详情

原文传递基于核函数优化的甘草近红外光谱分析模型构建方法及甘草质量评价方法

专利名称：	基于核函数优化的甘草近红外光谱分析模型构建方法及甘草质量评价方法
摘要：	本发明公开了一种基于核函数优化的甘草近红外光谱分析模型构建方法及甘草质量评价方法，包括：首先根据采集的甘草光谱数据以及样本参比值建立样本数据库；选择径向基、多项式以及广义T学生函数分别作为核主成分分析的核函数实现高维光谱数据的特征提取；以此为基础，选择径向基函数作为核偏最小二乘模型的核函数。同时采用遗传算法优化核函数的相关超参数，建立甘草近红外光谱分析模型，将品质评价问题转化为回归问题，对甘草质量进行分析。本发明不仅具有操作简单、无损等优点，且保证了甘草质量的安全、有效。
专利类型：	发明专利
国家地区组织代码：	江苏;32
申请人：	中国矿业大学
发明人：	雷萌;於鑫慧;邹亮;饶中钰;李明
专利状态：	有效
申请日期：	2019-06-24T00:00:00+0800
发布日期：	2019-10-01T00:00:00+0800
申请号：	CN201910546901.3
公开号：	CN110296955A
代理机构：	南京瑞弘专利商标事务所(普通合伙)
代理人：	秦秋星
分类号：	G01N21/359(2014.01);G;G01;G01N;G01N21
申请人地址：	221008 江苏省徐州市大学路1号中国矿业大学科研院
主权项：	1.基于核函数优化的甘草近红外光谱分析模型构建方法，其特征在于，包括如下步骤：步骤1：收集甘草样本，并进行编号；步骤2：对于步骤1收集到的甘草，选取甘草酸铵作为甘草的质量控制指标，并进行其含量测定；步骤3：获得甘草样本对应的近红外光谱数据；步骤4：单个样本数据包括样本的近红外光谱数据和甘草酸铵含量，将样本数据集划分为训练集与测试集；步骤5：将训练集作为核主成分分析-核偏最小二乘回归模型的输入，利用遗传算法进行核函数参数寻优，得到具有最佳参数的核主成分分析-核偏最小二乘模型；步骤6：利用训练好的核主成分分析-核偏最小二乘模型对测试集样本进行预测，基于预测均方根误差PRMSE、相对误差PRSE和相关系数指标R评估预测值与实际值的相关性。 2.根据权利要求1所述的基于核函数优化的甘草近红外光谱分析模型构建方法，其特征在于，步骤3中所述近红外光谱扫描条件为：光谱范围为10001.03cm-1-3999.6400cm-1，分辨率为4cm-1，扫描次数64次，取平均值作为甘草样本的原始光谱；环境条件为温度22℃±0.5℃，相对湿度40％±2％。 3.根据权利要求1所述的基于核函数优化的甘草近红外光谱分析模型构建方法，其特征在于，步骤5中，采用径向基函数作为核主成分分析的核函数，其模型为： K(xi,xj)＝exp(-\|xi-xj\|2/2σ12) 其中，xi,xj表示样本集中第i,j个样本的光谱数据，σ1表示高斯核的带宽。 4.根据权利要求1所述的基于核函数优化的甘草近红外光谱分析模型构建方法，其特征在于，步骤5中，采用多项式函数作为核主成分分析的核函数，其模型为： K(xi,xj)＝(xiTxj)d 其中，xi,xj表示样本集中第i,j个样本的光谱数据，d表示多项式的次数。 5.根据权利要求1所述的基于核函数优化的甘草近红外光谱分析模型构建方法，其特征在于，步骤5中，采用广义T学生函数作为核主成分分析的核函数，其模型为： K(xi,xj)＝1/(1+(xiTxj)α) 其中，xi,xj表示样本集中第i,j个样本的光谱数据，α表示多项式的次数。 6.根据权利要求1所述的基于核函数优化的甘草近红外光谱分析模型构建方法，其特征在于，步骤5中，采用径向基函数作为核偏最小二乘回归的核函数，其模型为： K(xi,xj)＝exp(-\|xi-xj\|2/2σ22) 其中，xi,xj表示样本集中第i,j个样本数据，σ2表示高斯核的带宽。 7.根据权利要求1所述的基于核函数优化的甘草近红外光谱分析模型构建方法，其特征在于，步骤6所述的预测均方根误差PRMSE、相对误差PRSE和相关系数R指标具体计算公式为：其中l2表示测试样本数量，pi表示测试样本的参考值，si表示核主成分分析-核偏最小二乘模型的回归预测结果，表示所有测试样本参考值的均值，表示核主成分分析-核偏最小二乘模型的回归预测均值。 8.基于权利要求1所述甘草近红外光谱分析模型构建方法的甘草质量评价方法，其特征在于，获取待检测甘草的近红外光谱数据，将近红外光谱数据输入训练好的甘草近红外光谱分析模型，输出待检测甘草的甘草酸铵含量。
所属类别：	发明专利