一種光譜判別分析的波長優(yōu)選方法
【專利摘要】本發(fā)明公開了一種光譜判別分析的波長優(yōu)選方法，所述方法包括：收集需要判別的兩類樣品，分別稱為陰性樣品和陽性樣品，測試陰性樣品和陽性樣品的光譜；將陰性樣品和陽性樣品分別隨機劃分為定標(biāo)集和預(yù)測集，分別計算定標(biāo)集的陰性樣品和陽性樣品的平均光譜，作為預(yù)測集的樣品類型判斷的標(biāo)準(zhǔn)；確定波長篩選的范圍，在波長篩選的范圍內(nèi)的每個子波段上，分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率；根據(jù)最大預(yù)測集的樣品判別準(zhǔn)確率，篩選最優(yōu)波長模型。本發(fā)明應(yīng)用范圍廣、模型簡單、計算量少、預(yù)測效果好。
【專利說明】
一種光譜判別分析的波長優(yōu)選方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及一種波長選擇方法，尤其是一種光譜判別分析的波長優(yōu)選方法，屬于 光譜儀器的分光系統(tǒng)設(shè)計中的波長篩選領(lǐng)域。
【背景技術(shù)】
[0002] 隨著化學(xué)計量學(xué)和計算機技術(shù)的發(fā)展，現(xiàn)代光譜分析技術(shù)(紫外-可見、近紅外、中 紅外等）以其簡便快速、非破壞性和易于實時分析等特點已在農(nóng)業(yè)、食品、環(huán)境、生物醫(yī)學(xué)很 多領(lǐng)域得到廣泛應(yīng)用。全波段通用型近紅外光譜儀器的技術(shù)已經(jīng)比較成熟、但儀器體積大、 價格昂貴，主要適用于實驗室檢測，不便于近紅外光譜技術(shù)的規(guī)?；瘧?yīng)用。研發(fā)低成本小型 專用儀器具有應(yīng)用前景，高信噪比分光波長篩選方法是關(guān)鍵技術(shù)之一?，F(xiàn)有的用于光譜判 別分析的方法，在波長的選擇、小型專用光譜儀器的分光系統(tǒng)設(shè)計等方面還存在困難，缺乏 有效的分光波長篩選方法。

【發(fā)明內(nèi)容】

[0003] 本發(fā)明的目的是為了解決上述現(xiàn)有技術(shù)的缺陷，提供了一種光譜判別分析的波長 優(yōu)選方法，該方法具有應(yīng)用范圍廣、模型簡單、計算量少、預(yù)測效果好等優(yōu)點，為小型專用分 析儀器中分光系統(tǒng)的設(shè)計提出有效的解決方案。
[0004] 本發(fā)明的目的可以通過采取如下技術(shù)方案達(dá)到：
[0005] -種光譜判別分析的波長優(yōu)選方法，所述方法包括以下步驟：
[0006] S1、收集需要判別的兩類樣品，分別稱為陰性樣品和陽性樣品，測試陰性樣品和陽 性樣品的光譜；
[0007] S2、將陰性樣品和陽性樣品分別隨機劃分為定標(biāo)集和預(yù)測集，分別計算定標(biāo)集的 陰性樣品和陽性樣品的平均光譜，作為預(yù)測集的樣品類型判斷的標(biāo)準(zhǔn)；
[0008] S3、確定波長篩選的范圍，在波長篩選的范圍內(nèi)的每個子波段上，分別計算預(yù)測集 的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大 小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率；
[0009] S4、根據(jù)最大的預(yù)測集的樣品判別準(zhǔn)確率，篩選最優(yōu)波長模型。
[0010]進一步的，步驟S3,具體為：
[0011] 確定波長篩選的范圍，采用起點波長I和波長個數(shù)N作為波長模型篩選的參數(shù)，起 點波長I和波長個數(shù)N構(gòu)成一組參數(shù)，每組參數(shù)對應(yīng)波長篩選范圍內(nèi)的一個子波段，在波長 篩選的范圍內(nèi)劃分多個子波段，將一個子波段稱為一個窗口，在每個窗口分別計算預(yù)測集 的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大 小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率。
[0012] 進一步的，所述在每個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣 品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小，判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測 集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率，具體為：
