[發明專利]一種基于CC-PLS-RBFNN優化模型的近紅外光譜分析方法

有效

• 申請號: 201710113438.4
• 申請日: 2017-02-28
• 公開（公告）號: CN107064054B
• 公開（公告）日: 2019-08-02
• 發明（設計）人: 盧建剛;蔣昊
• 申請（專利權）人: 浙江大學
• 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所有限公司 33100
• 代理人: 劉曉春

本發明屬于光譜分析領域，尤其是涉及一種基于CC?PLS?RBFNN優化模型的近紅外光譜分析方法。所述方法結合了相關系數法（CC）、偏最小二乘法（PLS）與徑向基函數神經網絡（RBFNN），并對重要參數進行了優化；包括：利用三階Savitzky?Golay卷積平滑濾波及一階導數校正對原始光譜進行預處理；在全波長段建立PLS模型并優化選取窗口寬度和PLS提取的主成分個數；計算每個波長變量的相關系數，截取相關系數大于設定閾值的波長變量參與建模并優化選取閾值大小；利用優化選取的窗口寬度、主成分個數和波長變量得到優化PLS模型；用優化PLS模型提取的主成分得分和性質矩陣訓練RBF神經網絡，獲得最終的CC?PLS?RBFNN優化模型。本方法能顯著提高近紅外光譜分析的魯棒性與精度。

技術領域

本發明涉及近紅外光譜分析領域，尤其是涉及一種基于CC-PLS-RBFNN優化模型的近紅外光譜分析方法。

背景技術

近紅外光譜分析技術作為一種快速無損的定量分析方法，已成功應用于農業、食品、化工和生物科學等多個領域，創造了可觀的經濟、社會效益。近紅外光譜中包含了豐富的樣品基團信息，然而近紅外譜區內光譜吸收帶較寬并且存在嚴重的光譜重疊，對此通常引入統計學方法建立合適的多元校正模型，從而實現光譜數據與預測目標數據間的關聯。

目前，關于近紅外光譜分析中校正模型的研究，典型的線性建模方法有多元線性回歸、主成分回歸以及偏最小二乘法等，非線性校正方法主要包含支持向量機和神經網絡。多元線性回歸的局限性在于，建模過程中包含對光譜矩陣或樣本性質矩陣求逆的步驟，該步驟在矩陣奇異時無法完成，同時多元線性回歸模型自身不具備去除數據噪聲的能力；主成分回歸通過對光譜矩陣或樣本性質矩陣進行分解從而確保矩陣非奇異，但進行分解時未考慮到光譜數據和樣本性質數據間的關聯性，因此不適用于分析目標信息在光譜信息中含量微弱的情況；偏最小二乘法在主成分回歸的基礎上考慮了光譜數據和樣本性質數據的相關性，但作為一種線性校正方法，其建立的模型始終存在一定的非線性誤差；基于支持向量機的回歸模型有較好的非線性擬合能力，但在建模過程中借助二次規劃來求解支持向量，涉及樣本數量階次的矩陣計算，在樣本數量偏大時耗費大量的機器內存和計算時間；神經網絡模型可以映射任意復雜的非線性關系，并且學習規則簡單便于計算機實現，但對數據的充分性有很高的要求，當數據量不足時容易過擬合，降低模型魯棒性，上述現有方法的局限性，影響了模型的魯棒性和精度。

發明內容

本發明的目的在于，針對現有技術的不足，提出將相關系數法(correlationcoefficient method，簡稱CC)、偏最小二乘法(Partial Least Squares，簡稱PLS)、徑向基函數神經網絡(Radial Basis Function Neural Network，簡稱RBFNN)相結合并優化選取重要參數，提供一種基于CC-PLS-RBFNN優化模型的近紅外光譜分析方法，以提升近紅外光譜建模的魯棒性和精度。

為此，本發明采用如下解決方案：

一種基于CC-PLS-RBFNN優化模型的近紅外光譜分析方法，所述基于CC-PLS-RBFNN優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數校正對原始光譜進行預處理；在全波長段建立PLS模型并優化選取平滑濾波的窗口寬度和PLS提取的主成分個數；計算每個波長變量的相關系數，截取相關系數大于設定閾值的波長變量參與建模并優化選取閾值大小；利用優化選取的窗口寬度、主成分個數和波長變量得到優化PLS模型；用優化PLS模型提取的主成分得分和性質矩陣訓練RBF神經網絡，獲得最終的CC-PLS-RBFNN優化模型；具體步驟包括：