一種近紅外定性鑒別方法
【專利摘要】本發(fā)明公開了一種近紅外定性鑒別方法，該方法包括：步驟1：采集樣本的近紅外光譜數(shù)據(jù)；步驟2：確定建模樣本數(shù)據(jù)并進(jìn)行預(yù)處理；步驟3：對(duì)建模樣本數(shù)據(jù)進(jìn)行偏最小二乘特征提??；步驟4：對(duì)建模樣本數(shù)據(jù)進(jìn)行正交線性判別分析特征提取；步驟5：用仿生模式識(shí)別方法建立定性分析模型；步驟6：用所建立的定性分析模型進(jìn)行定性鑒別。與傳統(tǒng)定性鑒別方法相比，本發(fā)明提供的方法簡(jiǎn)單快捷、準(zhǔn)確高效，并且無須專業(yè)人士操作。
【專利說明】一種近紅外定性鑒別方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及近紅外的定性分析領(lǐng)域，特別是一種近紅外定性鑒別方法。

【背景技術(shù)】
[0002] 近紅外光譜（Near Infrared Spectrum，NIR)是介于可見光（Vis)和中紅外（MIR) 之間的電磁輻射波，美國材料檢測(cè)協(xié)會(huì)（ASTM)將近紅外光譜區(qū)定義為780?2526nm的區(qū) 域，是人們?cè)谖展庾V中發(fā)現(xiàn)的第一個(gè)非可見光區(qū)。近紅外光譜區(qū)與有機(jī)分子中含氫基團(tuán) (〇-H、N-H、C-H)振動(dòng)的合頻和各級(jí)倍頻的吸收區(qū)一致，通過掃描樣品的近紅外光譜，可以得 到樣品中有機(jī)分子含氫基團(tuán)的特征信息，而且利用近紅外光譜技術(shù)分析樣品具有方便、快 速、高效、準(zhǔn)確和成本較低，不破壞樣品，不消耗化學(xué)試劑，不污染環(huán)境等優(yōu)點(diǎn)，因此該技術(shù) 受到越來越多人的青睞。
[0003] 隨著分析技術(shù)的快速發(fā)展，基于近紅外光譜的各類檢測(cè)技術(shù)雖然得到了廣泛的應(yīng) 用，但是基本都是在定量分析中的應(yīng)用，在定性分析應(yīng)用中較少。而目前較為需求的則是近 紅外光譜的定性分析鑒別技術(shù)，例如在食品安全領(lǐng)域，要鑒別作物種子的品種真實(shí)性，以保 障農(nóng)民的生產(chǎn)利益；檢測(cè)奶粉中是否含有某些危害身體健康的物質(zhì)以確保食用安全；檢測(cè) 藥物中是否含有某一種不安全成分，以確保用藥安全等。
[0004] 以往的定性鑒別方法，主要依靠人工考察經(jīng)驗(yàn)的專業(yè)判斷，往往會(huì)受到很多主觀 和客觀因素的影響，不但速度慢，而且費(fèi)工費(fèi)時(shí)，制約了定性鑒別的效率。而近紅外光譜分 析技術(shù)所具備的快速、高效、無損等特點(diǎn)，已經(jīng)開始在定性鑒別分析領(lǐng)域得到了重視。
[0005] 仿生模式識(shí)別理論自從2002年被提出以來，已經(jīng)在眾多領(lǐng)域得到了應(yīng)用。覃鴻、 徐春燕等把仿生模式識(shí)別應(yīng)用到語音識(shí)別領(lǐng)域，通過對(duì)高維空間同類語音樣本的副高，達(dá) 到識(shí)別的目的。徐建、曲延鋒等人，在人臉識(shí)別和人臉確認(rèn)過程中，運(yùn)用多權(quán)值神經(jīng)元構(gòu)造 了同類樣本的高維復(fù)雜幾何形體，取得了比傳統(tǒng)模式識(shí)別更高的識(shí)別效果。與傳統(tǒng)模式識(shí) 別相比，仿生模式識(shí)別對(duì)數(shù)據(jù)集分布的認(rèn)識(shí)更加精確，它是以"最佳覆蓋"為目標(biāo)，區(qū)別于 傳統(tǒng)模式識(shí)別的"最佳劃分"為目標(biāo)。因此將仿生模式識(shí)別應(yīng)用在近紅外定性分析鑒別領(lǐng) 域中，能夠提高定性鑒別效果。
