基于近紅外光譜的校正模型建模方法
【專利摘要】本發(fā)明提供一種基于近紅外光譜的校正模型建模方法，包括：步驟1，根據(jù)近紅外光譜數(shù)據(jù)的預(yù)處理結(jié)果，獲取全譜權(quán)重值；步驟2，以全譜波長的權(quán)重值為閥值，將全譜濾長劃分為相關(guān)波長集、無關(guān)波長集和噪聲波長集；步驟3，將濃度數(shù)據(jù)、相關(guān)波長集和無關(guān)波長集作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，同時(shí)將RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)設(shè)置為訓(xùn)練集的樣本個(gè)數(shù)，訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)；步驟4，利用RBF神經(jīng)網(wǎng)絡(luò)的輸出值與濃度數(shù)據(jù)通過偏最小二乘算法得出主成分個(gè)數(shù)；步驟5，根據(jù)訓(xùn)練集中的各樣本的貢獻(xiàn)值和貢獻(xiàn)率的大小確定RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)。本發(fā)明降低了校正模型的復(fù)雜度、校正模型的復(fù)雜度，有效提高了校正模型的精確度。
【專利說明】基于近紅外光譜的校正模型建模方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于分析化學(xué)領(lǐng)域的無損分析技術(shù)，特指一種基于近紅外光譜的校正模型建模方法。
【背景技術(shù)】
[0002]近紅外光譜分析技術(shù)是分析化學(xué)領(lǐng)域迅猛發(fā)展的高新分析技術(shù)，其具有無破壞、無污染、分析重現(xiàn)性好、成本低等優(yōu)點(diǎn)，廣泛應(yīng)用于石油化工、農(nóng)業(yè)、食品等行業(yè)。近紅外光譜分析技術(shù)主要分為定性和定量分析，定量分析的基礎(chǔ)是利用近紅外光譜獲取的信息，通過建立校正模型，實(shí)現(xiàn)對(duì)物質(zhì)各組分濃度的分析。但是，近紅外區(qū)域(780-2526nm)主要體現(xiàn)含氫基團(tuán)(_0H、-NH、-CH)的合頻和各級(jí)倍頻的吸收，該區(qū)間波段信息強(qiáng)度弱、譜峰重疊，導(dǎo)致校正模型的建立十分困難。
[0003]目前，在實(shí)際應(yīng)用中校正模型創(chuàng)建方法主要采用線性方法多元線性回歸算法、主成分回歸算法和偏最小二乘回歸算法。但是在實(shí)際中，光譜信息與濃度之間具有一定的非線性，特別是濃度范圍較大時(shí)非線性更加明顯。另外，由于物質(zhì)的各成分相互作用、光譜儀的噪聲和基線漂移等原因，也會(huì)引起非線性，這些導(dǎo)致線性校正模型方法精度不高。
[0004]針對(duì)該問題，專利“一種紅花提取液測(cè)定方法(專利號(hào):201310269615.X) ”采用最小二乘支持向量創(chuàng)建校正模型，但是在高維的近紅外光譜數(shù)據(jù)下，該算法需要上百個(gè)樣本才能建立滿足實(shí)際應(yīng)用的校正模型，這在一些實(shí)際工程應(yīng)用中很不現(xiàn)實(shí)。
[0005]專利“一種近紅外光譜的多模型建模方法(專利號(hào):201310537968.3)提出了集成建模思路，將訓(xùn)練樣本劃分為那個(gè)子集，建立各個(gè)子集的校正模型，得到各子集校正模型的預(yù)測(cè)結(jié)果，將各子集預(yù)測(cè)結(jié)果利用權(quán)重值得到最終預(yù)測(cè)結(jié)果。但是該方法訓(xùn)練次數(shù)多，計(jì)算復(fù)雜。

【發(fā)明內(nèi)容】

[0006]為解決上述技術(shù)問題，本發(fā)明提供了一種預(yù)測(cè)精確度高、模型穩(wěn)健性好、所需樣本少的基于近紅外光譜的校正模型建模方法。
[0007]作為本發(fā)明的一個(gè)方面，提供了一種基于近紅外光譜的校正模型建模方法，包括:步驟1，根據(jù)近紅外光譜數(shù)據(jù)的預(yù)處理結(jié)果，獲取全譜權(quán)重值；步驟2，以全譜波長的權(quán)重值為閥值，將全譜濾長劃分為相關(guān)波長集、無關(guān)波長集和噪聲波長集；步驟3，將濃度數(shù)據(jù)、相關(guān)波長集和無關(guān)波長集作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，同時(shí)將RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)設(shè)置為訓(xùn)練集的樣本個(gè)數(shù)，訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)；步驟4，利用RBF神經(jīng)網(wǎng)絡(luò)的輸出值與濃度數(shù)據(jù)通過偏最小二乘算法得出主成分個(gè)數(shù)；步驟5，根據(jù)訓(xùn)練集中的各樣本的貢獻(xiàn)值和貢獻(xiàn)率的大小確定RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)；步驟6，將主成分個(gè)數(shù)作為新的RBF神經(jīng)網(wǎng)絡(luò)的隱含層的節(jié)點(diǎn)個(gè)數(shù)，并將步驟5中的隱含層節(jié)點(diǎn)作為新的RBF神經(jīng)網(wǎng)絡(luò)的陷節(jié)點(diǎn)，將相關(guān)波數(shù)集、無關(guān)波數(shù)集作為新的RBF神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練新的RBF神經(jīng)網(wǎng)絡(luò)從而得到校正模型。
