[發(fā)明專利]一種基于CC-PLS-RBFNN優(yōu)化模型的近紅外光譜分析方法

有效

• 申請?zhí)枺?/td>: 201710113438.4
• 申請日: 2017-02-28
• 公開（公告）號: CN107064054B
• 公開（公告）日: 2019-08-02
• 發(fā)明（設(shè)計）人: 盧建剛;蔣昊
• 申請（專利權(quán)）人: 浙江大學(xué)
• 主分類號: G01N21/359
• 分類號: G01N21/359
• 代理公司: 浙江杭州金通專利事務(wù)所有限公司 33100
• 代理人: 劉曉春

1.一種基于CC-PLS-RBFNN優(yōu)化模型的近紅外光譜分析方法，其特征在于，所述基于CC-PLS-RBFNN優(yōu)化模型的近紅外光譜分析方法包括：利用三階Savitzky-Golay卷積平滑濾波及一階導(dǎo)數(shù)校正對原始光譜進行預(yù)處理；在全波長段建立PLS模型并優(yōu)化選取平滑濾波的窗口寬度和PLS模型中提取的主成分個數(shù)；計算每個波長變量的相關(guān)系數(shù)，截取相關(guān)系數(shù)大于設(shè)定閾值的波長變量參與建模并優(yōu)化選取閾值大小；利用優(yōu)化選取的窗口寬度、主成分個數(shù)和波長變量得到優(yōu)化PLS模型；用優(yōu)化PLS模型提取的主成分得分矩陣和對應(yīng)的樣本性質(zhì)矩陣訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)，獲得最終的CC-PLS-RBFNN優(yōu)化模型；具體步驟包括：

步驟(1)：參數(shù)初始化：將樣本劃分為校正集和預(yù)測集；校正集的光譜矩陣為Xs(s×p)，具有s個樣本，全波長點有p個，校正集的樣本性質(zhì)矩陣為Ys(s×1)；預(yù)測集的光譜矩陣為Xt(t×p)，具有t個樣本，全波長點有p個，預(yù)測集的樣本性質(zhì)矩陣為Yt(t×1)；定義n為平滑濾波的窗口寬度，q為主成分個數(shù)，TH為相關(guān)系數(shù)閾值；設(shè)定最大窗口寬度n_MAX，最大主成分個數(shù)q_MAX，相關(guān)系數(shù)閾值遍歷間隔d_TH，最大相關(guān)系數(shù)閾值TH_MAX，以及設(shè)定RBF神經(jīng)網(wǎng)絡(luò)核函數(shù)擴展因子σ，網(wǎng)絡(luò)神經(jīng)元數(shù)量m；窗口寬度n初始化為5，主成分個數(shù)q初始化為5，相關(guān)系數(shù)閾值TH初始化為0；

步驟(2)：光譜預(yù)處理：對校正集原始光譜矩陣Xs(s×p)逐行進行n點三階Savitzky-Golay卷積平滑濾波，并進行一階求導(dǎo)完成光譜預(yù)處理，得到校正集預(yù)處理后光譜矩陣Xs’(s×p)；

步驟(3)：PLS初始建模：對預(yù)處理后的s個校正集的樣本利用PLS模型提取q個主成分，對預(yù)處理后光譜矩陣Xs’(s×p)及對應(yīng)的樣本性質(zhì)矩陣Ys(s×1)進行回歸建模并得到全波長PLS模型，并采取留一交叉驗證的方法，得到相應(yīng)的RMSECV值；

步驟(4)：選擇模型參數(shù)：依次遍歷不同的n和q，重復(fù)步驟(2)到步驟(3)，直至n＝n_MAX，q＝q_MAX，得到不同模型參數(shù)下的RMSECV值；n和q的遍歷間隔分別為2和1，選取使得RMSECV最小的n和q作為優(yōu)化選取下的模型參數(shù)；

步驟(5)：篩選光譜矩陣：對校正集預(yù)處理后光譜矩陣Xs’(s×p)及對應(yīng)樣本性質(zhì)矩陣Ys(s×1)展開相關(guān)分析，得到p個波長變量的相關(guān)系數(shù)，構(gòu)成相關(guān)系數(shù)矩陣C(1×p)；設(shè)相關(guān)系數(shù)大于設(shè)定的相關(guān)系數(shù)閾值TH的波長變量共有p’個，選取這部分波長變量對應(yīng)的預(yù)處理后光譜矩陣Xs’(s×p)的子集，構(gòu)成篩選后光譜矩陣Xs_selected(s×p’)；

步驟(6)：部分波長PLS建模：在步驟(4)優(yōu)化選取的模型參數(shù)下，對篩選后光譜矩陣Xs_selected(s×p’)及對應(yīng)樣本性質(zhì)矩陣Ys(s×1)進行預(yù)處理和PLS回歸建模，得到部分波長下的PLS模型，并采取留一交叉驗證的方法，得到相應(yīng)的RMSECV值；

步驟(7)：選擇相關(guān)系數(shù)閾值TH：以d_TH為相關(guān)系數(shù)閾值遍歷間隔，依次遍歷不同的TH，重復(fù)步驟(5)至步驟(6)，直至TH＝TH_MAX，得到不同的RMSECV值；選取使得RMSECV最小的TH作為優(yōu)化選取的相關(guān)系數(shù)閾值，建立部分波長下的優(yōu)化PLS模型；

步驟(8)：訓(xùn)練RBF神經(jīng)網(wǎng)絡(luò)：將步驟(7)所得的優(yōu)化模型所提取的主成分得分矩陣Score(s×q)作為輸入變量，對應(yīng)的樣本性質(zhì)矩陣Ys(s×1)作為目標變量，進行RBF神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到最終的CC-PLS-RBFNN優(yōu)化模型。

2.根據(jù)權(quán)利要求1所述的一種基于CC-PLS-RBFNN優(yōu)化模型的近紅外光譜分析方法，其特征在于，所述步驟(4)中，所述最大窗口寬度n_MAX的取值范圍優(yōu)選15到45之間。

3.根據(jù)權(quán)利要求1所述的一種基于CC-PLS-RBFNN優(yōu)化模型的近紅外光譜分析方法，其特征在于，所述步驟(4)中，所述最大主成分個數(shù)q_MAX的取值范圍優(yōu)選10到50之間。

4.根據(jù)權(quán)利要求1所述的一種基于CC-PLS-RBFNN優(yōu)化模型的近紅外光譜分析方法，其特征在于，所述步驟(7)中，所述相關(guān)系數(shù)閾值遍歷間隔d_TH的取值范圍優(yōu)選0.001到0.1之間。