[發(fā)明專利]基于獨(dú)立分量分析和遺傳神經(jīng)網(wǎng)絡(luò)的近紅外光譜分析方法

無(wú)效

• 申請(qǐng)?zhí)枺?/td>: 200910097144.2
• 申請(qǐng)日: 2009-03-23
• 公開（公告）號(hào): CN101520412A
• 公開（公告）日: 2009-09-02
• 發(fā)明（設(shè)計(jì)）人: 林敏;方利民
• 申請(qǐng)（專利權(quán)）人: 中國(guó)計(jì)量學(xué)院
• 主分類號(hào): G01N21/35
• 分類號(hào): G01N21/35;G06N3/02
• 代理公司: 杭州求是專利事務(wù)所有限公司
• 代理人: 周 烽

技術(shù)領(lǐng)域

本發(fā)明涉及近紅外光譜分析技術(shù)，尤其涉及一種近紅外光譜分析中的結(jié)合ICA和人工神經(jīng)網(wǎng)絡(luò)的定量分析方法。

背景技術(shù)

近紅外光譜(Near?Infrared?Spectroscopy，NIR)被譽(yù)為90年代以來(lái)發(fā)展最快的光譜分析技術(shù)，是光譜測(cè)量技術(shù)與化學(xué)計(jì)量學(xué)學(xué)科的有機(jī)結(jié)合，被譽(yù)為分析的巨人。它利用物質(zhì)的近紅外吸收光譜信息，采用化學(xué)計(jì)量學(xué)方法分析處理實(shí)驗(yàn)數(shù)據(jù)，從而對(duì)樣品進(jìn)行定性、定量分析測(cè)定，是一種快速、無(wú)損的新型檢測(cè)技術(shù)。化學(xué)計(jì)量學(xué)方法是NIR在定量定性分析中有效應(yīng)用的保證，比如常見的偏最小二乘法(PLS)、主成分回歸(PCR)、人工神經(jīng)網(wǎng)絡(luò)(ANN)等。但是，以上的化學(xué)計(jì)量學(xué)方法都不能用于辨識(shí)混合譜中的未知成分，缺乏實(shí)際的化學(xué)含義，具有一定的局限性。通常測(cè)得的NIR光譜可以認(rèn)為是一些純物質(zhì)(主要成分)光譜的線性組合，如果能夠?qū)⑦@些主要成分的光譜從復(fù)雜的混合光譜中分離出來(lái)，那對(duì)于樣品中的成分和相應(yīng)的含量的測(cè)定將大有裨益，而這一分離問(wèn)題可以歸結(jié)為“盲源分離(BSS)”問(wèn)題。獨(dú)立分量分析(Independent?Component?Analysis，ICA)是近年發(fā)展起來(lái)的一種全新的數(shù)據(jù)分析工具，是解決盲源分離問(wèn)題的一種有效的方法。

發(fā)明內(nèi)容

本發(fā)明的目的在于針對(duì)現(xiàn)有技術(shù)的不足，提供一種基于獨(dú)立分量分析和遺傳神經(jīng)網(wǎng)絡(luò)的近紅外光譜分析方法。

本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：

一種基于獨(dú)立分量分析和遺傳神經(jīng)網(wǎng)絡(luò)的近紅外光譜分析方法，包括如下步驟：

1)采集被測(cè)物樣本的近紅外光譜數(shù)據(jù)，包括校正集樣本和預(yù)測(cè)集樣本，對(duì)光譜數(shù)據(jù)采用離散小波變換進(jìn)行壓縮，得到壓縮后的近紅外光譜數(shù)據(jù)矩陣，用理化方法測(cè)定校正集中樣本的被測(cè)成分濃度含量，得到校正集樣本的被測(cè)成分濃度矩陣；

2)壓縮后的近紅外光譜數(shù)據(jù)矩陣經(jīng)ICA系統(tǒng)處理，被分解為各獨(dú)立成分矩陣和相應(yīng)的混合系數(shù)矩陣，得到的混合系數(shù)矩陣作為BP神經(jīng)網(wǎng)絡(luò)的輸入；

