详情

原文传递基于近红外光谱显著性分析检测样品理化性质的方法

专利名称：	基于近红外光谱显著性分析检测样品理化性质的方法
摘要：	本发明实施例提供一种基于近红外光谱显著性分析检测样品理化性质的方法，所述方法包括：获得待测样品的原始近红外光谱数据集；对所述原始近红外光谱数据集中的波长数据进行显著性分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集；将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质。可见，根据原始近红外光谱数据集中的波长数据之间的显著性，将与待测样品不相关的波长数据去除，使新近红外光谱数据集能够更加真实的表征待测样品，进而能够使检测出的理化性质更加符合待测样品的实际情况，能够提高检测结果的准确性。
专利类型：	发明专利
国家地区组织代码：	新疆;65
申请人：	新疆大学
发明人：	贾振红;王玉喜
专利状态：	有效
申请日期：	2019-04-04T00:00:00+0800
发布日期：	2019-06-21T00:00:00+0800
申请号：	CN201910269315.9
公开号：	CN109916850A
代理机构：	北京鼎佳达知识产权代理事务所(普通合伙)
代理人：	王伟锋;张小勇
分类号：	G01N21/359(2014.01);G;G01;G01N;G01N21
申请人地址：	830046 新疆维吾尔自治区乌鲁木齐市天山区胜利路666号
主权项：	1.一种基于近红外光谱显著性分析检测样品理化性质的方法，其特征在于，所述方法包括：获得待测样品的原始近红外光谱数据集，所述待测样品的原始近红外光谱数据集中包括所述待测样品本身的波长数据和与所述待测样品不相关的波长数据；对所述原始近红外光谱数据集中的波长数据进行显著性分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集；将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质，所述检测模型用于检测波长数据对应的理化性质。 2.根据权利要求1所述的方法，其特征在于，所述对所述原始近红外光谱数据集中的波长数据进行显著性分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集，包括：计算所述原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述新近红外光谱数据集。 3.根据权利要求2所述的方法，其特征在于，所述计算所述原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述新近红外光谱数据集，包括：计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集，所述N为大于或等于1的正整数，当所述N为1时，所述第N-1近红外光谱数据集为所述原始近红外光谱数据集；对N个近红外光谱数据集进行交叉验证，从所述N个近红外光谱数据集中选择交叉验证均方根误差最小的近红外光谱数据集作为所述新近红外光谱数据集，所述N个近红外光谱数据集是从第1近红外光谱数据集至所述第N近红外光谱数据集的近红外光谱数据集。 4.根据权利要求3所述的方法，其特征在于，所述计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集前，所述方法还包括：按照预设比例，采集所述第N-1近红外光谱数据集中的波长数据，得到第N-1近红外光谱数据子集；所述计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集，包括：计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集。 5.根据权利要求4所述的方法，其特征在于，所述计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集，包括：计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到删除波长数据后的第N-1近红外光谱数据子集；计算删除波长数据后的第N-1近红外光谱数据子集中的每个波长数据的权重，并删除权重小于预设权重的波长数据，得到所述第N近红外光谱数据集。 6.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质前，所述方法还包括：获得待训练样品的原始近红外光谱数据集和所述待训练样品的的理化性质，所述待训练样品的原始近红外光谱数据集中包括所述待训练样品本身的波长数据和与所述待训练样品不相关的波长数据；计算所述待训练样品的原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的新近红外光谱数据集；使用机器学习算法对所述待训练样品的新近红外光谱数据集和所述待训练样品的理化性质进行机器学习，生成所述检测模型。 7.根据权利要求6所述的方法，其特征在于，所述计算所述待训练样品的原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的新近红外光谱数据集，包括：计算所述待训练样品的第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的第N近红外光谱数据集，所述N为大于或等于1的正整数，当所述N为1时，所述待训练样品的第N-1近红外光谱数据集为所述待训练样品的原始近红外光谱数据集；对所述待训练样品的N个近红外光谱数据集进行交叉验证，从所述待训练样品的N个近红外光谱数据集中选择交叉验证均方根误差最小的近红外光谱数据集作为所述待训练样品的新近红外光谱数据集，所述待训练样品的N个近红外光谱数据集是从所述待训练样品的第1近红外光谱数据集至所述待训练样品的第N近红外光谱数据集的近红外光谱数据集。 8.根据权利要求7所述的方法，其特征在于，所述计算所述待训练样品的第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的第N近红外光谱数据集前，所述方法还包括：按照预设比例，采集所述待训练样品的第N-1近红外光谱数据集中的波长数据，得到所述待训练样品的第N-1近红外光谱数据子集；所述计算所述待训练样品的第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的第N近红外光谱数据集，包括：计算所述待训练样品的第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的第N近红外光谱数据集。 9.根据权利要求8所述的方法，其特征在于，所述计算所述待训练样品的第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的第N近红外光谱数据集，包括：计算所述待训练样品的第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到删除波长数据后的所述待训练样品的第N-1近红外光谱数据子集；计算删除波长数据后的所述待训练样品的第N-1近红外光谱数据子集中的每个波长数据的权重，并删除权重小于预设权重的波长数据，得到所述待训练样品的第N近红外光谱数据集。 10.一种检测模型的生成方法，其特征在于，所述方法包括：获得待训练样品的原始近红外光谱数据集和所述待训练样品的的理化性质，所述待训练样品的原始近红外光谱数据集中包括所述待训练样品本身的波长数据和与所述待训练样品不相关的波长数据；计算所述待训练样品的原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的新近红外光谱数据集；使用机器学习算法对所述待训练样品的新近红外光谱数据集和所述待训练样品的理化性质进行机器学习，生成检测模型，所述检测模型用于检测波长数据对应的理化性质。
所属类别：	发明专利