專利名稱：：一種鑒別作物種子品種的方法
技術(shù)領(lǐng)域：
：本發(fā)明屬于農(nóng)業(yè)光譜分析領(lǐng)域，具體涉及一種用近紅外光譜和仿生模式識(shí)別快速鑒別作物種子品種的方法。
背景技術(shù)：
：20世紀(jì)30年代以來，農(nóng)作物的雜交優(yōu)勢(shì)逐漸得到人們的重視，雜交品種也得到普遍推廣。與此同時(shí)，假種子造成的坑農(nóng)害農(nóng)事件時(shí)有發(fā)生，給國家和農(nóng)業(yè)生產(chǎn)造成了很大的損失。因此，作物種子品種鑒別問題是目前農(nóng)業(yè)生產(chǎn)、作物育種和種子檢驗(yàn)的重要問題之一。國內(nèi)外種子品種鑒別的常用方法主要有形態(tài)學(xué)方法、熒光掃描鑒定法、化學(xué)鑒定法和電泳鑒定法。形態(tài)學(xué)方法通過觀察作物生長過程中種子、幼苗和植株形態(tài)特征特性的差異，將不同品種區(qū)分開來。這是品種鑒別最常用的簡(jiǎn)單易行的方法。但該方法鑒別所需時(shí)間長，而且精度不高。由于作物生長初期，其形態(tài)特征并不明顯，直接依此判斷種子品種，易產(chǎn)生較大誤差。熒光掃描鑒定法是利用光照射物體后有激發(fā)光的現(xiàn)象，將不可見的短光波轉(zhuǎn)變?yōu)榭梢姷拈L光波。根據(jù)不同品種種子發(fā)出的熒光顏色可進(jìn)行品種鑒別。該方法靈敏度較高，但為了產(chǎn)生最大強(qiáng)度的熒光發(fā)射光譜，在鑒別前需要選擇特定的激發(fā)光波長。另外，在分析過程中需要確定熒光發(fā)射光譜最大處的波長，因而耗時(shí)較多。化學(xué)鑒定法主要根據(jù)不同品種中化學(xué)物質(zhì)和成分的差異，以及對(duì)不同化學(xué)試劑反應(yīng)顯色的差異來鑒別品種。該方法精度較高，但因要求被鑒定的種子必須具有某些化學(xué)特異反應(yīng)，因此其應(yīng)用范圍受到了很大的限制。另外，該方法鑒定時(shí)間較長，在鑒定過程中需要消耗大量的化學(xué)藥劑，因此成本較高。電泳鑒定法的原理是不同作物品種的遺傳組成不同，其種子蛋白的種類、數(shù)量、大小及結(jié)構(gòu)等也不同。因此可以通過電泳形成不同的蛋白質(zhì)譜帶，從而鑒別品種。電泳鑒定法的準(zhǔn)確性較高，重復(fù)性好，但對(duì)于某些遺傳組成非常接近的品種不易找到特異蛋白，采用蛋白質(zhì)電泳也難以發(fā)現(xiàn)用于區(qū)分的特征帶。另外，電泳所需的時(shí)間較長，而且鑒別過程煩瑣，非專業(yè)人員難以勝任，不適宜對(duì)樣品進(jìn)行批量快速分析和無損在線監(jiān)測(cè)。
發(fā)明內(nèi)容本發(fā)明的目的是提供一種用近紅外光譜和仿生模式識(shí)別快速鑒別作物種子品種的方法。通過組合使用多種化學(xué)計(jì)量學(xué)方法，快速、無損且有效的對(duì)作物種子品種進(jìn)行定性分析。為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案—種用近紅外光譜和仿生模式識(shí)別快速鑒別作物種子品種的方法，該方法包括以下步驟s101對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域進(jìn)行預(yù)處理；3s102對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域選擇檢測(cè)波長區(qū)域；s103對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域進(jìn)行特征提取；sl04對(duì)作物種子品種的近紅外光譜波長區(qū)域建立仿生模式識(shí)別模型；sl05通過所述的仿生模式識(shí)別模型對(duì)作物種子品種樣本進(jìn)行識(shí)別。