申请/专利权人：深圳市威视佰科科技有限公司

申请日：2023-06-02

公开（公告）日：2023-09-29

公开（公告）号：CN116821704A

主分类号：G06F18/22

分类号：G06F18/22;G06F18/24;G06N20/00;G01N21/359

优先权：

专利状态码：在审-实质审查的生效

法律状态：2023.10.24#实质审查的生效;2023.09.29#公开

摘要：本发明涉及一种基于Elasticnet模型洋酒一致性检测方法及装置，应用基于Elasticnet模型洋酒一致性检测装置采集洋酒训练数据和洋酒待测数据，每条洋酒训练数据标注品牌和均值标签，带标签洋酒训练数据训练弹性网络回归模型，生成模型，利用模型预测待测洋酒均值，预测均值作为洋酒一致性检测方法的输入，输出待测洋酒与训练样本中洋酒品牌相似度值，根据相似度值定量待测洋酒与品牌洋酒一致性。本发明不限专业人士使用即可实现洋酒一致性检测；为洋酒真伪鉴别领域提供了带标签的洋酒品牌训练数据集；利用人工智能机器学习模型实现洋酒真伪鉴别，为洋酒真伪鉴别领域提供了理论技术支撑；本方法不受检测环境限制，检测洋酒一致性准确性高。

主权项：1.基于Elasticnet模型洋酒一致性检测方法及装置，本发明涉及洋酒一致性检测领域，具体涉及基于Elasticnet模型洋酒一致性检测方法及装置，其特征是，包括如下步骤：本发明公开了一种基于Elasticnet模型洋酒一致性检测装置，包括光谱仪、安卓端、主处理模块、系统存储器和电源模块，其中：所述光谱仪与所述安卓端电性连接，所述光谱仪用于采集品牌洋酒训练数据，采集检测待测洋酒样本的光谱数据，并将所有光谱数据传到所述安卓端处理；所述主处理模块通过接口与所述安卓端电性连接，用于将特征提取好的数据存储在所述系统存储器中，然后用机器学习方式训练数据，再处理数据实现洋酒一致性检测；所述安卓端模块与所述主处理模块电性连接，用于将采集和处理信号过程中的执行状态显示出来；所述电源模块与所述主处理模块电性连接，用于提供整个系统的工作电源。本发明另外公开了一种基于Elasticnet模型洋酒一致性检测方法，利用上述一种基于Elasticnet模型洋酒一致性检测装置进行检测，包括以下步骤：步骤1：为了实现洋酒一致性检测目标，需先采集训练数据，再采集待测洋酒样本光谱特征数据。步骤2：应用步骤1已采集的带洋酒品牌标签数据增加一个新标签均值，新标签均值为洋酒最佳光谱波长均值，洋酒最佳光谱波长为650nm-850nm，采用最佳光谱波长650nm-850nm对应光谱值的平均值作为新增标签均值。步骤3：应用步骤2已增加一个新标签均值训练数据作为模型训练数据集，训练弹性网络Elasticnet线性回归模型并生成洋酒均值回归模型，利用模型预测待测洋酒样本均值，具体计算方法如下：弹性网络回归模型代价函数是通过两个参数λ和ρ来控制惩罚项的大小，弹性网络回归模型代价函数代价函数如公式2： 同样是求使得代价函数最小时ω的大小： 可以看到，当ρ＝0时，其代价函数就等同于岭回归的代价函数，当ρ＝1时，其代价函数就等同于Lasso回归的代价函数。与Lasso回归一样代价函数中有绝对值存在，不是处处可导的，所以就没办法通过直接求导的方式来直接得到ω的解析解，不过还是可以用坐标下降法2coordinatedescent来求解ω。坐标下降法：坐标下降法的求解方法与Lasso回归所用到的步骤一样，唯一的区别只是代价函数不一样。具体步骤：1初始化权重系数ω，例如初始化为零向量。2遍历所有权重系数，依次将其中一个权重系数当作变量，其他权重系数固定为上一次计算的结果当作常量，求出当前条件下只有一个权重系数变量的情况下的最优解。在第k次迭代时，更新权重系数的方法如下： 上式表示第k次迭代，第m个权重系数3步骤2为一次完整迭代，当所有权重系数的变化不大或者到达最大迭代次数时，结束迭代。输入一条待测洋酒液体光谱特征数据，利用训练好的弹性网络回归模型代价函数输出待测洋酒样本均值y。步骤4：应用步骤3得到的待测洋酒样本均值y作为洋酒一致性检测方法的输入，输出待测洋酒样本与训练样本中洋酒品牌相似度值，根据相似度值定量待测洋酒与品牌洋酒一致性。

全文数据：

权利要求：

百度查询： 深圳市威视佰科科技有限公司 基于Elastic net模型洋酒一致性检测方法及装置

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD