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！

龙图腾网恭喜山东临沂烟草有限公司申请的专利基于迁移学习的烟叶近红外光谱化学成分模型优化方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN117809766B 。

龙图腾网通过国家知识产权局官网在2025-03-11发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202311709858.0，技术领域涉及：G16C20/20；该发明授权基于迁移学习的烟叶近红外光谱化学成分模型优化方法是由王丽丽;田雷;张志勇;陈秀斋;程云吉;高强;宗浩;谭效磊;刘勇;刘元德;高鹏程;卢溪文设计研发完成，并于2023-12-12向国家知识产权局提交的专利申请。

本基于迁移学习的烟叶近红外光谱化学成分模型优化方法在说明书摘要公布了：本发明涉及一种基于迁移学习的烟叶近红外光谱化学成分模型优化方法，属于烟叶检测技术领域，本发明提供的一种基于迁移学习的烟叶近红外光谱化学成分模型优化方法，是在已有近红外光谱烟草检测模型的基础上，为应对原有模型由于环境、气候等因素的变化所产生的精度影响，利用关联‑比率迁移学习的方法迁移碎叶光谱中的有效信息，提升整叶光谱测量模型的稳定性，建立关于总糖、还原糖、总植物碱、钾、氯含量的全新预测模型。本发明所述优化方法能够减少重新采样建模所耗费的工作量，建立更为恒定的预测模型，能用于烟草生产过程中烟叶化学成分的分析，符合烟叶常规化学成分的快速检测要求，获得的数据能够满足烟草生产企业的需求。

本发明授权基于迁移学习的烟叶近红外光谱化学成分模型优化方法在权利要求书中公布了：1.基于迁移学习的烟叶近红外光谱化学成分模型优化方法，其特征在于，所述优化方法包括以下步骤：步骤S1、获取烟叶整叶近红外光谱；步骤S2、获取烟叶碎叶近红外光谱；步骤S3、通过烟叶干燥磨粉并经过流动分析仪化验获得参考化学成分数值；步骤S4、对步骤S1和步骤S2获取的近红外光谱数据进行预处理；步骤S5、根据步骤S1和步骤S2的近红外光谱数据，以烟叶整叶和碎叶的近红外光谱数据为基础，分别对烟叶整叶和碎叶建立化学成分分析模型；将碎烟叶光谱有效信息迁移到整叶光谱模型中，建立基于迁移学习的烟叶近红外光谱化学成分优化模型，然后利用上述优化模型对待测烟叶进行成分检测；步骤S6、通过关联-比率迁移学习方法将碎叶光谱信息迁移到整叶光谱模型中，用于获得烟叶近红外光谱化学成分的优化模型；根据优化模型检测烟叶化学成分，并获得烟叶化学成分的预测值；所述步骤S6中，所述烟叶近红外光谱化学成分的优化模型通过以下步骤实现：步骤S61、首先采用便携式烟草化学成分分析仪扫描烟叶样品，采集整叶光谱数据信息；步骤S62、采用便携式烟草化学成分分析仪扫描烟叶碎叶样品，采集打碎后碎叶的光谱数据信息；步骤S63、采用连续流动法测定初烤烟叶样品的总糖、还原糖、总植物碱、钾、氯含量的化学成分值信息；步骤S64、依次利用平滑处理、导数法、标准归一化SNV处理方法对光谱数据进行预处理，减少噪声和系统误差对光谱的影响；步骤S65、选择偏最小二乘法PLS进行建模，PLS的预测残差平方和较小，具有较高的预测稳定性；步骤S66、根据步骤S65中PLS建模得到的模型，采用关联-比率迁移学习方法，根据相应公式计算优化模型的参数β，从而得到所需要的优化预测模型；所述烟叶化学成分的预测值的获得方法通过以下步骤实现：步骤S67、采集烟叶整叶的光谱信息；步骤S68、对步骤S67中获得样本光谱数据进行预处理；步骤S69、将步骤S68获得的数据代入烟叶近红外光谱化学成分的优化模型中，即可获得烟叶化学成分的预测值；在所述步骤S66中，迁移学习建模方法为：根据PLS建模得到的模型，采用关联-比率迁移学习方法，若存在模型P和Q，其中,，响应变量,,协变量，；若模型P和Q均为线性模型，设： 若,并且存在，则模型参数有如下关系： 其中，式中Q为实验室获取数据为模型，为整叶扫描得到的光谱信息，为碎叶扫描得到的光谱信息，为连续流动法测定的烟草化学成分值；根据PLS建模得到模型，然后可根据公式: ,计算出参数，计算模型即为我们所需要的预测模型，在进行近红外光谱对烟叶化学成分预测时，只需要采集烟叶整叶的光谱信息，将其带入模型P的中，即可获得烟叶化学成分的预测值；所述烟叶化学成分的预测值的获得方法还包括将步骤S69得到的烟叶化学成分的预测值依据转换规则转换为用户可理解的表达方式输出；对于步骤S69获得的预测值的准确度评估标准包括内部交叉预测决定系数R2检验和内部交叉均方根RMSECV验证。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人山东临沂烟草有限公司，其通讯地址为：276000 山东省临沂市兰山区北城新区智圣路3号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。