其中，步驟s104中建立所述的仿生模式識(shí)別模型的步驟如下采用一個(gè)多權(quán)值神經(jīng)元作為基本覆蓋單元，用多個(gè)多權(quán)值神經(jīng)元組合起來構(gòu)造各類高維空間樣本點(diǎn)覆蓋區(qū)。其中，構(gòu)造所述的各類高維空間樣本點(diǎn)覆蓋區(qū)的步驟如下①對(duì)于所述的作物種子品種的近紅外光譜波長區(qū)域中的所有的構(gòu)網(wǎng)樣本點(diǎn)，在高維特征空間中通過計(jì)算所有的構(gòu)網(wǎng)樣本點(diǎn)兩兩之間的歐式距離，找出距離最近的兩個(gè)點(diǎn)Bn、B^，構(gòu)成第一個(gè)直線段^S，用一個(gè)多權(quán)值神經(jīng)元來覆蓋這個(gè)直線段^X，多權(quán)值神經(jīng)元的覆蓋范圍為P。②對(duì)于Pp判斷高維特征空間中剩余各點(diǎn)是否被P工覆蓋，若有構(gòu)網(wǎng)樣本點(diǎn)在P工覆蓋范圍之內(nèi)，則排除該構(gòu)網(wǎng)樣本點(diǎn)；對(duì)于在Pi覆蓋范圍外的其它的構(gòu)網(wǎng)樣本點(diǎn)，按照步驟①的方法，找出離B12距離最近的一點(diǎn)B13，與B12構(gòu)成第二個(gè)直線段^，同樣，用一個(gè)多權(quán)值神經(jīng)元來覆蓋這個(gè)線段，其覆蓋范圍為P2;③重復(fù)上述步驟，直到處理完所有的構(gòu)網(wǎng)樣本點(diǎn)，最終產(chǎn)生的多權(quán)值神經(jīng)元個(gè)數(shù)記為m，所述的作物種子品種的近紅外光譜波長區(qū)域?yàn)楫a(chǎn)生的m個(gè)神經(jīng)元覆蓋區(qū)域的并集。其中，對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域進(jìn)行特征提取選用主成分分析、偏最小二乘法、核主成分分析、線性鑒別分析、小波變換、K近鄰法和/或互信息熵的方法來提取光譜特征。其中，步驟s101中對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域選擇檢測(cè)波長區(qū)域，選用的是基于搜索的方法包括前進(jìn)選擇、順序后退、逐步選擇、模擬退火算法、遺傳算法、漸進(jìn)因子分析和/或窗口因子分析。利用本發(fā)明進(jìn)行快速鑒別作物種子品種，相比現(xiàn)有技術(shù)具有以下有益效果1)近紅外光譜區(qū)介于可見光譜區(qū)與中紅外光譜區(qū)之間，波長范圍為780nm-2500nm。通過近紅外光譜，可以得到樣品中所有有機(jī)分子含氫基團(tuán)的特征信息。近紅外光譜對(duì)物質(zhì)的穿透能力較強(qiáng)，不需要對(duì)樣品做任何預(yù)處理。近紅外光譜還具有不會(huì)對(duì)人體造成傷害、不會(huì)對(duì)環(huán)境造成任何污染以及快速、高效的特點(diǎn)。2)仿生模式識(shí)別能夠更好地實(shí)現(xiàn)計(jì)算機(jī)對(duì)作物種子品種自動(dòng)分類的優(yōu)點(diǎn)。兩者結(jié)合能夠?qū)ψ魑锓N子品種進(jìn)行快速、無損且高效地定性分析，因此用于作物品種鑒別具有重要的理論和現(xiàn)實(shí)意義。