[0008]進(jìn)一步地，步驟I之前還包括以下步驟:根據(jù)光譜樣本之間的距離及濃度樣本之間的距離，對(duì)光譜數(shù)據(jù)進(jìn)行劃分，從而得到校正集，其中，校正集用于建立校正模型。
[0009]進(jìn)一步地，步驟2還包括:將校正集等分為多個(gè)子區(qū)間，分別計(jì)算每個(gè)子區(qū)間的權(quán)重值；根據(jù)全譜權(quán)重值和每個(gè)子區(qū)間的權(quán)重值，利用下式將各子區(qū)間劃分到相關(guān)波長集、無關(guān)波長集和噪聲波長集中:
【權(quán)利要求】
1.一種基于近紅外光譜的校正模型建模方法，其特征在于，包括: 步驟1，根據(jù)近紅外光譜數(shù)據(jù)的預(yù)處理結(jié)果，獲取全譜權(quán)重值； 步驟2，以所述全譜波長的權(quán)重值為閥值，將所述全譜濾長劃分為相關(guān)波長集、無關(guān)波長集和噪聲波長集； 步驟3，將濃度數(shù)據(jù)、所述相關(guān)波長集和所述無關(guān)波長集作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，同時(shí)將所述RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)設(shè)置為訓(xùn)練集的樣本個(gè)數(shù)，訓(xùn)練所述RBF神經(jīng)網(wǎng)絡(luò)；步驟4，利用所述RBF神經(jīng)網(wǎng)絡(luò)的輸出值與所述濃度數(shù)據(jù)通過偏最小二乘算法得出主成分個(gè)數(shù)； 步驟5，根據(jù)所述訓(xùn)練集中的各樣本的貢獻(xiàn)值和貢獻(xiàn)率的大小確定所述RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)； 步驟6，將所述主成分個(gè)數(shù)作為新的RBF神經(jīng)網(wǎng)絡(luò)的隱含層的節(jié)點(diǎn)個(gè)數(shù)，并將步驟5中的隱含層節(jié)點(diǎn)作為所述新的RBF神經(jīng)網(wǎng)絡(luò)的陷節(jié)點(diǎn)，將所述相關(guān)波數(shù)集、無關(guān)波數(shù)集作為所述新的RBF神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練所述新的RBF神經(jīng)網(wǎng)絡(luò)從而得到校正模型。
2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟I之前還包括以下步驟: 根據(jù)光譜樣本之間的距離及濃度樣本之間的距離，對(duì)光譜數(shù)據(jù)進(jìn)行劃分，從而得到校正集，其中，所述校正集用于建立所述校正模型。
3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2還包括: 將所述校正集等分為多個(gè)子區(qū)間，分別計(jì)算每個(gè)所述子區(qū)間的權(quán)重值； 根據(jù)所述全譜權(quán)重值和所述每個(gè)子區(qū)間的權(quán)重值，利用下式將所述各子區(qū)間劃分到所述相關(guān)波長集、無關(guān)波長集和噪聲波長集中:
4.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述貢獻(xiàn)值通過下式確定:
5.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述貢獻(xiàn)率由下式計(jì)算得到:
6.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟4包括: 將所述RBF神經(jīng)網(wǎng)絡(luò)的輸出值構(gòu)成多維歐式空間，將所述多維歐式空間與所述濃度數(shù)據(jù)通過偏最小二乘算 法得出主成分個(gè)數(shù)。
【文檔編號(hào)】G01N21/359GK104020135SQ201410272819
【公開日】2014年9月3日 申請(qǐng)日期:2014年6月18日 優(yōu)先權(quán)日:2014年6月18日
【發(fā)明者】徐澤宇, 劉永福, 何國田, 趙健, 林遠(yuǎn)長, 朱曉強(qiáng), 何驥鳴, 吳嬌嬌, 何瑞英 申請(qǐng)人:中國科學(xué)院重慶綠色智能技術(shù)研究院