[發(fā)明專利]基于相似度判別法的近紅外光譜物質(zhì)含量索引方法及裝置

有效

• 申請?zhí)枺?/td>: 201710379466.0
• 申請日: 2017-05-25
• 公開（公告）號: CN107357805B
• 公開（公告）日: 2020-07-17
• 發(fā)明（設(shè)計(jì)）人: 劉彤;潘濤;曾永平;肖青青;沈鴻平;凌亞東
• 申請（專利權(quán)）人: 廣州訊動網(wǎng)絡(luò)科技有限公司
• 主分類號: G06F16/2458
• 分類號: G06F16/2458;G06K9/62
• 代理公司: 廣州市越秀區(qū)哲力專利商標(biāo)事務(wù)所(普通合伙) 44288
• 代理人: 蔡碧慧;鄧星文

1.一種基于相似度判別法的近紅外光譜物質(zhì)含量索引方法，其特征在于包括以下步驟：

構(gòu)建儀器畫像步驟：通過儀器畫像獲取特征信息，并將所述特征信息劃分多個(gè)標(biāo)簽，獲取每個(gè)標(biāo)簽的標(biāo)簽權(quán)重；

含量索引步驟：通過key-value分布式存儲方法創(chuàng)建含量索引表，并根據(jù)所述含量索引表以及對應(yīng)的標(biāo)簽權(quán)重通過相似度判別法得到產(chǎn)品成分含量的含量預(yù)測值；

梯度預(yù)測步驟：根據(jù)所述含量預(yù)測值建立梯度預(yù)測值，推送給用戶。

2.如權(quán)利要求1所述基于相似度判別法的近紅外光譜物質(zhì)含量索引方法，其特征在于：所述構(gòu)建儀器畫像步驟包括以下步驟：

步驟11、針對樣品中某一種成分的含量，從樣品中選取n個(gè)樣本，并選取m臺儀器；

步驟12、通過理化檢測獲取所述n個(gè)樣本中該種樣品的成分含量，分別記作：y1、y2、…、yn；

步驟13、使用每臺儀器對每個(gè)樣本進(jìn)行光譜掃描，得到t個(gè)標(biāo)簽，每個(gè)標(biāo)簽包括n*m個(gè)值；

步驟14、對于第1個(gè)標(biāo)簽，將掃描每個(gè)樣本時(shí)的特征值作為因變量，將成分含量作為自變量，通過隨機(jī)方式對數(shù)據(jù)進(jìn)行訓(xùn)練集和測試集的劃分；

步驟15、基于訓(xùn)練集，使用最小二乘法建立回歸模型，使用所述回歸模型對測試集中的特征值進(jìn)行計(jì)算得到預(yù)測的成分含量值；

步驟16、將測試集中的預(yù)測的成分含量值與對應(yīng)的真實(shí)成分含量進(jìn)行比較，求出預(yù)測標(biāo)準(zhǔn)偏差SEP；

步驟17、重復(fù)步驟14-16，直至所有的標(biāo)簽對應(yīng)的預(yù)測標(biāo)準(zhǔn)偏差都計(jì)算完畢，計(jì)算得到的預(yù)測標(biāo)準(zhǔn)偏差SEP分別記作s1、s2、…、st；

步驟18、通過步驟12計(jì)算得到該種樣品的成分含量均值y0＝(y1+y2+…+yn)/n；

步驟19、結(jié)合步驟17和步驟18得到每個(gè)標(biāo)簽的標(biāo)簽權(quán)重，每個(gè)標(biāo)簽的標(biāo)簽權(quán)重分別記作w1、w2、…、wt，其中：

步驟110、根據(jù)所述標(biāo)簽權(quán)重生成該種成分含量的權(quán)重向量(w1，w2，…，wt)。

3.如權(quán)利要求2所述基于相似度判別法的近紅外光譜物質(zhì)含量索引方法，其特征在于：所述含量索引步驟包括以下步驟：

步驟21、依據(jù)樣品的不同條件將樣品分為不同類別；所述樣品的不同條件包括樣品的品種、生長環(huán)境、產(chǎn)地、收集時(shí)間、供應(yīng)商、處理方式；

