[發(fā)明專利]一種基于光譜的轉(zhuǎn)基因稻谷智能分類器

在審

• 申請(qǐng)?zhí)枺?/td>: 201710179385.6
• 申請(qǐng)日: 2017-03-23
• 公開(kāi)（公告）號(hào): CN106918570A
• 公開(kāi)（公告）日: 2017-07-04
• 發(fā)明（設(shè)計(jì)）人: 許德剛;廉飛宇;郭娟;付麥霞;葛宏義;蔣玉英
• 申請(qǐng)（專利權(quán)）人: 河南工業(yè)大學(xué)
• 主分類號(hào): G01N21/3586
• 分類號(hào): G01N21/3586;G06K9/62
• 代理公司: 鄭州科維專利代理有限公司41102
• 代理人: 趙繼福

1.一種基于光譜的轉(zhuǎn)基因稻谷智能分類器，其特征在于，包括以下步驟：

1)、標(biāo)樣和樣品制備方案：

2)、標(biāo)樣和樣品的太赫茲時(shí)域光譜數(shù)據(jù)的獲取：

3)、分類器的設(shè)計(jì)；

3.1)、利用主成分分析法壓縮原始數(shù)據(jù)空間維度：

3.2)、支持向量機(jī)分類模型的設(shè)計(jì)：

3.3)、支持向量機(jī)分類模型的參數(shù)優(yōu)化。

2.根據(jù)權(quán)利要求1所述的一種基于光譜的轉(zhuǎn)基因稻谷智能分類器，其特征在于：所述的步驟1)、標(biāo)樣和樣品制備方案，標(biāo)樣用于建立各品系稻谷(包括轉(zhuǎn)基因和非轉(zhuǎn)基因的)的太赫茲標(biāo)準(zhǔn)光譜數(shù)據(jù)集，用于作為分類器的訓(xùn)練集；樣品用于對(duì)轉(zhuǎn)基因稻谷分類器的測(cè)試，用于作為測(cè)試集；制作標(biāo)樣的原材料來(lái)源于各稻谷品系的標(biāo)準(zhǔn)物質(zhì)，標(biāo)準(zhǔn)物質(zhì)從國(guó)家糧食局科學(xué)研究院購(gòu)買，并具有標(biāo)準(zhǔn)物質(zhì)證書(shū)；標(biāo)準(zhǔn)物質(zhì)原材料在充分粉碎、研磨后，取120mg，加入40mg聚乙烯粉末，經(jīng)均質(zhì)器充分混合后，放置壓片機(jī)進(jìn)行壓片；壓片時(shí)保持壓力10MPa三分鐘，取出壓片，用電子螺旋測(cè)微器測(cè)量厚度(精確到0.01mm)后,放置密封袋封好，密封袋貼標(biāo)簽注明品系名稱和厚度，至此，標(biāo)樣制作完畢；樣品制作過(guò)程同標(biāo)樣制作過(guò)程；標(biāo)樣或樣品需在半小時(shí)內(nèi)測(cè)試完畢，以避免標(biāo)樣放置在空氣中發(fā)生的理化變化；標(biāo)樣或樣品原材料在使用前保持水分含量在12％-15％左右，若水分過(guò)高，會(huì)影響樣品對(duì)太赫茲輻射的吸收，因此需要使用烘干機(jī)進(jìn)行烘干后再進(jìn)行制樣；12％-15％的水分參數(shù)確定來(lái)源于糧食安全儲(chǔ)藏相關(guān)國(guó)家標(biāo)準(zhǔn)。

3.根據(jù)權(quán)利要求1所述的一種基于光譜的轉(zhuǎn)基因稻谷智能分類器，其特征在于：所述的步驟2)、標(biāo)樣和樣品的太赫茲時(shí)域光譜數(shù)據(jù)的獲取，具體為：將標(biāo)樣放置于太赫茲時(shí)域光譜儀中，采用透射方式獲取標(biāo)樣的太赫茲時(shí)域光譜數(shù)據(jù)；檢測(cè)的環(huán)境條件設(shè)置為：環(huán)境溫度：20℃，環(huán)境濕度：≤10％，每種稻谷品系制作30個(gè)標(biāo)樣，每個(gè)標(biāo)樣測(cè)量3次，取0.2T-1.2T波段作為有效數(shù)據(jù)進(jìn)行平均，得到每個(gè)標(biāo)樣3次平均的時(shí)域光譜數(shù)據(jù)，再利用光譜儀本身的隨機(jī)軟件，獲取該標(biāo)樣的太赫茲吸收譜數(shù)據(jù)，總共獲取每種稻谷品系的30組原始吸收譜數(shù)據(jù)，作為主成分分析法的輸入數(shù)據(jù)，經(jīng)主成分分析法壓縮數(shù)據(jù)空間后，由主成分分析法得到的該組數(shù)據(jù)的輸出數(shù)據(jù)，作為支持向量機(jī)分類器的訓(xùn)練集；取30個(gè)稻谷樣品，采用上述太赫茲測(cè)試方案，獲取30組原始吸收譜數(shù)據(jù)，在經(jīng)過(guò)主成分分析法的處理，獲取主成分分析的輸出數(shù)據(jù)集，作為支持向量機(jī)分類器的測(cè)試集。

