详情

原文传递基于函数性主元分析的近红外光谱特征提取方法和系统

专利名称：	基于函数性主元分析的近红外光谱特征提取方法和系统
摘要：	本发明涉及一种基于函数性主元分析的近红外光谱特征提取方法，步骤为：S1、采集多种样本中近红外光谱的数据；S2、采用标准正态变换对所述近红外光谱的数据进行预处理；S3、获取处理后近红外光谱数据的样条函数；S4、对所述样条函数进行中心化处理；S5、计算中心化处理后的样条函数在不同波段函数之间的协方差；S6、计算协方差的第j个特征值；S7、计算累计贡献度；S8、计算不同波段的方程中函数形主元得分；本发明还公开了一种基于函数性主元分析的近红外光谱特征提取系统。本发明既增强了定标模型的稳健性，又改善了定标模型的预测能力，为近红外光谱数据提供了一种新的特征提取方法，具有很高的实用价值。
专利类型：	发明专利
国家地区组织代码：	安徽;34
申请人：	安徽大学
发明人：	潘天红;李浩然;陈山;邹小波
专利状态：	有效
申请日期：	2019-05-22T00:00:00+0800
发布日期：	2019-07-12T00:00:00+0800
申请号：	CN201910427265.2
公开号：	CN110006844A
代理机构：	合肥市浩智运专利代理事务所(普通合伙)
代理人：	毛雪娇
分类号：	G01N21/359(2014.01);G;G01;G01N;G01N21
申请人地址：	230000 安徽省合肥市蜀山区肥西路3号
主权项：	1.一种基于函数性主元分析的近红外光谱特征提取方法，其特征在于，步骤如下： S1、采集多种样本中近红外光谱的数据； S2、采用标准正态变换对所述近红外光谱的数据进行预处理； S3、获取处理后的近红外光谱数据的样条函数； S4、对所述样条函数进行中心化处理； S5、计算中心化处理后的样条函数在不同波段函数之间的协方差； S6、计算协方差的第j个特征值； S7、通过协方差的特征值，计算累计贡献度，贡献度超过阈值的主元作为近红外光谱波段的特征值； S8、利用近红外光谱波段的特征值，计算不同波段的方程中函数形主元得分。 2.根据权利要求1所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，所述步骤S1中，采集待测样品的近红外光谱数据，并通过理化试验测定营养成分的含量；营养成分包括：蛋白质、脂肪和多种氨基酸。 3.根据权利要求2所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，采集的待测样品分别为若干个野生松茸、姬松茸、老人头、杏鲍菇的切片干样，并对所述切片干样进行光谱采样。 4.根据权利要求1所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，所述步骤S3包括： S31、利用公式，获取各个样品的近红外光谱数据的B样条函数，所述公式如下：其中，φk(t)为近红外光谱波段的第k个B样条基函数，k小于等于m，m表示B样条基函数的数量，C为系数矩阵，X(t)为近红外光谱数据的函数形式，t为近红外光谱的波段，∑表示求和函数； S32、利用公式对X(t)函数进行光滑处理，所述公式如下： PEN2(X)＝∫[DDX(t)]2dt (2) 其中，PEN2(X)表示粗糙惩罚，DDX(t)表示函数X(t)的二阶导数； S33、利用公式计算近红外光谱数据函数的系数矩阵C；所述公式如下： PENSSEλ＝SMSSE(x\|c)+γPEN2(X)； (3) 其中，PENSSEλ表示残差平方和与粗糙惩罚之和，γ为光滑系数；其中，x为近红外光谱的观测数据，xj为第j个近红外光谱的观测数据，j为小于m的正整数，SMESS(x\|c)表示极小化残差平方和；tj表示第j个近红外光谱的波段，k≤K≤j，φk(tj)表示为第j个近红外光谱波段的B样条基函数。 5.根据权利要求1所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，所述步骤S4包括：利用公式对样本数据进行中心化处理，所述公式如下：式中，i为样本序号，n为样本总量，为n个样本近红外光谱波段的函数均值，Xi(t)为第i个样本的近红外光谱波段t的函数，为中心化处理之后的第i个样本的近红外光谱波段t的函数，c表示中心化,s.t.表示条件函数。 6.据权利要求5所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，所述步骤S5包括：所述协方差的计算公式如下：其中，s代表与t不同的近红外光谱的波段；Xic(s)表示中心化处理后的第i个样本的近红外光谱波段s的函数，V(s，t)表示s，t两个波段的协方差。 7.根据权利要求6所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，所述步骤S6包括：利用公式计算协方差的第j个特征值；所述公式如下：其中，ξj(t)为第j个波段t的主元权重函数，ξj(s)表示第j波段s的主元权重函数，j为正整数，ρj为特征值，s.t.表示条件函数。 8.根据权利要求7所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，所述步骤S7包括：累计贡献度的公式为选取贡献度超过阈值的M个主元作为近红外光谱波段的特征值，构建定量模型，完成对待测样品的定性或定量分析；其中，M表示主元个数。 9.根据权利要求7所述的基于函数性主元分析的近红外光谱特征提取方法，其特征在于，所述步骤S8包括：利用公式计算中心化处理后的不同近红外光谱波段方程中函数形主元得分，所述公式如下： fi,j＝∫ξj(t)Xic(t)dt,j＝1,2,...,m (8) 其中，fj为函数的第j个主元。 10.一种采用权利要求1-9任一项所述的基于函数性主元分析的近红外光谱特征提取方法的提取系统，其特征在于，包括：采集模块，用于采集多种样本中近红外光谱的数据；预处理模块，用于采用标准正态变换对所述近红外光谱的数据进行预处理；获取模块，用于获取处理后的近红外光谱数据的样条函数；中心化处理模块，用于对所述样条函数进行中心化处理；协方差模块，用于计算中心化处理后的样条函数在不同波段函数之间的协方差；特征值模块，用于计算协方差的第j个特征值；贡献度模块，用于通过协方差的特征值，计算累计贡献度，贡献度超过阈值的主元作为近红外光谱波段的特征值；主元得分模块，用于利用近红外光谱波段的特征值，计算不同波段的方程中函数形主元得分。
所属类别：	发明专利