斯受限玻爾茲曼機(jī)參數(shù)，繼續(xù)向上逐層對(duì)高斯受限玻爾茲曼機(jī)進(jìn)行訓(xùn)練，并結(jié)合隨機(jī)隱匿算法來隱藏部分隱含層節(jié)點(diǎn)數(shù)，對(duì)網(wǎng)絡(luò)進(jìn)行稀疏化處理，設(shè)置隨機(jī)隱匿算法中的參數(shù)為0.6，隨機(jī)隱藏60％隱含層節(jié)點(diǎn)數(shù)，即60％輸出置零，從而優(yōu)化網(wǎng)絡(luò)的權(quán)值，直到最頂層結(jié)束，得到稀疏后的網(wǎng)絡(luò)模型；該模型對(duì)應(yīng)的能量函數(shù)為：

其中，σi為第i維輸入的標(biāo)準(zhǔn)差，vi為輸入層第i個(gè)節(jié)點(diǎn)的值，hj為隱含層的第j個(gè)節(jié)點(diǎn)的值，wi,j為第i個(gè)輸入層節(jié)點(diǎn)與第j個(gè)隱含層節(jié)點(diǎn)的連接權(quán)重，ci為輸入層第i個(gè)節(jié)點(diǎn)的偏置，bj為隱含層第j個(gè)節(jié)點(diǎn)的偏置；相對(duì)應(yīng)的條件概率分布為：

其中，sigmoid＝1/(1+e^-x)，n代表高斯分布。

(3.3)以上一步得到的參數(shù)作為初始值，使用bp算法對(duì)整個(gè)網(wǎng)絡(luò)進(jìn)行全局訓(xùn)練，得到最終的網(wǎng)絡(luò)參數(shù)。從而獲得最優(yōu)的棉滌紡織品棉含量定量分析模型。經(jīng)過對(duì)比多次實(shí)驗(yàn)結(jié)果，當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)取[102,50,25,1]時(shí)，模型的穩(wěn)定性較好，從而獲得最優(yōu)的棉滌紡織品棉含量定量分析模型。

(4)將預(yù)測(cè)數(shù)據(jù)導(dǎo)入所述最優(yōu)紡織品棉含量定量分析模型進(jìn)行紡織品棉含量的預(yù)測(cè)分析。具體為：將預(yù)測(cè)集樣品的77條光譜導(dǎo)入最優(yōu)棉滌紡織品棉含量定量分析模型，對(duì)滌棉紡織品棉含量進(jìn)行預(yù)測(cè)，經(jīng)驗(yàn)證，預(yù)測(cè)結(jié)果和真實(shí)值有很好的線性關(guān)系，其擬合曲線如附圖3所示。圖中橫坐標(biāo)表示預(yù)測(cè)值，縱坐標(biāo)代表真實(shí)值，并引入相關(guān)系數(shù)r指標(biāo)，r表示預(yù)測(cè)值與真實(shí)值之間的擬合程度，當(dāng)r越大說明預(yù)測(cè)值與真實(shí)值之間的擬合程度越高。網(wǎng)絡(luò)預(yù)測(cè)分析評(píng)價(jià)標(biāo)準(zhǔn)預(yù)測(cè)標(biāo)準(zhǔn)差rmsep，其值越小代表模型的預(yù)測(cè)能力越高。實(shí)驗(yàn)結(jié)果r＝0.9957，rmsep＝0.0253，結(jié)果表明所構(gòu)建改進(jìn)dbn模型具有較高的預(yù)測(cè)精度及可靠性。

(5)實(shí)驗(yàn)結(jié)果對(duì)比。具體為：使用bp神經(jīng)網(wǎng)絡(luò)對(duì)上述紡織品樣品數(shù)據(jù)進(jìn)行建模預(yù)測(cè)，其網(wǎng)絡(luò)預(yù)測(cè)結(jié)果為相關(guān)系數(shù)r＝0.9321，預(yù)測(cè)標(biāo)準(zhǔn)差rmsep＝0.2362，對(duì)比本發(fā)明結(jié)果可以得出：所構(gòu)建的改進(jìn)dbn模型較bp神經(jīng)網(wǎng)絡(luò)模型具有較好的預(yù)測(cè)精度及可靠性，其對(duì)紡織品的質(zhì)量檢測(cè)等方面具有一定的實(shí)際意義。