[0006] 因此，為了解決上述問題，本方法提供了一種近紅外定性鑒別方法，以滿足日益增 長(zhǎng)的定性分析鑒別的應(yīng)用需求。


【發(fā)明內(nèi)容】

[0007] (一）要解決的技術(shù)問題
[0008] 有鑒于此，本發(fā)明的主要目的是為了提供一種簡(jiǎn)單可行的近紅外定性鑒別方法。
[0009] (二）技術(shù)方案
[0010] 為達(dá)到上述目的，本發(fā)明提供了一種近紅外定性鑒別方法，該方法包括：
[0011] 步驟1:采集樣本的近紅外光譜數(shù)據(jù)；
[0012] 步驟2 :確定建模樣本數(shù)據(jù)并進(jìn)行預(yù)處理；
[0013] 步驟3 :對(duì)建模樣本數(shù)據(jù)進(jìn)行偏最小二乘（PLS)特征提??；
[0014] 步驟4 :對(duì)建模樣本數(shù)據(jù)進(jìn)行正交線性判別分析（OLDA)特征提取；
[0015] 步驟5 :用仿生模式識(shí)別（BPR)方法建立定性分析模型；
[0016] 步驟6 :用所建立的定性分析模型進(jìn)行定性鑒別。
[0017] 上述方案中，步驟1中所述采集樣本的近紅外光譜數(shù)據(jù)，是采用近紅外光譜儀在 不同時(shí)間采集樣本的近紅外光譜數(shù)據(jù)。所述近紅外光譜儀是測(cè)試單粒樣本的微型光譜儀， 或者是測(cè)試整杯樣本的普通光譜儀，采集方式包括漫反射或透射。如果有相同型號(hào)的多臺(tái) 近紅外光譜儀，則在采集樣本的近紅外光譜數(shù)據(jù)時(shí)，多臺(tái)近紅外光譜儀所處的外部環(huán)境相 同；對(duì)同一份樣本，在相同的測(cè)量時(shí)間點(diǎn)要求在不同的近紅外光譜儀上進(jìn)行測(cè)量，得到對(duì)應(yīng) 的多條光譜數(shù)據(jù)。
[0018] 上述方案中，步驟2中所述的確定建模樣本數(shù)據(jù)，是將能夠?qū)σ恍┎淮_定信息進(jìn) 行包容的數(shù)據(jù)作為建模樣本數(shù)據(jù)，以減小光譜的變動(dòng)影響模型對(duì)光譜鑒別的準(zhǔn)確性，該些 不確定信息是指樣本自身屬性不同、光譜采集時(shí)間不同和/或光譜采集儀器不同。
[0019] 上述方案中，步驟2中所述的預(yù)處理，是去除或降低不確定的背景信息對(duì)光譜數(shù) 據(jù)的噪聲干擾，采用的預(yù)處理方法包括數(shù)據(jù)歸一化處理、導(dǎo)數(shù)法處理、平滑處理或中心化及 標(biāo)準(zhǔn)化處理。所述不確定的背景信息是指受近紅外光譜儀儀器狀態(tài)、測(cè)定條件與環(huán)境影響 的信息。
[0020] 上述方案中，步驟3中所述對(duì)建模樣本數(shù)據(jù)進(jìn)行偏最小二乘特征提取，具體包括：
[0021] 步驟31 :對(duì)建模集數(shù)據(jù)進(jìn)行偏最小二乘特征提取，得到偏最小二乘特征矩陣，以 利用該矩陣將數(shù)據(jù)變換到偏最小二乘空間；其中所述的建模樣本數(shù)據(jù)，是指經(jīng)過預(yù)處理之 后的建模樣本數(shù)據(jù)；所述進(jìn)行偏最小二乘特征提取，得到偏最小二乘特征矩陣，具體包括：