[0013] 在其中一個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光 譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真 實類型，計算預(yù)測集的樣品判別準(zhǔn)確率;改變窗口的大小和位置，采用移動窗口的方式，在 下一個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系 數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算 預(yù)測集的樣品判別準(zhǔn)確率，依次類推，直到所有窗口的預(yù)測集的樣品判別準(zhǔn)確率計算完成。
[0014] 進一步的，步驟S3中，所述分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品 的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集 的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率，具體過程如下：
[0015] 1)設(shè)某個子波段的波長依次為山，λ2, ...，λΝ，定標(biāo)集的陰性樣品、陽性樣品的平 均光譜分別記為:(4-，棗，...，4)，（<，岑，..·，4)
[0016] 2)對于任意給定的第k個預(yù)測集的樣品的平均光譜(A^An . . .，AN,k)與陰性、陽 性樣品的平均光譜的相關(guān)系數(shù)，分別記為和&%由下式計算：
[0019] 其中，AAve,k 是Al,k，A2,k，· · ·，AN,k的平均值，4tve是4，4，…，4v 的平均值，是 d·..，4的平均值；
[0020] 3)比較第k個預(yù)測集的樣品的兩個相關(guān)系數(shù)的大小，若尤>巧，則判別第k個預(yù)測 集的樣品為陰性樣品；％<6，則判別第k個預(yù)測集的樣品為陽性樣品；
[0021] 4)參照預(yù)測集的樣品的真實類型，計算對應(yīng)于波段的判別準(zhǔn)確率。
[0022] 進一步的，所述波長篩選的范圍為全掃描光譜區(qū)。
[0023]進一步的，所述波長篩選的范圍為根據(jù)實際對象的特征指定某個具體的大范圍。
[0024] 本發(fā)明相對于現(xiàn)有技術(shù)具有如下的有益效果：
[0025] 1、本發(fā)明方法通過確定波長篩選的范圍，在波長篩選的范圍內(nèi)的每個子波段上， 分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩 個相關(guān)系數(shù)的大小，判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣 品判別準(zhǔn)確率，根據(jù)最大的預(yù)測集的樣品判別準(zhǔn)確率，篩選最優(yōu)波長模型，該篩選出的波長 模的預(yù)測準(zhǔn)確率非常高。
[0026] 2、本發(fā)明方法針對光譜（紫外-可見、近紅外、中紅外等）的判別分析技術(shù)，將在波 長篩選的范圍內(nèi)劃分多個子波段和計算光譜相關(guān)系數(shù)結(jié)合，其與現(xiàn)有的主成分分析-線性 判別分析法(PCA-LDA)相比，具有模型簡單、計算量少、預(yù)測精度高等優(yōu)點，為研發(fā)小型專用 光譜儀器提出有效的解決方案，在光譜分析的諸多應(yīng)用領(lǐng)域具有產(chǎn)業(yè)化前景。
【附圖說明】
[0027] 圖1為本發(fā)明實施例1的基于光譜判別分析的波長選擇方法流程圖。
[0028] 圖2為本發(fā)明實施例2的145個人外周血樣品的近紅外光譜圖。
[0029]圖3為本發(fā)明實施例3的300個甘蔗葉樣品的可見-近紅外光譜圖。
【具體實施方式】
[0030] 下面結(jié)合附圖對本發(fā)明的一種光譜判別分析的波長優(yōu)選方法的【具體實施方式】作 詳細(xì)描述。
[0031] 實施例1:
[0032] 如圖1所示，本實施例提供了一種光譜判別分析的波長優(yōu)選方法，該方法包括以下 步驟：
[0033] S1、收集需要判別的兩類樣品，分別稱為陰性樣品和陽性樣品，測試陰性樣品和陽 性樣品的光譜；
[0034] S2、將陰性樣品和陽性樣品分別隨機劃分為定標(biāo)集和預(yù)測集，分別計算定標(biāo)集的 陰性樣品和陽性樣品的平均光譜，作為預(yù)測集的樣品類型判斷的標(biāo)準(zhǔn)；