圖1為本發(fā)明用近紅外光譜和仿生模式識(shí)別快速鑒別作物種子品種的方法流程圖；圖2為本發(fā)明中玉米品種CE03005的原始近紅外光譜；圖3為本發(fā)明經(jīng)矢量歸一化預(yù)處理后玉米品種CE03005的近紅外光譜；圖4為本發(fā)明中玉米品種P138的原始近紅外光譜；圖5為本發(fā)明經(jīng)矢量歸一化預(yù)處理后玉米品種P138的近紅外光譜；圖6為本發(fā)明中使用固定尺寸移動(dòng)窗口漸進(jìn)因子法得出的玉米品種CE03005類內(nèi)的相關(guān)系數(shù)曲線；圖7為本發(fā)明使用固定尺寸移動(dòng)窗口漸進(jìn)因子法得出的玉米品種P138類內(nèi)的相關(guān)系數(shù)曲線；圖8為本發(fā)明使用固定尺寸移動(dòng)窗口漸進(jìn)因子法得出的玉米品種CE03005和P138類間的相關(guān)系數(shù)曲線；圖9為本發(fā)明所有樣本在兩維主成分空間中的分布。具體實(shí)施例方式本發(fā)明提出的用近紅外光譜和仿生模式識(shí)別快速鑒別作物種子品種的方法，結(jié)合附圖和實(shí)施例說明如下。近紅外光譜對(duì)物質(zhì)的穿透能力較強(qiáng)，不需要對(duì)樣品做任何預(yù)處理。近紅外光譜還具有不會(huì)對(duì)人體造成傷害、不會(huì)對(duì)環(huán)境造成任何污染以及快速、高效的特點(diǎn)。所以將其用于作物品種鑒別具有重要的理論和現(xiàn)實(shí)意義。本實(shí)施例用近紅外光譜和仿生模式識(shí)別快速鑒別作物種子品種方法的流程圖如圖l所示，包括步驟s201，近紅外光譜預(yù)處理；近紅外光譜區(qū)介于可見光譜區(qū)與中紅外光譜區(qū)之間，波長范圍為780nm-2500nm。通過近紅外光譜，可以得到樣品中所有有機(jī)分子含氫基團(tuán)的特征信息。但是近紅外光譜數(shù)據(jù)中含有較多噪聲且譜帶嚴(yán)重重疊，儀器分析得到的原始近紅外光譜數(shù)據(jù)無法直接用于樣品的定性計(jì)算，因此對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。這里選用平滑、歸一化、散射效應(yīng)校正、回歸、微分、求導(dǎo)、小波變換中的任意一種或多種預(yù)處理方法。其中，預(yù)處理方法及其組合方式的選擇根據(jù)不同作物的光譜信息及光譜數(shù)據(jù)質(zhì)量而定。步驟s202，選擇檢測(cè)特征光譜區(qū)域；在近紅外光譜定性分析模型建立過程中，全譜計(jì)算的計(jì)算量很大。實(shí)際上，在某些光譜區(qū)域，樣品光譜中有用信息很少。如果直接利用全光譜數(shù)據(jù)進(jìn)行計(jì)算，會(huì)把對(duì)樣品性質(zhì)無關(guān)的信息也計(jì)算在內(nèi)，甚至?xí)敫蓴_信息，影響預(yù)測(cè)模型的精度。因此，需要選擇檢測(cè)光譜區(qū)域進(jìn)行建模。這里選用基于搜索的方法，即將光譜區(qū)域選擇看成一個(gè)組合優(yōu)化問題，通過一些搜索方法，如前進(jìn)選擇、順序后退、逐步選擇、模擬退火算法、遺傳算法、漸進(jìn)因子分析和/或窗口因子分析來選擇檢測(cè)波長區(qū)域。步驟s203，光譜特征提?。唤?jīng)過特征光譜區(qū)域選擇后原始信息已經(jīng)減少，但是光譜數(shù)據(jù)的維數(shù)仍然很高。如果在樣本量不多的情況下，直接根據(jù)高維數(shù)據(jù)建立分類模型，無論從模型性能還是計(jì)算復(fù)雜度來看都不是最好的。這里選用如主成分分析、偏最小二乘法、核主成分分析、線性鑒別分析、小波變換、K近鄰法和/或互信息熵的方法來提取光譜特征，以達(dá)到降低計(jì)算復(fù)雜度、提高模型性能的目的。步驟s204，建立仿生模式識(shí)別模型；仿生模式識(shí)別理論通過分析某類樣本點(diǎn)在高維空間中的分布情況，利用高維空間復(fù)雜幾何形體對(duì)其進(jìn)行覆蓋。