[0022] 步驟311 :對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即令樣本的各個(gè)變量的均值為0,方差為 1 ;令樣本矩陣為Xtl，類別信息矩陣為Ytl ;其中，Xtl定義為n條光譜p個(gè)數(shù)據(jù)點(diǎn)的原始光譜矩 陣，Ytl為對(duì)應(yīng)的類別屬性矩陣：
[0023]

【權(quán)利要求】
1. 一種近紅外定性鑒別方法，其特征在于，該方法包括： 步驟1 :采集樣本的近紅外光譜數(shù)據(jù)； 步驟2 :確定建模樣本數(shù)據(jù)并進(jìn)行預(yù)處理； 步驟3 :對(duì)建模樣本數(shù)據(jù)進(jìn)行偏最小二乘特征提??； 步驟4 :對(duì)建模樣本數(shù)據(jù)進(jìn)行正交線性判別分析特征提??； 步驟5 :用仿生模式識(shí)別方法建立定性分析模型； 步驟6 :用所建立的定性分析模型進(jìn)行定性鑒別。
2. 根據(jù)權(quán)利要求1所述的近紅外定性鑒別方法，其特征在于，步驟1中所述采集樣本的 近紅外光譜數(shù)據(jù)，是采用近紅外光譜儀在不同時(shí)間采集樣本的近紅外光譜數(shù)據(jù)。
3. 根據(jù)權(quán)利要求2所述的近紅外定性鑒別方法，其特征在于，所述近紅外光譜儀是測(cè) 試單粒樣本的微型光譜儀，或者是測(cè)試整杯樣本的普通光譜儀，采集方式包括漫反射或透 射。
4. 根據(jù)權(quán)利要求2所述的近紅外定性鑒別方法，其特征在于，如果有相同型號(hào)的多臺(tái) 近紅外光譜儀，則在采集樣本的近紅外光譜數(shù)據(jù)時(shí)，多臺(tái)近紅外光譜儀所處的外部環(huán)境相 同；對(duì)同一份樣本，在相同的測(cè)量時(shí)間點(diǎn)要求在不同的近紅外光譜儀上進(jìn)行測(cè)量，得到對(duì)應(yīng) 的多條光譜數(shù)據(jù)。
5. 根據(jù)權(quán)利要求1所述的近紅外定性鑒別方法，其特征在于，步驟2中所述的確定建模 樣本數(shù)據(jù)，是將能夠?qū)σ恍┎淮_定信息進(jìn)行包容的數(shù)據(jù)作為建模樣本數(shù)據(jù)，以減小光譜的 變動(dòng)影響模型對(duì)光譜鑒別的準(zhǔn)確性，該些不確定信息是指樣本自身屬性不同、光譜采集時(shí) 間不同和/或光譜采集儀器不同。
6. 根據(jù)權(quán)利要求1所述的近紅外定性鑒別方法，步驟2中所述的預(yù)處理，是去除或降低 不確定的背景信息對(duì)光譜數(shù)據(jù)的噪聲干擾，采用的預(yù)處理方法包括數(shù)據(jù)歸一化處理、導(dǎo)數(shù) 法處理、平滑處理或中心化及標(biāo)準(zhǔn)化處理。
7. 根據(jù)權(quán)利要求6所述的近紅外定性鑒別方法，其特征在于，所述不確定的背景信息 是指受近紅外光譜儀儀器狀態(tài)、測(cè)定條件與環(huán)境影響的信息。
8. 根據(jù)權(quán)利要求1所述的近紅外定性鑒別方法，其特征在于，步驟3中所述對(duì)建模樣本 數(shù)據(jù)進(jìn)行偏最小二乘特征提取，具體包括： 步驟31 :對(duì)建模集數(shù)據(jù)進(jìn)行偏最小二乘特征提取，得到偏最小二乘特征矩陣，以利用 該矩陣將數(shù)據(jù)變換到偏最小二乘空間； 步驟32 :利用得到的偏最小二乘特征矩陣，將經(jīng)過預(yù)處理之后的建模集數(shù)據(jù)變換到偏 最小二乘空間中。