[0035] S3、確定波長篩選的范圍，在波長篩選的范圍內(nèi)的每個子波段上，分別計算預(yù)測集 的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，這兩個相關(guān)系數(shù)稱為雙線 性相關(guān)系數(shù)(Bis-Correlation and Coefficients，簡稱為BiCC);根據(jù)這兩個相關(guān)系數(shù)的 大小，判斷預(yù)測集的樣品類型（陰性或陽性），對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣 品判別準(zhǔn)確率Recognition rate(記為P_REC);其中，所述波長篩選的范圍可以為全掃描光 譜區(qū)，也可以為根據(jù)實際對象的特征指定某個具體的大范圍。
[0036] S4、根據(jù)最大的預(yù)測集的樣品判別準(zhǔn)確率(P_REC值），篩選最優(yōu)波長模型。
[0037] 上述步驟S3,具體為：
[0038] 確定波長篩選的范圍，采用起點波長I和波長個數(shù)N作為波長模型篩選的參數(shù)，起 點波長I和波長個數(shù)N構(gòu)成一組參數(shù)，每組參數(shù)對應(yīng)波長篩選范圍內(nèi)的一個子波段，在波長 篩選的范圍內(nèi)劃分多個子波段，將一個子波段稱為一個窗口，在每個窗口分別計算預(yù)測集 的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大 小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_ REC值）；
[0039]其中，所述在每個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的 平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的 樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_REC值），具體為：
[0040]在其中一個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光 譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真 實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_REC值）；改變窗口的大小和位置，采用移動窗口 (Moving-window)的方式，在下一個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性 樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù) 測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_REC值），依次類推，直到所有窗口 的預(yù)測集的樣品判別準(zhǔn)確率(P_REC值)計算完成。
[0041] 所述分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系 數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算 預(yù)測集的樣品判別準(zhǔn)確率，具體過程如下：
[0042] 1)設(shè)某個子波段的波長依次為...，λΝ，定標(biāo)集的陰性樣品、陽性樣品的平 均光譜分別記為:(棗，<，.· ·，4)，UT，4，. · .，4)
[0043] 2)對于任意給定的第k個預(yù)測集的樣品的平均光譜(A^An . . .，AN,k)與陰性、陽 性樣品的平均光譜的相關(guān)系數(shù)，分別記為心和<,由下式計算：
[0046] 其中，AAve,k 是 Al,k , A2,k , · · · , AN,k 的平均值，是4 > 為，….> 的平均值，是 4+，4:，..·，4的平均值；
[0047] 3)比較第k個預(yù)測集的樣品的兩個相關(guān)系數(shù)的大小，若巧，則判別第k個預(yù)測 集的樣品為陰性樣品；，則判別第k個預(yù)測集的樣品為陽性樣品；
[0048] 4)參照預(yù)測集的樣品的真實類型，計算對應(yīng)于波段(心，\2, ...，λΝ)的判別準(zhǔn)確率 (P_REC值)。
[0049] 實施例2:
[0050] 本實施例以人外周血樣品的近紅外(Near Infrared，NIR)光譜判別分析為例，說 明上述實施例1的基于光譜判別分析的波長選擇方法具體步驟。
[0051] S1、收集到90個正常對照樣品和55個β-地中海貧血樣品，其中正常對照樣品為陰 性樣品，β-地中海貧血樣品為陽性樣品，測試陰性樣品和陽性樣品的近紅外光譜，如圖2所 示；
[0052] S2、將陰性樣品和陽性樣品分別隨機劃分為定標(biāo)集和預(yù)測集，分別計算定標(biāo)集的 陰性樣品和陽性樣品的平均光譜，作為預(yù)測集的樣品類型判斷的標(biāo)準(zhǔn)；
[0053] S3、將全掃描光譜區(qū)（780~2498nm)作為波長篩選的范圍，它包含全近紅外區(qū)，采 用起點波長I和波長個數(shù)N作為波長模型篩選的參數(shù)，起點波長I和波長個數(shù)N構(gòu)成一組參 數(shù)，每組參數(shù)對應(yīng)波長篩選范圍內(nèi)的一個子波段，在波長篩選的范圍內(nèi)劃分多個子波段，將 一個子波段稱為一個窗口，在其中一個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、 陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對 應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_REC值）；改變窗口的大小和位 置，采用移動窗口（Moving-window)的方式，在下一個窗口分別計算預(yù)測集的樣品與定標(biāo)集 的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的 樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_REC值），依次類 推，直到所有窗□的預(yù)測集的樣品判別準(zhǔn)確率(P_REC值)計算完成；
[0054] S4、根據(jù)最大的預(yù)測集的樣品判別準(zhǔn)確率(P_REC值），篩選最優(yōu)波長模型。
[0055] 整個實施例的方法可以稱為雙線性相關(guān)系數(shù)法（BiCC)，將雙線性相關(guān)系數(shù)法 (BICC)與目前常用的主成分分析-線性判別分析法(PCA-LDA)進行比較;首先，在全掃描光 譜區(qū)（780~2498nm)進行比較，兩種方法分別記為Fu 11 -B i CC、Fu 11-PCA-LDA，比較結(jié)果如下 表1所示。
[0056]
[0057] 表1基于全譜的BiCC和PCA-LDA方法的建模參數(shù)與預(yù)測準(zhǔn)確率
[0058] 其次，篩選出最優(yōu)波長模型后的雙線性相關(guān)系數(shù)法(BiCC)記為Mff-BiCC，其對應(yīng)的 移動窗口-主成分分析-線性判別分析法記為MW-PCA-LDA，比較結(jié)果如下表2所示。
[0059]
[0060] 表2 MW-BiCC和MW-PCA-LD法的建模參數(shù)與預(yù)測準(zhǔn)確率
[0061 ] 從上表1和表2可以看出，MW-BiCC法篩選出的波長模型的預(yù)測準(zhǔn)確率優(yōu)于Full-BiCC法的波長模型，所采用的波長個數(shù)僅為全譜的不足3%，因此模型復(fù)雜性大幅度降低； 另一方面，BiCC法與PCA-LDA法具有同樣的預(yù)測準(zhǔn)確率，但是BiCC法只需要計算相關(guān)系數(shù)， 而PCA-LDA法需要進行主成分相關(guān)的大量的運算，可見本發(fā)明具有模型簡單、計算量少、預(yù) 測精度高等優(yōu)點。
[0062] 實施例3:
[0063] 本實施例以甘鹿葉樣品的可見-近紅外（Visual and Near Infrared，Vis_NIR)光 譜判別分析為例，說明上述實施例1的基于光譜判別分析的波長選擇方法具體步驟，如下： [0064] S1、收集到100個非轉(zhuǎn)基因甘蔗葉樣品和200個包含抗蟲基因Bt、抗除草劑基因Bar 的轉(zhuǎn)基因甘蔗葉樣品，其中非轉(zhuǎn)基因甘蔗葉樣品為陰性樣品，轉(zhuǎn)基因甘蔗葉樣品為陽性樣 品，測試陰性樣品和陽性樣品的可見-近紅外光譜，如圖3所示；
[0065] S2、將陰性樣品和陽性樣品分別隨機劃分為定標(biāo)集和預(yù)測集，分別計算定標(biāo)集的 陰性樣品和陽性樣品的平均光譜，作為預(yù)測集的樣品類型判斷的標(biāo)準(zhǔn)；