從高維空間幾何分析的角度來看，一個(gè)神經(jīng)元可以構(gòu)造出一個(gè)復(fù)雜的封閉幾何形體，多個(gè)神經(jīng)元組合起來的人工神經(jīng)網(wǎng)絡(luò)可以實(shí)現(xiàn)高維空間復(fù)雜幾何形體的近似覆蓋。這里采用一個(gè)多權(quán)值神經(jīng)元作為基本覆蓋單元，用多個(gè)多權(quán)值神經(jīng)元組合起來實(shí)現(xiàn)作物不同品種樣本的神經(jīng)網(wǎng)絡(luò)覆蓋區(qū)。所述的構(gòu)造各類高維空間樣本點(diǎn)覆蓋區(qū)的具體步驟如下①對(duì)于某品種所有的構(gòu)網(wǎng)樣本點(diǎn)，在高維特征空間中計(jì)算所有點(diǎn)兩兩之間的歐式距離，找出距離最近的兩個(gè)點(diǎn)Bn、B12。這樣在高維特征空間中就由點(diǎn)Bn、B12構(gòu)成第一個(gè)直線段^X。用一個(gè)多權(quán)值神經(jīng)元來覆蓋這個(gè)線段，其覆蓋范圍為P^②對(duì)于已構(gòu)造好的幾何形體Pp判斷剩余各點(diǎn)是否被Pi覆蓋。若在&覆蓋范圍內(nèi)，則排除該點(diǎn)；對(duì)于在Pi覆蓋范圍外的各點(diǎn)，按照步驟①的方法，找出離B12距離最近的一點(diǎn)813，這樣B^與Bu就構(gòu)成第二個(gè)直線段^X。同樣，用一個(gè)多權(quán)值神經(jīng)元來覆蓋這個(gè)線段，其覆蓋范圍為&。③重復(fù)上述步驟，直到處理完所有的構(gòu)網(wǎng)樣本點(diǎn)，最終共產(chǎn)生m個(gè)神經(jīng)元。每一品種樣本的覆蓋區(qū)域就是這些神經(jīng)元覆蓋區(qū)域的并集。步驟s205，樣本識(shí)別。用構(gòu)造好的各個(gè)網(wǎng)絡(luò)識(shí)別待測(cè)樣本集中的所有樣本。待識(shí)別樣本落入哪個(gè)網(wǎng)絡(luò)覆蓋區(qū)，識(shí)別結(jié)果即為哪個(gè)網(wǎng)絡(luò)所代表的類另U。如若待識(shí)別樣本沒有落入任何網(wǎng)絡(luò)覆蓋區(qū)，則該樣本不屬于任何網(wǎng)絡(luò)所代表的類別。本實(shí)施例以對(duì)玉米為例具體介紹，具體包括以下步驟所有玉米籽粒樣品均來自北京種植的玉米品種，具體情況如表1所示。樣品成熟后收獲，風(fēng)干脫水保存。樣品的近紅外光譜由德國BR區(qū)ER公司的VECT0R22/N傅立葉變換近紅外光譜儀獲得。該光譜儀采樣間隔3.9cm—、分辨率8cm—、測(cè)定譜區(qū)范圍為4000-12000cm—、掃描次數(shù)64次。所有樣品掃描前40度烘干72小時(shí)。樣品盛放在統(tǒng)一尺寸的玻璃杯中。放置時(shí)，最底層玉米籽粒一半胚乳向上，一半胚乳向下。對(duì)每一樣品重復(fù)掃描20次。表l7個(gè)品種的玉米籽粒樣品6<table>tableseeoriginaldocumentpage7</column></row><table>(1)近紅外光譜預(yù)處理由于近紅外光譜數(shù)據(jù)中含有較多噪聲且譜帶嚴(yán)重重疊，儀器分析得到的原始近紅外光譜數(shù)據(jù)無法直接用于樣品的定性計(jì)算，因此，有必要對(duì)原始光譜數(shù)據(jù)進(jìn)行預(yù)處理。由于玉米籽粒具有不同厚度，為了利于光譜解析并且降低同一樣品若干次測(cè)量之間的差別，這里選用基于矢量歸一化的光譜預(yù)處理方法。矢量歸一化方法的基本思想是針對(duì)每條光譜，首先計(jì)算出平均吸光度a^值，再從光譜中減去這個(gè)值，然后計(jì)算出吸光度aC(k)值的平方和，用其平方根除光譜。