用于光谱仪的自动化模型训练装置和自动化模型训练方法制造方法及图纸

本发明专利技术提供一种用于光谱仪的自动化模型训练方法，其中透过一处理器以执行模型训练方法，并且模型训练方法包括：取得光谱资料；从一个或多个前处理模型选出至少一前处理模型；从一个或多个机器学习模型选出第一机器学习模型；建立对应于至少一前处理模型和第一机器学习模型的管线；以及根据光谱资料以及管线训练对应于管线的识别模型。本发明专利技术还提供一种模型训练装置和光谱仪。本发明专利技术提供的模型训练装置以及模型训练方法以快速地建立最佳的识别模型，并且使识别模型用于不同的光谱仪。

【技术实现步骤摘要】
用于光谱仪的自动化模型训练装置和自动化模型训练方法
本专利技术是有关于一种光谱仪的技术，且特别是有关于一种用于光谱仪的自动化模型训练装置和自动化模型训练方法以及一种光谱仪。
技术介绍
光谱仪的应用依赖于用于检测光谱特征的识别模型的优劣，而不同应用所对应的光谱特征也不相同。因此，光谱仪的每一应用都需要由专家来建立对应的识别模型。专家需要反复地尝试多种前处理模型、机器学习模型及超参数(hyperparameter)的组合，才能产生适合的识别模型，且所产生的识别模型还不一定是最佳的。另一方面，多个光谱仪之间经常存在差异，且进行光谱测量时，测量结果容易受散射光光程影响。因此，相同的识别模型往往不用于不同的光谱仪，使用者需要分别针对不同的光谱仪进行识别模型的训练或校正。如此，厂商不仅无法大量地生产光谱仪，还需要耗费相当多的成本以维护众多的识别模型。
技术实现思路
有鉴于此，本专利技术提供一种用于光谱仪的自动化模型训练装置和自动化模型训练方法以及一种光谱仪以快速地建立最佳的识别模型，并且使识别模型用于不同的光谱仪。本专利本文档来自技高网...

【技术保护点】
1.一种自动化模型训练方法，用于光谱仪，其特征在于，透过处理器以执行所述自动化模型训练方法，并且所述自动化模型训练方法包括：/n取得光谱资料；/n从一个或多个前处理模型选出至少一前处理模型；/n从一个或多个机器学习模型选出第一机器学习模型；/n建立对应于所述至少一前处理模型和所述第一机器学习模型的管线；以及/n根据所述光谱资料以及所述管线训练对应于所述管线的识别模型，其中所述光谱资料优化所述管线的超参数以训练所述识别模型。/n

【技术特征摘要】
1.一种自动化模型训练方法，用于光谱仪，其特征在于，透过处理器以执行所述自动化模型训练方法，并且所述自动化模型训练方法包括：
取得光谱资料；
从一个或多个前处理模型选出至少一前处理模型；
从一个或多个机器学习模型选出第一机器学习模型；
建立对应于所述至少一前处理模型和所述第一机器学习模型的管线；以及
根据所述光谱资料以及所述管线训练对应于所述管线的识别模型，其中所述光谱资料优化所述管线的超参数以训练所述识别模型。


2.根据权利要求1所述的自动化模型训练方法，其特征在于，还包括根据至少一个演算法以从所述一个或多个前处理模型中选出所述至少一前处理模型并且从所述一个或多个机器学习模型中选出所述第一机器学习模型，其中所述至少一个演算法至少包括：
网格式搜寻演算法、排列搜寻演算法、随机搜寻演算法、贝氏最优化演算法、遗传演算法以及强化学习演算法。


3.根据权利要求1所述的自动化模型训练方法，其特征在于，所述一个或多个前处理模型关联于下列程序中的至少一个：
光滑程序、小波程序、基线校正程序、微分程序、标准化程序以及随机森林程序。


4.根据权利要求1所述的自动化模型训练方法，其特征在于，还包括：
对所述一个或多个前处理模型进行排序以产生前处理组合，其中所述前处理组合包含于所述管线中。


5.根据权利要求1所述的自动化模型训练方法，其特征在于，还包括：
储存对应于至少一管线的历史管线清单；以及
根据所述历史管线清单训练所述识别模型。


6.根据权利要求1所述的自动化模型训练方法，其特征在于，所述一个或多个机器学习模型包括回归模型以及分类模型。


7.根据权利要求1所述的自动化模型训练方法，其特征在于，用以训练所述识别模型的损失函数关联于均方差演算法。


8.一种光谱仪，其特征在于，所述光谱仪具有根据权利要求1至8中的任一项所述的自动化模型训练方法产生的识别模型。


9.一种自动化模型训练装置，用于光谱仪，其特征在于，所述自动化模型训练装置包括收发器、处理器以及储存媒体，其中：
所述收发器取得光谱资料；...

【专利技术属性】
技术研发人员：王峰，黄彦钧，
申请(专利权)人：中强光电股份有限公司，
类型：发明
国别省市：中国台湾;71