4.根據(jù)權(quán)利要求1所述的一種基于光譜的轉(zhuǎn)基因稻谷智能分類器，其特征在于：所述的步驟3.1)、利用主成分分析法壓縮原始數(shù)據(jù)空間維度，具體為：取每個(gè)樣本的0.2T-1.2T之間的256個(gè)光譜數(shù)據(jù)作為原始數(shù)據(jù)進(jìn)行壓縮；采用PCA算法抽取了原始太赫茲光譜數(shù)據(jù)的最有代表性的前四個(gè)特征向量，這四個(gè)特征向量的累計(jì)信息貢獻(xiàn)率應(yīng)達(dá)到不低于90％，覆蓋原始數(shù)據(jù)絕大部分的信息；如果抽取的四個(gè)主成分的累計(jì)信息貢獻(xiàn)率低于90％，則應(yīng)采用更多的主成分，使所有主成分的累計(jì)貢獻(xiàn)率達(dá)到不低于90％；實(shí)驗(yàn)證明，提取出的前四個(gè)主成分，累計(jì)信息貢獻(xiàn)率已經(jīng)達(dá)到995.2％，因此本專利發(fā)明建議采用PCA抽取的前4個(gè)主成分代替原始數(shù)據(jù)，這可使得原始數(shù)據(jù)從最初的256維降低至4維，大大簡(jiǎn)化了支持向量機(jī)模型的設(shè)計(jì)和模型的運(yùn)算效率；利用PCA提取主成分的算法可通過(guò)matlab實(shí)現(xiàn)。

5.根據(jù)權(quán)利要求1所述的一種基于光譜的轉(zhuǎn)基因稻谷智能分類器，其特征在于：所述的步驟3.2)、支持向量機(jī)分類模型的設(shè)計(jì)，具體為：用PCA對(duì)每個(gè)標(biāo)樣的數(shù)據(jù)進(jìn)行前四個(gè)主成分的提取構(gòu)成訓(xùn)練集，對(duì)每個(gè)實(shí)際樣品的數(shù)據(jù)進(jìn)行前四個(gè)主成分的提取構(gòu)成測(cè)試集；利用訓(xùn)練集構(gòu)造SVM分類器，核函數(shù)選擇徑向基函數(shù)，利用測(cè)試集對(duì)SVM分類器的分類性能進(jìn)行測(cè)試；利用徑向基核函數(shù)構(gòu)造SVM分類器的算法可通過(guò)matlab實(shí)現(xiàn)。

6.根據(jù)權(quán)利要求1所述的一種基于光譜的轉(zhuǎn)基因稻谷智能分類器，其特征在于：所述的步驟3.3)、支持向量機(jī)分類模型的參數(shù)優(yōu)化，具體為：在支持向量機(jī)模型中，有兩個(gè)重要的參數(shù)影響支持向量機(jī)的分類性能；一個(gè)是C參數(shù)，稱為懲罰系數(shù)，表示對(duì)誤差的寬容度，C值越高,表示越不能容忍出現(xiàn)誤差，另一個(gè)是與徑向基函數(shù)有關(guān)的y參數(shù)，它隱含地決定了數(shù)據(jù)映射到新的特征空間后的分布；支持向量機(jī)分類模型的建立過(guò)程實(shí)際上就是對(duì)這兩個(gè)參數(shù)的尋優(yōu)過(guò)程；

首先對(duì)γ參數(shù)進(jìn)行尋優(yōu)，設(shè)置不同的y參數(shù)值(本技術(shù)發(fā)明建議γ從0到5設(shè)置，間隔為0.5)，再通過(guò)網(wǎng)格搜索法，確定對(duì)應(yīng)的C值，構(gòu)建不同的SVM分類模型，SVM分類模型的性能評(píng)估采用下面的指標(biāo)(稱為均方根誤差)：

$RMSE=\sqrt{\underset{i=1}{\overset{N}{\Σ}}{(Y_i-{\hat{Y}}_i)}^2/N^{\′\′}}$

式中N″代表測(cè)試集中的樣本數(shù)，Y_i是測(cè)試集中第i個(gè)樣本的實(shí)際值，是模型對(duì)第i個(gè)樣本的預(yù)測(cè)值；利用測(cè)試集中的數(shù)據(jù)，對(duì)構(gòu)建的每個(gè)SVM模型進(jìn)行RMSE計(jì)算，選取RMSE值最小的模型作為最終的分類器模型。