9. 根據(jù)權(quán)利要求8所述的近紅外定性鑒別方法，其特征在于，步驟3中所述的建模樣本 數(shù)據(jù)，是指經(jīng)過預(yù)處理之后的建模樣本數(shù)據(jù)。
10. 根據(jù)權(quán)利要求8所述的近紅外定性鑒別方法，其特征在于，步驟31中所述進(jìn)行偏最 小二乘特征提取，得到偏最小二乘特征矩陣，具體包括： 步驟311 :對(duì)樣本數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，即令樣本的各個(gè)變量的均值為0,方差為1 ;令 樣本矩陣為X0，類別信息矩陣為Ytl ;其中，Xtl定義為η條光譜p個(gè)數(shù)據(jù)點(diǎn)的原始光譜矩陣， Ytl為對(duì)應(yīng)的類別屬性矩陣：
Y(i中，yu = 1表示第i條光譜屬于第j類，yu = O表示第i條光譜不屬于第j類； 步驟312:求矩陣Γ Jtl的協(xié)方差矩陣C = X' A)，協(xié)方差矩陣常數(shù)舍棄； 步驟313 :求得協(xié)方差矩陣C的特征值以及對(duì)應(yīng)的特征向量，并將特征向量按照特征值 的大小排列，取最大的η維特征值對(duì)應(yīng)的特征向量組成投影矩陣W1^ ; 步驟314 :得到新的特征向量為：x' i = XiW' PIjS。
11. 根據(jù)權(quán)利要求1所述的近紅外定性鑒別方法，其特征在于，步驟4中所述對(duì)建模樣 本數(shù)據(jù)進(jìn)行正交線性判別分析特征提取，具體包括： 步驟41 :對(duì)經(jīng)過偏最小二乘特征提取之后的建模集數(shù)據(jù)進(jìn)行正交線性鑒別分析特征 提取，得到正交線性鑒別分析特征矩陣； 步驟42 :利用得到的正交線性鑒別分析特征矩陣，將經(jīng)過偏最小二乘特征提取之后的 建模集數(shù)據(jù)變換到正交線性鑒別分析空間中； 步驟43 :利用變換到正交線性鑒別分析空間中的建模集數(shù)據(jù)進(jìn)行建模。
12. 根據(jù)權(quán)利要求11所述的近紅外定性鑒別方法，其特征在于，步驟4中所述的建模樣 本數(shù)據(jù)，是指經(jīng)過偏最小二乘特征提取之后的建模樣本數(shù)據(jù)；正交線性判別分析特征提取 方法，與傳統(tǒng)的線性判別分析相比，能夠解決后者在現(xiàn)實(shí)應(yīng)用中遇到的小樣本問題。
13. 根據(jù)權(quán)利要求11所述的近紅外定性鑒別方法，其特征在于，步驟41中所述進(jìn)行正 交線性鑒別分析特征提取，得到正交線性鑒別分析特征矩陣，具體包括： 步驟411 :假設(shè)有C類樣本，總樣本數(shù)為N，Ni為第i類樣本數(shù)，則定義類內(nèi)散布矩陣Sw、 類間散布矩陣Sb如下：
其中
/為第i類模式的均值：
，為總樣本均值； 步驟412 :將正交線性鑒別分析的優(yōu)化問題轉(zhuǎn)換為求解下式的優(yōu)化問題：
其中，Wi (i = 1，2,...，）對(duì)應(yīng)為下式特征值降序排列前η個(gè)值對(duì)應(yīng)的特征向量，且要 滿足WtW = I : SBw = λ Sww ; 步驟413 :得到Wrai^pt后，取最大的η維特征值對(duì)應(yīng)的特征向量組成投影矩陣Wcma，即 可進(jìn)行數(shù)據(jù)轉(zhuǎn)換t =YW' _Α。