公式如下<formula>formulaseeoriginaldocumentpage7</formula>其中，a(k)為波數(shù)k處的吸光度值，n為量測(cè)波數(shù)的個(gè)數(shù)，Sa^)為所有量測(cè)波數(shù)處吸光度值之和，aii(k)為矢量歸一化處理后波數(shù)k處的吸光度值。圖2、圖3分別是玉米品種CE03005的原始近紅外光譜圖和經(jīng)過矢量歸一化預(yù)處理后的近紅外光譜圖；圖4、圖5分別是玉米品種P138的原始近紅外光譜圖和經(jīng)過矢量歸一化預(yù)處理后的近紅外光譜圖。經(jīng)過比較圖2、圖3和圖4、圖5，可以清楚地看出，經(jīng)過歸一化預(yù)處理后的近紅外光譜圖大大降低了譜帶重疊。(2)選擇檢測(cè)特征光譜區(qū)域?qū)υ冀t外光譜進(jìn)行矢量歸一化預(yù)處理，能在一定程度上減少同品種玉米籽粒樣本之間的差異，但從全譜范圍來看，依然無法將不同品種的樣本區(qū)分開。實(shí)際上，不同品種樣本之間只存在細(xì)微差別，從如此相似的光譜數(shù)據(jù)中提取信息，需要選擇合適的特征光譜區(qū)域。在該區(qū)域內(nèi)，同類樣本的光譜盡可能相似，而不同類樣本之間的光譜區(qū)別較大，這樣更有利于建立多品種的鑒別模型。這里采用固定尺寸移動(dòng)窗口漸進(jìn)因子法，通過在不同光譜區(qū)域內(nèi)，計(jì)算樣本各自類內(nèi)的相關(guān)系數(shù)以及兩類樣本之間的相關(guān)系數(shù)，以尋找不同品種樣本的特征光譜區(qū)域。下面以兩類樣本為例，說明其計(jì)算過程。設(shè)第一類樣本光譜數(shù)據(jù)矩陣為A，其維數(shù)為2075'20(2075為量測(cè)波數(shù)的個(gè)數(shù)，20為樣本數(shù))。第二類樣本光譜數(shù)據(jù)矩陣為B，其維數(shù)為2075'20(2075為量測(cè)波數(shù)的個(gè)數(shù)，20為樣本數(shù))。計(jì)算時(shí)，以固定窗口寬度(IOO個(gè)波數(shù)為單位)，以固定步長(l個(gè)波數(shù)為步長)，首先分別從A、B矩陣中取出前100行作為子矩陣，計(jì)算各自子矩陣中各列向量間的相關(guān)系數(shù)，取平均值，再計(jì)算兩子矩陣列向量間的相關(guān)系數(shù)，取平均值，這樣就得到了3個(gè)相關(guān)系數(shù)值。然后將該窗口從數(shù)據(jù)矩陣的起點(diǎn)向終點(diǎn)移動(dòng)l個(gè)步長，再進(jìn)行相關(guān)系數(shù)的計(jì)算，得到3個(gè)相關(guān)系數(shù)值。依次滑動(dòng)窗口，直到計(jì)算完整個(gè)矩陣。如果在某個(gè)光譜區(qū)域，兩類樣本各自類內(nèi)的相關(guān)系數(shù)較高，而類間的相關(guān)系數(shù)較低，那么該區(qū)域即為兩類樣本的特征光譜區(qū)域。圖6是使用固定尺寸移動(dòng)窗口漸進(jìn)因子法得出的玉米品種CE03005類內(nèi)的相關(guān)系數(shù)曲線，圖7是使用固定尺寸移動(dòng)窗口漸進(jìn)因子法得出的玉米品種P138類內(nèi)的相關(guān)系數(shù)曲線，圖8是使用固定尺寸移動(dòng)窗口漸進(jìn)因子法得出的玉米品種CE03005和P138類間的相關(guān)系數(shù)曲線?？梢钥闯?，終止波數(shù)在5843-5893cm—、起始波數(shù)為5457-5503cm—0和10866-10961cm—、起始波數(shù)為10480-10575cm—0這兩個(gè)光譜區(qū)域，兩類樣本各自類內(nèi)的相關(guān)系數(shù)不低于0.8，而兩類樣本之間的相關(guān)系數(shù)最高只能達(dá)到0.78。