买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：燕山大学

摘要：本发明公开了一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其包括如下步骤：步骤1、绘制柴油近红外光谱图并分析柴油不同牌号的分布情况，对牌号标签进行属性映射,并以柴油的不同牌号作为样本集；步骤2、采用SMOTE对样本集进行数据均衡处理，并将样本集划分为训练集样本和测试集样本；步骤3、用训练集样本构建一维深度卷积神经网络的近红外光谱分类模型；步骤4、将测试集样本带入建好的模型中，获得柴油牌号识别的结果，绘制多分类混淆矩阵，并分析每个类别的识别率。本发明不需要大量的预处理，可以提高分类识别的准确性，并可提高少数类样本的识别率。

主权项：1.一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法，其特征在于包括如下步骤：步骤1、绘制柴油近红外光谱图并分析柴油不同牌号的分布情况，对牌号标签进行属性映射,并以柴油的不同牌号作为样本集；步骤2、采用SMOTE对样本集进行数据均衡处理，并将样本集划分为训练集样本和测试集样本；采用SMOTE对样本集进行数据均衡处理的具体流程如下：1：首先，对于少数类中的每一个样本x，计算其到少数类样本集中所有样本的欧式距离，得到其k近邻；2：根据样本不平衡比例设置一个采样比例以确定采样倍率N，对于每一个少数类样本x，从其k近邻中随机选择若干个样本，假设选择的近邻为xn；3：对于每一个xn，分别与原样本按照公式1构建新的样本；xnew＝x+rand0,1×|x-xn|,new∈1,2,…,N14：最后，重复上述步骤N次，合成N个新样本；如果稀有类共有T个样本，则可以合成NT个新样本；步骤3、用训练集样本构建一维深度卷积神经网络的近红外光谱分类模型；对一维的近红外光谱数据，进行一些变换，使输入信号满足卷积神经网络的要求；将一维近红外光谱认为是仅包含一行或一列的二维图像的特殊集合，光谱信号进行相应的扩维，并将类别标签转换成独热编码的形式；参照LetNet-5构建一维深度卷积神经网络模型，包括输入层、两个卷积层、两个池化层、两个全连接层和输出层；步骤4、基于构建好的一维深度卷积神经网络模型，分别采用经过SMOTE过采样处理后的测试集以及原始测试集进行柴油牌号的预测，获得整体的分类识别率；随后绘制多分类混淆矩阵，并根据混淆矩阵得到精确率、召回率、准确率和平衡F分数如9、10、11、12所示： 其中，TP为将正例预测为正例的样本数，FN为将正例预测为反例的样本数，FP为将反例预测为正例的样本数，TN为将反例预测为反例的样本数。

全文数据：

权利要求：

百度查询： 燕山大学 一种基于SMOTE和深度学习的近红外光谱柴油牌号识别方法