3)將已測(cè)得的校正集樣本的被測(cè)成分濃度矩陣作為神經(jīng)網(wǎng)絡(luò)的輸出，采用遺傳算法(Genetic?Algorithm，GA)優(yōu)化神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，經(jīng)訓(xùn)練得到GA-BP神經(jīng)網(wǎng)絡(luò)模型；

4)將被測(cè)成分的濃度含量未知的預(yù)測(cè)集中的樣本輸入到GA-BP神經(jīng)網(wǎng)絡(luò)模型中，對(duì)被測(cè)成分的濃度含量進(jìn)行測(cè)定。

本發(fā)明的有益效果是：本發(fā)明在建模之前引入獨(dú)立分量分析，通過(guò)選取最優(yōu)獨(dú)立分量數(shù)建立最優(yōu)校正模型；采用GA算法對(duì)建模所用BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化，提高模型的預(yù)測(cè)精確度。ICA的分量數(shù)(ICs)不僅關(guān)系到本身算法的精確度，而且與網(wǎng)絡(luò)的運(yùn)行速度以及所建模型的精度有關(guān)。采用不同的分量數(shù)選取來(lái)得到最優(yōu)的數(shù)值：分析被測(cè)成分含量校正模型的RMSEP、R與分量數(shù)ICs之間的關(guān)系，綜合考慮模型的性能和計(jì)算量即可得到最優(yōu)ICs值。相比其他經(jīng)典方法，如多元線性回歸、主成份回歸等，經(jīng)ICA分解后所得獨(dú)立分量更接近實(shí)際光譜，所建模型更具有實(shí)際意義。BP人工神經(jīng)網(wǎng)絡(luò)的使用更適用于某些物質(zhì)中主要成分和近紅外光譜之間的非線性關(guān)系，針對(duì)BP網(wǎng)絡(luò)的兩大局限性(收斂到局部極小，對(duì)網(wǎng)絡(luò)初值的敏感性)，引進(jìn)GA算法優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，建立GA-BP網(wǎng)絡(luò)。該方法豐富了化學(xué)計(jì)量學(xué)方法，拓寬了獨(dú)立分量分析的應(yīng)用范圍，具有良好的應(yīng)用前景。

附圖說(shuō)明

圖1為基于ICA-GA-BP的近紅外光譜分析原理框圖。

圖2為一個(gè)小麥樣品的近紅外光譜圖。

圖3為簡(jiǎn)單遺傳算法框圖。

圖4為小麥樣品中水分含量的ICA-GA-BP方法預(yù)測(cè)值與化學(xué)測(cè)定值的相關(guān)性曲線。

圖5為小麥樣品中蛋白質(zhì)含量的ICA-GA-BP方法預(yù)測(cè)值與化學(xué)測(cè)定值的相關(guān)性曲線。

圖6為小麥樣品中麩質(zhì)含量的ICA-GA-BP方法預(yù)測(cè)值與化學(xué)測(cè)定值的相關(guān)性曲線。

具體實(shí)施方式

本發(fā)明將ICA應(yīng)用于NIR數(shù)據(jù)的分析，首先用離散小波變換對(duì)近紅外光譜數(shù)據(jù)進(jìn)行有效壓縮，然后用獨(dú)立分量分析(ICA)方法提取近紅外光譜數(shù)據(jù)矩陣的獨(dú)立成分和相應(yīng)的混合系數(shù)矩陣，最后再用神經(jīng)網(wǎng)絡(luò)回歸對(duì)混合系數(shù)矩陣和實(shí)測(cè)濃度矩陣進(jìn)行建模以對(duì)待測(cè)樣品進(jìn)行定量分析。由于BP網(wǎng)絡(luò)對(duì)初值的敏感性等問(wèn)題，使用遺傳算法來(lái)優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，提高模型的預(yù)測(cè)精確度。該方法不僅能夠從樣品光譜中分解出主要成分的光譜信息，而且能實(shí)現(xiàn)樣品成分的測(cè)定，用該方法提取出的獨(dú)立分量與實(shí)際光譜之間更為接近，更能體現(xiàn)光譜的真實(shí)情況。