14. 根據(jù)權(quán)利要求11所述的近紅外定性鑒別方法，其特征在于，步驟41中所述正交線 性鑒別分析特征矩陣，與線性鑒別分析相比，正交線性鑒別分析在求解變換矩陣的過程中， 特征向量之間是兩兩正交的，即滿SW tW = I。
15. 根據(jù)權(quán)利要求1所述的近紅外定性鑒別方法，其特征在于，步驟5中所述用仿生模 式識(shí)別方法建立定性分析模型，具體包括： 步驟51 :計(jì)算超香腸神經(jīng)元：首先對(duì)建模集中的每一類樣本進(jìn)行模糊聚類，在每一個(gè) 聚類簇上建立超香腸神經(jīng)元，最終建立的超香腸神經(jīng)元數(shù)目為類別數(shù)目CX每類的聚類數(shù) Κ，超香腸神經(jīng)元輸出采用簡(jiǎn)單的點(diǎn)到超香腸距離的倒數(shù)，分母上加1的目的是為確保分母 不為零：
其中X表示輸入樣本向量，τ表示超香腸神經(jīng)元的核； 步驟52 :計(jì)算感知器神經(jīng)元：感知器數(shù)目等于類別數(shù)目C，對(duì)于建模樣本集X，行表示樣 本，列表不變量，對(duì)每一類定義一個(gè)感知器的期望輸出列向量qi，其值由〇或1組成，1表不 訓(xùn)練樣本屬于第i類，〇表示訓(xùn)練樣本不屬于第i類；對(duì)于未知樣本X，其第i個(gè)感知器輸出 標(biāo)量為： qi = Xwi,其中 Wi = (X' ΧΠ ' qi 步驟53 :超香腸神經(jīng)元和感知器聯(lián)合輸出為： 0J = Pj*Qi 其中，為第j個(gè)超香腸神經(jīng)元的輸出，第j個(gè)超香腸神經(jīng)元屬于類別i，Qi為該類別 的感知器輸出； 步驟54 :采用最小二乘法直接求解得出線性神經(jīng)元的權(quán)值，用O表示超香腸神經(jīng)元和 感知器聯(lián)合輸出矩陣，其中表示第i個(gè)樣本在第j個(gè)超香腸神經(jīng)元和感知器的聯(lián)合輸 出，定義y為訓(xùn)練集期望輸出列向量，則對(duì)應(yīng)的線性神經(jīng)元權(quán)值為： ψ = (O' 0)_10/ y 步驟55 :對(duì)得到的估計(jì)值$選取合適的閾值，便能夠進(jìn)行分類。
16. 根據(jù)權(quán)利要求15所述的近紅外定性鑒別方法，其特征在于，步驟6中所述的用所建 立的定性分析模型進(jìn)行定性鑒別，包括： 首先獲取測(cè)試樣本的光譜數(shù)據(jù)，然后對(duì)測(cè)試樣本光譜數(shù)據(jù)進(jìn)行預(yù)處理、特征提取，最后 利用所建立的定性分析模型進(jìn)行快速鑒別，并給出鑒別結(jié)果。
17. 根據(jù)權(quán)利要求16所述的近紅外定性鑒別方法，其特征在于，對(duì)測(cè)試樣本光譜數(shù)據(jù) 進(jìn)行的預(yù)處理，其方法與建立的定性分析模型所用的預(yù)處理方法相同。
18. 根據(jù)權(quán)利要求16所述的近紅外定性鑒別方法，其特征在于，對(duì)測(cè)試樣本光譜數(shù)據(jù) 進(jìn)行的特征提取，包括偏最小二乘和正交線性判別分析。
【文檔編號(hào)】G01N21/359GK104374737SQ201410598348
【公開日】2015年2月25日 申請(qǐng)日期:2014年10月30日 優(yōu)先權(quán)日:2014年10月30日
【發(fā)明者】董肖莉, 李衛(wèi)軍, 覃鴻, 張麗萍 申請(qǐng)人:中國科學(xué)院半導(dǎo)體研究所