[發明專利]基于PSO?RICAELM的近紅外光譜分析鑒別翠冠梨成熟度的方法

在審

• 申請號: 201710408868.9
• 申請日: 2017-06-02
• 公開（公告）號: CN107121407A
• 公開（公告）日: 2017-09-01
• 發明（設計）人: 黃詠梅;張瑜;林敏;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;G06K9/62;G06N3/08
• 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PSO-RICAELM的近紅外光譜分析鑒別翠冠梨成熟度的方法，其特征在于，包括以下步驟：

(1)收集樣品；在樣品成熟期前一周開始采摘樣品，每隔n天采摘一次樣品，至少采摘三次，其中4＜n＜10；用近紅外光譜儀對樣品進行多次掃描，多次掃描后取平均值，得到不同成熟度的樣品近紅外光譜；并對近紅外光譜進行二階導數和離散小波變換處理，得到壓縮后的近紅外光譜數據矩陣；

(2)將步驟(1)得到的壓縮后的近紅外光譜數據矩陣運用穩健性獨立分量分析分解，得到近似濃度矩陣；建立校正集模型，將實際已知成熟度及近似濃度矩陣作為初始模型輸入，得到RICAELM模型；用粒子群算法尋優RICAELM模型，得到最佳翠冠梨成熟度鑒別模型；

所述步驟(2)具體實現如下：將處理后的數據作為輸入進行穩健性獨立分量分析運算，在光譜成分獨立性的前提下，將光譜分解成不同的成分，輸出是近似濃度矩陣；穩健性獨立分量分析算法以峭度為對照函數，通過最優步長的尋找方法對峭度進行優化，得到所有峭度不為0的基本成分光譜矩陣和對應的近似濃度矩陣；將輸出的非高斯型、包含絕大部分光譜特征的近似濃度矩陣輸入到極限學習機網絡中，得到RICAELM模型；

將翠冠梨成熟度鑒別模型輸入層與隱含層之間的連接權值和隱含層節點的偏置值作為粒子群搜索空間中的一個粒子，采用粒子群優化算法對粒子進行迭代尋優，設定粒子數m，產生種群，初始化PSO的粒子速度v、慣性權值w、學習因子c₁和c₂、最大迭代次數k，按照適應度函數計算粒子的適應度值，然后更新粒子的位置和速度，具體更新公式如下：

v_i(a+1)＝v_i(a)+c₁r₁[pbest_i-x_i(a)]+c₂r₂[gbest-x_i(a)]

x_i(a+1)＝x_i(a)+v_i(a+1)

其中，i是粒子，x_i(a+1)、v_i(a+1)是第i個粒子的第a+1次迭代時的位置和速度，c₁和c₂學習因子，r₁和r₂是在[0，1]區間內均勻分布的隨機數，v_i、x_i是第i個粒子第a次迭代速度和位置，pbest_i是第i個粒子的個體最優位置，gbest是全局最優位置；

當尋優滿足尋優達到最大迭代次數k或評價值小于指定的精度b時，搜索就結束，得到最優的輸入權值和隱含層偏置，并賦值給RICAELM網絡，得到最佳翠冠梨成熟度鑒別模型；

(3)將預測集樣品的近似濃度矩陣輸入最佳翠冠梨成熟度鑒別模型，得到預測集樣品的成熟度。

2.根據權利要求1所述的基于PSO-RICAELM的近紅外光譜分析鑒別翠冠梨成熟度的方法，其特征在于，所述步驟(1)具體實現如下：

在樣品成熟期前一周開始采摘樣品，每隔n天采摘一次樣品，至少采摘三次；使用近紅外光譜儀對不同成熟度的樣品進行掃描，得到樣品的近紅外光譜，將不同成熟度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二階導數和離散小波變換處理，離散小波變換選擇小波母函數為dbn，n為消失矩，得到壓縮后的近紅外光譜數據矩陣。

3.根據權利要求1所述的基于PSO-RICAELM的近紅外光譜分析鑒別翠冠梨成熟度的方法，其特征在于，所述步驟(3)中，RICAELM隱含層激活函數選擇Sigmoidal函數。