[0066] S3、將全掃描光譜區(qū)（400~2498nm)作為波長篩選的范圍，它包含全近紅外區(qū)和部 分可見光區(qū)，采用起點波長I和波長個數(shù)N作為波長模型篩選的參數(shù)，起點波長I和波長個數(shù) N構(gòu)成一組參數(shù)，每組參數(shù)對應(yīng)波長篩選范圍內(nèi)的一個子波段，在波長篩選的范圍內(nèi)劃分多 個子波段，將一個子波段稱為一個窗口，在其中一個窗口分別計算預(yù)測集的樣品與定標(biāo)集 的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小判斷預(yù)測集的 樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_REC值）；改變窗 口的大小和位置，采用移動窗口（Moving-window)的方式，在下一個窗口分別計算預(yù)測集的 樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)這兩個相關(guān)系數(shù)的大小 判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率(P_ REC值），依次類推，直到所有窗口的預(yù)測集的樣品判別準(zhǔn)確率(P_REC值)計算完成；
[0067] S4、根據(jù)最大的預(yù)測集的樣品判別準(zhǔn)確率(P_REC值），篩選最優(yōu)波長模型。
[0068] 整個實施例的方法可以稱為雙線性相關(guān)系數(shù)法（BiCC)，將雙線性相關(guān)系數(shù)法 (BICC)與目前常用的主成分分析-線性判別分析法(PCA-LDA)進行比較;首先，在全掃描光 譜區(qū)（400~2498nm)進行比較，兩種方法分別記為Full-BiCC、Full-PCA-LDA，比較結(jié)果如下 表3所示。
[0069]
[0070] 表3基于全譜的BiCC和PCA-LDA方法的建模參數(shù)與預(yù)測準(zhǔn)確率
[0071 ]其次，篩選出最優(yōu)波長模型后的雙線性相關(guān)系數(shù)法(Bi CC)記為Mff-Bi CC，其對應(yīng)的 移動窗口-主成分分析-線性判別分析法記為MW-PCA-LDA，比較結(jié)果如下表4所示。
[0072]
[0073] 表4 MW-BiCC和MW-PCA-LD方法的建模參數(shù)與預(yù)測準(zhǔn)確率
[0074] 從上表3和表4可以看出，MW-BiCC法篩選出的波長模型的預(yù)測準(zhǔn)確率優(yōu)于Full-BiCC法的波長模型，所采用的波長個數(shù)僅為全譜的不足5%，因此模型復(fù)雜性大幅度降低； 另一方面，BiCC法的預(yù)測準(zhǔn)確率優(yōu)于PCA-LDA法，而且BiCC法只需要計算相關(guān)系數(shù)，可見本 發(fā)明具有模型簡單、計算量少、預(yù)測精度高等優(yōu)點。
[0075] 綜上所述，本發(fā)明方法針對光譜的判別分析技術(shù)，將光譜相關(guān)系數(shù)和波長篩選結(jié) 合，從實驗結(jié)果來看，與現(xiàn)有的主成分分析-線性判別分析法相比，具有模型簡單、計算量 少、預(yù)測精度高等優(yōu)點，為研發(fā)小型專用光譜儀器提出有效的解決方案，在光譜分析的諸多 應(yīng)用領(lǐng)域具有產(chǎn)業(yè)化前景。
[0076] 以上所述，僅為本發(fā)明專利優(yōu)選的實施例，但本發(fā)明專利的保護范圍并不局限于 此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明專利所公開的范圍內(nèi)，根據(jù)本發(fā)明專利的技 術(shù)方案及其發(fā)明構(gòu)思加以等同替換或改變，都屬于本發(fā)明專利的保護范圍。
【主權(quán)項】
1. 一種光譜判別分析的波長優(yōu)選方法，其特征在于:所述方法包括W下步驟： 51、 收集需要判別的兩類樣品，分別稱為陰性樣品和陽性樣品，測試陰性樣品和陽性樣 品的光譜； 52、 將陰性樣品和陽性樣品分別隨機劃分為定標(biāo)集和預(yù)測集，分別計算定標(biāo)集的陰性 樣品和陽性樣品的平均光譜，作為預(yù)測集的樣品類型判斷的標(biāo)準(zhǔn)； 53、 確定波長篩選的范圍，在波長篩選的范圍內(nèi)的每個子波段上，分別計算預(yù)測集的樣 品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)運兩個相關(guān)系數(shù)的大小，判 斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率； 54、 根據(jù)最大的預(yù)測集的樣品判別準(zhǔn)確率，篩選最優(yōu)波長模型。