详情

原文传递人工智能仪器的校准方法

专利名称：	人工智能仪器的校准方法
摘要：	本发明公开了一种人工智能仪器的校准方法，包括以下步骤：在实验室环境下，利用全样本得到仪器中用于预测目标数据的AI模型的参数；根据若干现场样本进行再学习，实现对目标数据的预测值的现场校准。本发明解决了现场环境对仪器的干扰问题，并能以较少计算量实现现场校准，使仪器具有抗干扰的能力，提升了仪器预测的准确性。
专利类型：	发明专利
申请人：	常州罗盘星检测科技有限公司
发明人：	余水保;肖才斌;沈杰;刘瑞杰;徐力
专利状态：	有效
申请日期：	1900-01-20T00:00:00+0805
发布日期：	1900-01-20T21:00:00+0805
申请号：	CN201911421708.3
公开号：	CN111044460A
代理机构：	常州佰业腾飞专利代理事务所(普通合伙)
代理人：	杨静文
分类号：	G01N21/27;G01N21/31;G06K9/62;G06N3/04;G06N3/08;G;G01;G06;G01N;G06K;G06N;G01N21;G06K9;G06N3;G01N21/27;G01N21/31;G06K9/62;G06N3/04;G06N3/08
申请人地址：	213164 江苏省常州市常州科教城科教会堂B座5楼
主权项：	1.一种人工智能仪器的校准方法，其特征在于，包括以下步骤：在实验室环境下，利用全样本得到仪器中用于预测目标数据的AI模型的参数；根据若干现场样本进行再学习，实现对所述目标数据的预测值的现场校准。 2.根据权利要求1所述的人工智能仪器的校准方法，其特征在于，所述AI模型为通过PCA降维后进行神经网络训练得到的AI模型。 3.根据权利要求1所述的人工智能仪器的校准方法，其特征在于，所述AI模型为通过PLS得到的AI模型。 4.根据权利要求2所述的人工智能仪器的校准方法，其特征在于，所述再学习为增量再学习或小网络再学习。 5.根据权利要求2或3所述的人工智能仪器的校准方法，其特征在于，所述再学习为多项式再学习。 6.根据权利要求4所述的人工智能仪器的校准方法，其特征在于，以所述增量再学习实现所述目标数据的预测值的现场校准，具体包括：以所述若干现场样本为增量样本，利用通过PCA降维后进行神经网络训练得到的所述AI模型的参数，在下位机上计算损失函数，通过在梯度下降最快方向上再迭代若干次，以更新所述AI模型的参数，实现对所述目标数据的预测值的现场校准。 7.根据权利要求4所述的人工智能仪器的校准方法，其特征在于，分离出所述AI模型中神经网络的最后一层网络作为小网络，以所述小网络学习实现所述目标数据的预测值的现场校准，具体包括：以所述若干现场样本训练所述小网络的参数，并将经过训练后的小网络的参数同步到整个神经网络中，以更新通过PCA降维后进行神经网络训练得出的所述AI模型的参数，实现对所述目标数据的预测值的现场校准。 8.根据权利要求5所述的人工智能仪器的校准方法，其特征在于，以所述多项式再学习实现所述目标数据的预测值的现场校准，具体包括：以人工仪器检验的方式得出所述若干现场样本的目标数据实际值，将通过PCA降维后进行神经网络训练或PLS得到的AI模型的目标数据的预测值在下位机上通过多项式映射到所述目标数据实际值，求出多项式系数，再根据多项式得出目标数据的预测值，实现对所述目标数据的预测值的现场校准。
所属类别：	发明专利