[發明專利]基于快速衰減式淘汰算法和PLSDA鑒別黃花梨成熟度的方法

有效

• 申請號: 201710408854.7
• 申請日: 2017-06-02
• 公開（公告）號: CN107247033B
• 公開（公告）日: 2019-09-20
• 發明（設計）人: 林敏;徐微微;黃詠梅;劉輝軍
• 申請（專利權）人: 中國計量大學
• 主分類號: G01N21/359
• 分類號: G01N21/359;G06K9/20;G06K9/46
• 代理公司: 杭州求是專利事務所有限公司 33200
• 代理人: 邱啟旺

1.一種基于快速衰減式淘汰算法和PLSDA鑒別黃花梨成熟度的方法，其特征在于，包括以下步驟：

(1)收集樣品，在樣品成熟期前d天、成熟期期間、成熟期后d天，各至少采集一次樣品，其中4≤d≤10；采集樣品的近紅外光譜，并對近紅外光譜進行一階微分預處理，得到預處理后的近紅外光譜數據矩陣；

(2)將步驟(1)得到的預處理后的近紅外光譜數據矩陣進行快速衰減式淘汰算法處理，篩選出特征波長；

所述步驟(2)中的快速衰減式淘汰算法具體實現如下：

設定y表示樣本的m×1的目標性質矩陣，X表示樣本測得的m×n的光譜矩陣，m表示樣本數，n表示變量數；W表示組合系數；T表示X的分矩陣，為X與W的線性組合；c是y和T所建模型的回歸系數向量；b表示為n維的回歸系數向量，e表示預測殘差，有式(1)和式(2)：

T＝W·X (1)

y＝c·T+e＝cWX+e＝b·X+e (2)

式(2)中b＝W·c＝[b₁，b₂，…，b_n]，b中第i個元素絕對值|b_i|(1≤i≤n)表示第i個波長變量對y貢獻，那么所有波長對y的總貢獻為了評價每個波長的重要性，定義權重w_i為|b_i|占總貢獻的比例，作為變量優選的標準，|b_i|值越大，w_i值越大，該波長變量越重要，權重w_i表達式如(3)式：

w_i＝|b_i|/f (3)

利用波長點的保留率對波長進行快速篩選，第i次篩選波長時，波長的保留率為r_j＝ae^-ki，其中：a與k為常數，其值可根據下列兩種情況求出：①第一次篩選波長時，n個變量均被用于建模，故r₁＝1；②第N次篩選波長時，僅2個波長被使用，故r_N＝2/n，a和k的計算公式如下：

篩選完成后，從篩選后的變量中提取新的變量集合，基于新變量集合再次建立校正模型，計算RMSECV值；

重復以上篩選過程N次，通過比較獲得模型RMSECV值最小的優選變量子集，將其確定為最優變量子集；

(3)使用偏最小二乘判別方法，建立偏最小二乘判別模型，將成熟期前d天、成熟期期間、成熟期后d天采集的樣品的實際成熟度以及由步驟(2)得到的成熟期前d天、成熟期期間、成熟期后d天采集的樣品的篩選特征波長后的光譜作為偏最小二乘判別模型的模型輸入，進而得到最佳偏最小二乘判別模型；

(4)將篩選特征波長后的待鑒別樣品的光譜輸入最佳偏最小二乘判別模型，得到待鑒別樣品的成熟度。

2.根據權利要求1所述的基于快速衰減式淘汰算法和PLSDA鑒別黃花梨成熟度的方法，其特征在于，所述步驟(1)具體實現如下：

使用近紅外光譜儀對樣品進行掃描，得到樣品的近紅外光譜，將成熟期前d天、成熟期間、成熟期后d天采集的樣品隨機分為校正集樣品和預測集樣品，其中，校正集樣品用于模型訓練，預測集樣品用于模型的質量評價；將樣品的近紅外光譜進行一階微分預處理，選取窗口寬度，得到預處理后的近紅外光譜數據矩陣。

3.根據權利要求1所述的基于快速衰減式淘汰算法和PLSDA鑒別黃花梨成熟度的方法，其特征在于，所述步驟(3)具體實現如下：

將成熟期前d天、成熟期間、成熟期后d天采集的樣品的實際成熟度以及篩選特征波長后的光譜作為偏最小二乘判別模型，使用偏最小二乘判別法建立偏最小二乘判別模型；在得到最佳偏最小二乘判別模型過程中，確定最適主因子數，從而獲得最佳偏最小二乘判別模型。