详情

原文传递基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法

专利名称：	基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法
摘要：	基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法，包括：样品收集与分类；扫描获得不同等级眉茶车色样品的近红外光谱；对样品光谱进行预处理剔除噪声信息后，将样品光谱转化为成对的数据点；再将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的粒子群优化算法模型，筛选出建模的最佳子区间数据；应用主成分分析法抽提、压缩最佳光谱子区间信息；以主成分得分为输入值，不断调整神经元个数和传递函数，建立unsupervised Kohonen结构人工神经网络预测模型；模型稳健性检验。实现了湖北眉茶车色样品等级快速、准确、客观预测，起到提高预测湖北眉茶车色样品等级准确度和增强模型实用性的目的。
专利类型：	发明专利
国家地区组织代码：	湖北;42
申请人：	湖北省农业科学院果树茶叶研究所
发明人：	龚自明;刘盼盼;王胜鹏;高士伟;叶飞;桂安辉;郑鹏程;滕靖;王雪萍;郑琳
专利状态：	有效
申请日期：	2019-06-14T00:00:00+0800
发布日期：	2019-10-11T00:00:00+0800
申请号：	CN201910513187.8
公开号：	CN110320173A
代理机构：	武汉市首臻知识产权代理有限公司
代理人：	王春娇
分类号：	G01N21/359(2014.01);G;G01;G01N;G01N21
申请人地址：	430064 湖北省武汉市洪山区南湖大道10号
主权项：	1.基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法，其特征在于，扫描获得不同等级眉茶车色样品的近红外光谱，然后对样品光谱进行预处理剔除噪声信息后，将样品光谱转化为成对的数据点于excel表中保存；然后将全部光谱数据均划分为20个子区间，分别建立每个子区间数据的粒子群优化算法模型，筛选出建模的最佳子区间数据；再应用主成分分析法对最佳子区间数据点信息进行压缩抽提，以主成分得分为输入数值，通过调节隐含层神经元个数和信息传递函数，建立不同等级眉茶车色样品的人工神经网络预测模型，用于预测眉茶车色样品等级，具体包括以下步骤：步骤一、样品收集与分类收集湖北省3个不同等级机采鲜叶眉茶车色样品，依据样品等级不同将样品分为校正集和验证集2个集合，分别用于建立校正集近红外光谱预测模型和对校正集预测模型稳健性进行检验；步骤二、光谱扫描应用近红外光谱仪扫描获得全部3个等级车色样品的近红外光谱，光谱扫描范围4000-10000cm-1、分辨率8cm-1、检测器为InGaAs，每个样品采集3次光谱、每次扫描64次，然后对3次采集的光谱进行平均，以平均光谱作为该车色样品的最终光谱用于后续建立模型；步骤三、光谱噪声信息预处理应用多款化学计量学软件对步骤二中扫描得到的不同等级车色样品的近红外光谱采用矢量归一化方法进行去噪声预处理，提高光谱的信噪比，有利于建立稳健的预测模型；光谱去噪声后，再将样品光谱转化为成对的数据点；步骤四、光谱子区间划分将全部光谱信息数据均等分为20个光谱信息子区间，精准筛选反映车色样品等级的光谱信息子区间，用于后续建立粒子群优化算法模型；步骤五、粒子群优化算法模型建立应用粒子群优化(PSO,particle swarm optimization)方法分别建立每个光谱信息子区间的光谱数据预测模型，比较模型相关系数(correlation coefficient ofcalibration，Rc)和交互验证均方根方差(root mean square error of calibration,RMSECV)大小，初步筛选出建模的最佳光谱信息子区间数据，达到精准筛选眉茶车色样品等级的光谱信息的目的，其中，Rc最大、RMSECV最小，表示建立的粒子群优化算法模型结果最佳，其中，RMSECV计算公式为： Rc计算公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，为样品集中第i个样品的实测值的平均值，式中i≤n；步骤六、unsupervised Kohonen结构人工神经网络预测模型建立应用非线性的人工神经网络方法进一步精准预测眉茶车色样品的等级，包括： 1)最佳光谱信息子区间主成分分析采用主成分分析方法(PCA)对筛选的最佳光谱子区间数据进行主成分分析，得到每个主成分的单独贡献率值、累计贡献率值和主成分得分；在主成分累计贡献率≥85％才可以有效代表样品建模光谱子区间信息； 2)人工神经网络预测模型建立以最佳光谱信息子区间的主成分得分为输入值、以眉茶不同车色样品等级为输出值，应用Neuro Shell2软件建立unsupervised Kohonen结构的人工神经网络预测模型，unsupervised Kohonen结构人工神经网络结构含有1个隐含层、3、4、5个神经元数和logistic、linear[0,1]和tanh三种信息传递函数，比较模型相关系数(correlationcoefficient of calibration，Rc)和交互验证均方根方差(root mean square error ofcalibration,RMSECV)大小，得到最佳近红外光谱预测模型，其中，Rc越大、RMSECV越小，表示模型预测效果越好；其中RMSECV计算公式为： Rc计算公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，为样品集中第i个样品的实测值的平均值，式中i≤n；其中以相关系数Rc最大和交互验证均方根方差RMSECV最小的模型为最佳模型，经比较后得到最佳校正集模型；步骤七、模型稳健性检验应用全部验证集样品对不同等级眉茶车色样品的人工神经网络预测模型效果进行检验，所得结果用相关系数(correlation coefficient of prediction，Rp)和验证均方差(root mean square error of prediction,RMSEP)表示，其中Rp越大、RMSEP越小则表示模型稳健性越好，可以准确的预测眉茶车色样品的等级；其中RMSEP计算公式为： Rp计算公式为：式中，n表示样本数，yi和yi’分别为样品集中第i个样品的实测值和预测值，式中i≤n。 2.根据权利要求1所述的基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法，其特征在于：所述的步骤一中眉茶车色鲜叶样品数量为120份，鲜叶样品按照3:1的比例划分为校正集和验证集，其中校正集样品90个、验证集样品30个。 3.根据权利要求1所述的基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法，其特征在于：所述步骤一中眉茶车色鲜叶样品的3个等级为7-8目等级样品、9-10目等级样品和11-16目等级样品，其中7-8目等级样品化学值设定为1.000、9-10目等级样品化学值设定为2.000、11-16目等级样品化学值设定为3.000。 4.根据权利要求1所述的基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法，其特征在于：所述步骤五中筛选出建模的最佳光谱信息子区间数据为6707.2-7004.2cm-1。 5.根据权利要求1所述的基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法，其特征在于：所述步骤六中在采用主成分分析方法(PCA)对筛选的最佳光谱信息子区间数据进行主成分分析时，采用前3个主成分代表最佳光谱子区间的光谱信息。 6.根据权利要求1所述的基于粒子群优化算法的机采鲜叶眉茶车色样品等级的快速判定方法，其特征在于：所述步骤六中选择4个神经元和logistic信息传递函数建立不同等级眉茶车色样品的unsupervised Kohonen结构人工神经网络模型。
所属类别：	发明专利