[發(fā)明專利]基于近紅外光譜的校正模型建模方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410272819.3
• 申請(qǐng)日: 2014-06-18
• 公開(kāi)（公告）號(hào): CN104020135A
• 公開(kāi)（公告）日: 2014-09-03
• 發(fā)明（設(shè)計(jì)）人: 徐澤宇;劉永福;何國(guó)田;趙健;林遠(yuǎn)長(zhǎng);朱曉強(qiáng);何驥鳴;吳嬌嬌;何瑞英
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院重慶綠色智能技術(shù)研究院
• 主分類號(hào): G01N21/359
• 分類號(hào): G01N21/359
• 代理公司: 成都賽恩斯知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 51212
• 代理人: 張帆

1.一種基于近紅外光譜的校正模型建模方法，其特征在于，包括：

步驟1，根據(jù)近紅外光譜數(shù)據(jù)的預(yù)處理結(jié)果，獲取全譜權(quán)重值；

步驟2，以所述全譜波長(zhǎng)的權(quán)重值為閥值，將所述全譜濾長(zhǎng)劃分為相關(guān)波長(zhǎng)集、無(wú)關(guān)波長(zhǎng)集和噪聲波長(zhǎng)集；

步驟3，將濃度數(shù)據(jù)、所述相關(guān)波長(zhǎng)集和所述無(wú)關(guān)波長(zhǎng)集作為RBF神經(jīng)網(wǎng)絡(luò)的輸入，同時(shí)將所述RBF神經(jīng)網(wǎng)絡(luò)的隱節(jié)點(diǎn)數(shù)設(shè)置為訓(xùn)練集的樣本個(gè)數(shù)，訓(xùn)練所述RBF神經(jīng)網(wǎng)絡(luò)；

步驟4，利用所述RBF神經(jīng)網(wǎng)絡(luò)的輸出值與所述濃度數(shù)據(jù)通過(guò)偏最小二乘算法得出主成分個(gè)數(shù)；

步驟5，根據(jù)所述訓(xùn)練集中的各樣本的貢獻(xiàn)值和貢獻(xiàn)率的大小確定所述RBF神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點(diǎn)；

步驟6，將所述主成分個(gè)數(shù)作為新的RBF神經(jīng)網(wǎng)絡(luò)的隱含層的節(jié)點(diǎn)個(gè)數(shù)，并將步驟5中的隱含層節(jié)點(diǎn)作為所述新的RBF神經(jīng)網(wǎng)絡(luò)的陷節(jié)點(diǎn)，將所述相關(guān)波數(shù)集、無(wú)關(guān)波數(shù)集作為所述新的RBF神經(jīng)網(wǎng)絡(luò)的輸入，訓(xùn)練所述新的RBF神經(jīng)網(wǎng)絡(luò)從而得到校正模型。

2.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟1之前還包括以下步驟：

根據(jù)光譜樣本之間的距離及濃度樣本之間的距離，對(duì)光譜數(shù)據(jù)進(jìn)行劃分，從而得到校正集，其中，所述校正集用于建立所述校正模型。

3.根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟2還包括：

將所述校正集等分為多個(gè)子區(qū)間，分別計(jì)算每個(gè)所述子區(qū)間的權(quán)重值；

根據(jù)所述全譜權(quán)重值和所述每個(gè)子區(qū)間的權(quán)重值，利用下式將所述各子區(qū)間劃分到所述相關(guān)波長(zhǎng)集、無(wú)關(guān)波長(zhǎng)集和噪聲波長(zhǎng)集中：

S1=S1∩Ii,Wi>αWS2=S2∩Ii,αW≥Wi≥βWS3=S3∩Ii,Wi<βW]]>

其中，

S₁為相關(guān)波數(shù)集，

S₂為無(wú)關(guān)波數(shù)集，

S₃為噪聲波數(shù)集，

α為閾值浮動(dòng)上限比例，

β為閾值浮動(dòng)下限比例，其中0＜β＜1＜α＜2，

W為全譜權(quán)重值，

W_i為子區(qū)間的權(quán)重值。