采用相同的參數(shù)，對(duì)其它品種的玉米樣本進(jìn)行兩兩分析時(shí)發(fā)現(xiàn)，在上述兩個(gè)波段范圍內(nèi)，不同品種玉米樣本各自類內(nèi)的相關(guān)系數(shù)都比較高，而類間的相關(guān)系數(shù)較低。因此，選擇5457-5893cm—乂112個(gè)波數(shù))和10480-10961cm—乂123個(gè)波數(shù))這兩個(gè)波段作為特征光譜區(qū)域。[ooes](3)光譜特征提取主成分分析是最常用的一種特征提取方法，根據(jù)方差最大原則對(duì)原始數(shù)據(jù)集的多個(gè)自變量進(jìn)行線性組合，從而用數(shù)量較少的新的綜合變量替代原始高維變量集，達(dá)到降維目的。對(duì)于7個(gè)品種的玉米籽粒樣本，主成分分析的具體步驟如下①標(biāo)準(zhǔn)化矩陣。設(shè)經(jīng)過特征光譜區(qū)域選擇后，所有玉米籽粒樣本的光譜數(shù)據(jù)矩陣為C，其維數(shù)為235'140(235為特征光譜區(qū)域波數(shù)的個(gè)數(shù)，140為所有樣本數(shù))。對(duì)于矩陣C的每個(gè)行向量，首先計(jì)算其均值，然后用原始值減去均值，得到標(biāo)準(zhǔn)化矩陣CC。②規(guī)范化矩陣。計(jì)算標(biāo)準(zhǔn)化矩陣CC的協(xié)方差矩陣，得到規(guī)范化矩陣V。③計(jì)算規(guī)范化矩陣V的特征值和特征向量，并將求得的特征向量與標(biāo)準(zhǔn)化矩陣CC相乘，得到主成分矩陣。對(duì)于235維的玉米籽粒樣本，最終可求得235個(gè)主成分。特征值很小的主成分，其方差也很小，這樣的主成分所包含的信息量也很少。因此，對(duì)于求得的235個(gè)主成分，只要保留特征值較大的前P(P<235)個(gè)主成分即可替代原有的235個(gè)主成分，達(dá)到降維目的。通常用累積貢獻(xiàn)率來評(píng)價(jià)主成分所包含的信息量。前P個(gè)主成分的累積貢獻(xiàn)率為這P個(gè)主成分的方差貢獻(xiàn)率之和，而某個(gè)主成分的方差貢獻(xiàn)率為該主成分所對(duì)應(yīng)的特征值與所有主成分特征值之和的比值。由于玉米光譜數(shù)據(jù)經(jīng)主成分提取后得到的前5個(gè)主成分的累積貢獻(xiàn)率已經(jīng)達(dá)到99.96%，因此，提取前5個(gè)主成分作為特征矢量。圖9是對(duì)7個(gè)玉米品種進(jìn)行主成分分析得到的二維空間中樣本的分布圖。其中，l表示品種1127在二維空間中樣本的分布；2表示品種CE03005在二維空間中樣本的分布；3表示品種MiniCT在二維空間中樣本的分布；4表示品種P25在二維空間中樣本的分布；5表示品種P138在二維空間中樣本的分布；6表示品種815在二維空間中樣本的分布；7表示品種HeiNuo在二維空間中樣本的分布。(4)仿生模式識(shí)別對(duì)于每個(gè)品種的玉米籽粒樣本，從中隨機(jī)挑選10個(gè)作為訓(xùn)練集，其余10個(gè)作為第一測(cè)試集，其它品種的樣本(6類共120個(gè)樣本)作為第二測(cè)試集。在建立仿生模式識(shí)別模型時(shí)，采用一個(gè)兩權(quán)值神經(jīng)元(HSN)作為基本覆蓋單元，用多個(gè)兩權(quán)值神經(jīng)元組合起來實(shí)現(xiàn)玉米不同品種樣本的神經(jīng)網(wǎng)絡(luò)覆蓋區(qū)。下面以某一品種訓(xùn)練集中的玉米籽粒樣本為例，說明其仿生模式識(shí)別模型的構(gòu)建過程。