步驟22、對步驟21中所分的第一類別，以儀器畫像中的t個(gè)標(biāo)簽作為用于含量索引的一系列屬性值(a1，a2，…，an)，以樣品的成分含量作為索引結(jié)果的記錄值，即所述記錄值為y1、y2、…、yn；

步驟23、以每個(gè)系列屬性值為key，以其對應(yīng)的記錄值為value，即構(gòu)成n個(gè)key與其對應(yīng)value的數(shù)據(jù)對，將每個(gè)數(shù)據(jù)對均直接存入數(shù)據(jù)庫中；

步驟24、重復(fù)步驟22-23，直至所有類別中的數(shù)據(jù)對均存入數(shù)據(jù)庫中，所述數(shù)據(jù)庫構(gòu)成含量索引表；

步驟25、通過含量索引表中的系列屬性值集合(a1，a2，…，an)*t與對應(yīng)的t組標(biāo)簽進(jìn)行相似度判別分析；對系列屬性值集合(a1，a2，…，an)*t進(jìn)行定義，定義第一個(gè)標(biāo)簽對應(yīng)的系列屬性值為(a11，a12，…，a1n)，第i個(gè)標(biāo)簽(ai1，ai2，…，ain)，1≤i≤t，則針對第i個(gè)標(biāo)簽，其與對應(yīng)的第i個(gè)系列屬性值(ai1，ai2，…，ain)進(jìn)行相似度判別分析，得到第i個(gè)標(biāo)簽對應(yīng)的相似度(zi1，zi2，…，zin)；

步驟26、從標(biāo)簽權(quán)重向量(w1，w2，…，wt)選取第i個(gè)標(biāo)簽對應(yīng)的標(biāo)簽權(quán)重wi，求第i個(gè)標(biāo)簽對應(yīng)的加權(quán)后的相似度集(zi1*wi，zi2*wi，…，zin*wi)；

步驟27、將所有標(biāo)簽對應(yīng)的加權(quán)后的相似度集組合在一起，構(gòu)成完整的加權(quán)相似度矩陣Z_w：

步驟28、對加權(quán)相似度矩陣Z_w進(jìn)行列相加，得到含量索引表中key對應(yīng)的加權(quán)相似度組合(zw1，zw2，…，zwn)，即第一個(gè)key對應(yīng)zw1，第二個(gè)key對應(yīng)zw2，第n個(gè)key類型對應(yīng)zwn；其中，zw1＝z11*w1+z21*w2+…+zt1*wt；zw1＝z12*w1+z22*w2+…+zt2*wt；zwn＝z1n*w1+z2n*w2+…+ztn*wt；

步驟29、將加權(quán)相似度組合(zw1，zw2，…，zwn)由大到小排序，并得到將由大到小排序的加權(quán)相似度組合(zw1，zw2，…，zwn)對應(yīng)的屬性值key的由大至小排序得到屬性值key的排序組合K_zw＝[k1，k2，…，kn].sort(reverse＝True)，最好的屬性值K_best＝max[k1，k2，…，kn]，其中，屬性值key中的k1對應(yīng)加權(quán)相似度組合中的zw1，屬性值key中的kn對應(yīng)加權(quán)相似度組合中的zwn；

步驟210、按有序的K_zw從含量索引表中依次查出每個(gè)屬性值key對應(yīng)的記錄值，得到一組由由優(yōu)至劣的含量預(yù)測值Y_predict＝[y1，y2，…，yn].sort(reverse＝True)其中，含量預(yù)測值Y_predict中的y1與排序組合K_zw中的k1對應(yīng)，含量預(yù)測值Y_predict中的yn與排序組合K_zw中的kn對應(yīng)。