2. 根據(jù)權(quán)利要求1所述的一種光譜判別分析的波長優(yōu)選方法，其特征在于：步驟S3，具 體為： 確定波長篩選的范圍，采用起點波長I和波長個數(shù)N作為波長模型篩選的參數(shù)，起點波 長I和波長個數(shù)N構(gòu)成一組參數(shù)，每組參數(shù)對應(yīng)波長篩選范圍內(nèi)的一個子波段，在波長篩選 的范圍內(nèi)劃分多個子波段，將一個子波段稱為一個窗口，在每個窗口分別計算預(yù)測集的樣 品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù)運兩個相關(guān)系數(shù)的大小判 斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集的樣品判別準(zhǔn)確率。3. 根據(jù)權(quán)利要求2所述的一種光譜判別分析的波長優(yōu)選方法，其特征在于:所述在每個 窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根據(jù) 運兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測集 的樣品判別準(zhǔn)確率，具體為： 在其中一個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的 相關(guān)系數(shù)，根據(jù)運兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類 型，計算預(yù)測集的樣品判別準(zhǔn)確率;改變窗口的大小和位置，采用移動窗口的方式，在下一 個窗口分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系數(shù)，根 據(jù)運兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算預(yù)測 集的樣品判別準(zhǔn)確率，依次類推，直到所有窗口的預(yù)測集的樣品判別準(zhǔn)確率計算完成。4. 根據(jù)權(quán)利要求1-3任一項所述的一種光譜判別分析的波長優(yōu)選方法，其特征在于:步 驟S3中，所述分別計算預(yù)測集的樣品與定標(biāo)集的陰性樣品、陽性樣品的平均光譜的相關(guān)系 數(shù)，根據(jù)運兩個相關(guān)系數(shù)的大小判斷預(yù)測集的樣品類型，對應(yīng)預(yù)測集的樣品真實類型，計算 預(yù)測集的樣品判別準(zhǔn)確率，具體過程如下： 1) 設(shè)某個子波段的波長依次為:λ?，λ2, ...，λΝ，定標(biāo)集的陰性樣品、陽性樣品的平均光 譜分別記為:(年，年，...，疋），（半，每，...，端） 2) 對于任意給定的第k個預(yù)測集的樣品的平均光譜(Ai,k，A2,k，. . .，AN,k)與陰性、陽性樣 品的平均光譜的相關(guān)系數(shù)，分別記為&和，由下式計算：(1)(2) 其中，AAve,k是Al,k，A2,k，. . .，AN,k的平均值，渾;e是年-，屯，...，屯的平均值，斬是 聲，每，...，每的平均值； 3) 比較第k個預(yù)測集的樣品的兩個相關(guān)系數(shù)的大小，若馬 >巧，則判別第k個預(yù)測集的 樣品為陰性樣品；化<巧，則判別第k個預(yù)測集的樣品為陽性樣品； 4) 參照預(yù)測集的樣品的真實類型，計算對應(yīng)于波段的判別準(zhǔn)確率。5. 根據(jù)權(quán)利要求1-3任一項所述的一種光譜判別分析的波長優(yōu)選方法，其特征在于:所 述波長篩選的范圍為全掃描光譜區(qū)。6. 根據(jù)權(quán)利要求1-3任一項所述的一種光譜判別分析的波長優(yōu)選方法，其特征在于:所 述波長篩選的范圍為根據(jù)實際對象的特征指定某個具體的大范圍。
【文檔編號】G01N21/01GK106092893SQ201610680211
【公開日】2016年11月9日
【申請日】2016年8月17日 公開號201610680211.3, CN 106092893 A, CN 106092893A, CN 201610680211, CN-A-106092893, CN106092893 A, CN106092893A, CN201610680211, CN201610680211.3
【發(fā)明人】潘濤, 陳潔梅, 馬凱升
【申請人】暨南大學(xué)