[發明專利]一種基于貝葉斯分類的光譜波長選擇方法

在審

• 申請號: 202011218448.2
• 申請日: 2020-11-04
• 公開（公告）號: CN112326574A
• 公開（公告）日: 2021-02-05
• 發明（設計）人: 潘濤;李佳琪;常乃良;陳潔梅
• 申請（專利權）人: 暨南大學
• 主分類號: G01N21/31
• 分類號: G01N21/31;G06K9/62
• 代理公司: 佛山市智匯聚晨專利代理有限公司 44409
• 代理人: 陳欽祥

1.一種基于貝葉斯分類的光譜波長選擇方法，其特征在于包括如下步驟：

S1、分別收集需要進行光譜判別分析的每類樣品，測試所述樣品的光譜；

S2、分別將每一類樣品隨機劃分為建模集和檢驗集，建模集隨機劃分為定標集和預測集，匯總得到包含各類樣品的定標、預測、檢驗樣品集；

S3、對任意的波長模型提取相應的光譜數據，用于構建貝葉斯多分類判別分析模型；

S4、構建貝葉斯多分類判別分析模型：基于單波長吸光度服從正態分布和概率獨立性，并采用概率乘法及其對數，計算每一類樣品測量相應光譜的條件概率，并把樣品判斷為條件概率的最大值所對應的類別；計算貝葉斯多分類判別分析模型的總預測準確率，各類預測準確率及其標準偏差；

S5、采用適當的波長模型選擇方法，構建所有波長模型；對所有波長模型，按照S3、S4的步驟完成貝葉斯多分類判別分析模型；依據貝葉斯多分類判別分析模型的總預測準確率最大兼顧類預測準確率的標準偏差最小，獲得最優波長模型。

2.根據權利要求1所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于在所述步驟S3對任意的波長模型提取相應的光譜數據，用于貝葉斯多分類判別分析前,可對光譜進行預處理。

3.根據權利要求1所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于在所述步驟S4針對任意波長模型的光譜，構建貝葉斯多分類判別分析模型前,需要確定波長模型的搜索范圍，它可以為全掃描譜區，也可根據實際對象的光譜特征，確定為某一特定的波長范圍；在此波長搜索范圍內，對任意的波長模型提取相應的光譜數據，用于貝葉斯多分類判別分析。

4.根據權利要求1所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于在所述步驟S4針對任意波長模型的光譜，構建貝葉斯多分類判別分析模型時,根據貝葉斯公式，計算樣品測量到相應光譜時，判別為第k類樣品的后驗概率：

5.根據權利要求4所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于，先驗概率的計算方法：或每一類樣品賦予等概率，或依據定標集中各類樣品數量的比例分配概率，或采用其他概率計算方法。

6.根據權利要求4所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于，條件概率的計算方法：設相應的波長模型包含s個波長，記為λ₁，…，λ_s，假設每類定標集樣品在每個單波長下的吸光度服從正態分布，分別計算每類定標集樣品在每個單波長下吸光度的數學期望和標準差；在此基礎上，在每個波長λ_i處，利用隨機變量的概率密度，計算預測集樣品屬于第k類樣品時，出現相應吸光度值的條件概率；假設對應波長模型的每個波長的吸光度概率具有獨立性，根據獨立性假設，采用概率乘法，計算需測樣品屬于第k類樣品的條件下測量到相應光譜的條件概率。

7.根據權利要求6所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于，采用概率的對數相加作為最后的條件概率判別值。

8.根據權利要求6所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于，把需測樣品判斷為后驗概率的最大值所對應的類別，實際上對應為條件概率的最大值所對應的類別。

9.根據權利要求1所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于在所述步驟S5依據貝葉斯多分類判別分析模型的總預測準確率最大兼顧類預測準確率的標準偏差最小，獲得最優波長模型時,需要采用等間隔組合的波長選擇方法，或移動窗口的波長選擇方法，或其他波長選擇方法，進行波長模型選擇。

10.根據權利要求9所述的基于貝葉斯分類的光譜波長選擇方法，其特征在于,以等間隔組合的波長選擇方法為例，采用起點波長I、波長個數N和波長間隔數G作為波長篩選的循環參數，構建所有波長組合，并對所有波長組合分別建立貝葉斯多分類判別分析模型，根據總預測準確率最大兼顧各類預測準確率的標準偏差最小優選模型參數，獲得最優波長模型。