详情

原文传递一种贝类重金属污染快速检测方法

专利名称：	一种贝类重金属污染快速检测方法
摘要：	本发明涉及重金属检测技术领域，具体涉及一种贝类重金属污染快速检测方法。该方法先制备样本；再对样本进行高光谱图像采集、校正和数据提取及预处理；之后对数据进行基于邻域证据决策的波段选择，提取特征波段子集；然后建立分类检测模型，该分类检测模型包括量子神经网络分类器和集成学习分类器，量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类，集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类；最后得出样本的检测结果。该方法利用高光谱检测技术进行样品数据采集，通过邻域证据决策理论进行波段选择，应用量子神经网络和集成学习分类器进行分类检测，操作简便快速，有较好的测试重现性，分析过程中不需要任何化学试剂辅助，对环境无污染性。
专利类型：	发明专利
国家地区组织代码：	广东;44
申请人：	岭南师范学院
发明人：	刘瑶;孟祥丽;李明;王润涛;王树文
专利状态：	有效
申请日期：	2019-02-21T00:00:00+0800
发布日期：	2019-04-23T00:00:00+0800
申请号：	CN201910129944.1
公开号：	CN109668842A
代理机构：	广州粤高专利商标代理有限公司
代理人：	陈伟斌;刘瑶云
分类号：	G01N21/25(2006.01);G;G01;G01N;G01N21
申请人地址：	524048 广东省湛江市赤坎区寸金路29号
主权项：	1.一种贝类重金属污染快速检测方法，其特征在于，包括以下步骤； S1：在试验室内制备样本，包括无污染样本、单一污染样本、复合污染样本； S2：对样本进行高光谱图像采集及校正，之后进行光谱数据提取及进行预处理； S3：对预处理后的图像数据进行基于邻域证据决策的波段选择，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集； S4：建立分类检测模型，该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器，量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类，集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类； S5：得出样本的检测结果。 2.根据权利要求1所述的一种贝类重金属污染快速检测方法，其特征在于，所述步骤S2的处理过程为； S21：对制备的样本进行高光谱图像获取； S22：对图像进行黑白校正； S23：提取任一区域图像数据； S24：对该区域图像数据进行光谱预处理。 3.根据权利要求2所述的一种贝类重金属污染快速检测方法，其特征在于，所述步骤S24中的光谱预处理的包括；基线校正、变量标准化、多元散射校正和求导处理。 4.根据权利要求1所述的一种贝类重金属污染快速检测方法，其特征在于，所述步骤S3中将邻域粗糙集的属性约简思想应用到高光谱降维中，利用粗糙集理论与证据理论二者之间的互补性，剔除冗余数据，提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集，具体过程如下：以每个波段图像数据为条件属性，重金属污染情况作为决策属性，组成决策属性表，再通过属性集约简算法得出最佳特征波段子集。 5.根据权利要求4所述的一种贝类重金属污染快速检测方法，其特征在于，所述属性集约简算法包括邻域证据决策理论，通过邻域证据决策理论得出最佳特征波段子集的过程如下：给定邻域决策系统NDT＝，D＝{ω1,ω2,…,ωc}，假设是特征分为c类的分类问题，则ωq为第q个类别(1≤q≤c)，在邻域δ(x)中，任意样本xi均提供一条证据mi来反映样本x的隶属类别，将证据mi进行融合，并计算最终证据m的BetPm概率度量，那么邻域证据决策NED定义为：其中，证据式中，BetPm({ωq})为属于ωq类的样本的概率度量，d(x,xi)为不同样本之间的相似程度的度量，ωq为样本xi所属类，α为结构参数，0＜α＜1，φq为距离的函数；与BetPm概率度量相关的错误分类0-1损失函数为：式中，ω(x)为样本x所属类；基于NED的定义函数和0-1损失函数，邻域证据决策误差率NEDE定义如下：式中，n为样本数，λ(ω(xi)NED(xi))为将NED(xi)误判为ω(xi)时的损失； NEDE是贝叶斯分类误差的一种估计，通过选择不同的属性集使得NEDE达到最小，从而实现基于NEDE的属性约简。 6.根据权利要求1所述的一种贝类重金属污染快速检测方法，其特征在于，所述步骤S4中量子神经网络分类器的分类过程为：建立已知类别的数据集，该数据集包括训练数据集和测试数据集，从训练数据集中选择合适的量子神经网络参数进行迭代训练量子神经网络，从而构造量子神经网络分类器，将测试数据集输入量子神经网络分类器中测试该分类器的性能，如达到用户要求则可用于对未知类别的数据进行分类，否则重新选择合适的量子神经网络参数再次迭代训练量子神经网络，直至得到符合用户要求的量子神经网络分类器。 7.根据权利要求6所述的一种贝类重金属污染快速检测方法，其特征在于，在进行迭代训练量子神经网络过程中神经元采用多个激励函数的叠加，形成对特征空间的多级划分，其中量子神经元的激励函数表示为：其中：WT为权向量的转置；X为输入向量；β为斜率；θs为量子间隔；ns为量子层总数。 8.根据权利要求6所述的一种贝类重金属污染快速检测方法，其特征在于，所述集成学习分类器的分类过程为：由多个量子神经网络分类器并行进行多线训练组成多数投票集成，构成集成学习分类器，将需要进行测试的数据集输入集成学习分类器进行分类输出。
所属类别：	发明专利