設(shè)該品種訓(xùn)練集中玉米籽粒樣本的光譜數(shù)據(jù)矩陣為D，其維數(shù)為5'10(5為經(jīng)過主成分分析后得到的樣本特征數(shù)，10為樣本數(shù))，則每個(gè)樣本都可以看作是5維空間中的一個(gè)點(diǎn)。①對(duì)于訓(xùn)練集中的10個(gè)樣本點(diǎn)，在5維特征空間中計(jì)算所有點(diǎn)兩兩之間的歐式距離，找出距離最近的兩個(gè)點(diǎn)Bn、B12。這樣在特征空間中就由點(diǎn)Bn、B12構(gòu)成第一個(gè)直線段^X。用一個(gè)HSN來覆蓋這個(gè)線段，其覆蓋范圍為P"②對(duì)于已構(gòu)造好的幾何形體P"判斷剩余各點(diǎn)是否被Pi覆蓋。若在Pi覆蓋范圍內(nèi)，則排除該點(diǎn)；對(duì)于在Pi覆蓋范圍外的各點(diǎn)，按照步驟①的方法，找出離B12距離最近的一點(diǎn)B13，這樣B12與B13就構(gòu)成第二個(gè)直線段^X。同樣，用一個(gè)HSN來覆蓋這個(gè)線段，其覆蓋范圍為P"③重復(fù)上述步驟，直到處理完所有的10個(gè)樣本點(diǎn)，最終共產(chǎn)生n(n￡9)個(gè)神經(jīng)元。該品種樣本的HSN網(wǎng)絡(luò)覆蓋區(qū)域就是這些神經(jīng)元覆蓋區(qū)域的并集。模型構(gòu)建完成后，采用測(cè)試集進(jìn)行樣本識(shí)別。其中，第一測(cè)試集用于檢測(cè)該品種的HSN網(wǎng)絡(luò)對(duì)于同品種樣本的正確識(shí)別率，第二測(cè)試集用于檢測(cè)該品種的HSN網(wǎng)絡(luò)對(duì)于其它品種樣本的正確拒識(shí)率。若第一測(cè)試集中的樣本落入已構(gòu)造好的HSN網(wǎng)絡(luò)覆蓋區(qū)域，則樣本被正確識(shí)別；若第二測(cè)試集中的樣本沒有落入已構(gòu)造好的HSN網(wǎng)絡(luò)覆蓋區(qū)域，則樣本被正確拒識(shí)。表2是應(yīng)用仿生模式識(shí)別方法對(duì)7個(gè)不同品種的玉米籽粒樣本進(jìn)行了計(jì)算機(jī)自動(dòng)分類的實(shí)驗(yàn)結(jié)果。表2.基于仿生模式識(shí)別的7個(gè)玉米品種的分類結(jié)果第一測(cè)試集正確識(shí)別率/%第二測(cè)試集正確拒識(shí)率/%識(shí)別CE03005的HSN網(wǎng)絡(luò)100100識(shí)別1127的HSN網(wǎng)絡(luò)100100識(shí)別P25的HSN網(wǎng)絡(luò)8099.2識(shí)別P138的HSN網(wǎng)絡(luò)10099.2識(shí)別815的HSN網(wǎng)絡(luò)8099.2識(shí)別HeiNuo的HSN網(wǎng)絡(luò)1001009<table>tableseeoriginaldocumentpage10</column></row><table>其中，用來識(shí)別CE03005、1127、P25、P138、815、HeiNuo和MiniCT的HSN網(wǎng)絡(luò)對(duì)于本品種樣本的正確識(shí)別率分別為100%、100%、80%、100%、80%、100%和100%，平均正確識(shí)別率為94.3%，對(duì)于其它品種樣本的正確拒識(shí)率分別為100%、100%、99.2%、99.2%、99.2%、100%和96.7%，平均正確拒識(shí)率為99.1%。以上實(shí)施方式僅用于說明本發(fā)明，而并非對(duì)本發(fā)明的限制，有關(guān)
技術(shù)領(lǐng)域：
的普通技術(shù)人員，在不脫離本發(fā)明的精神和范圍的情況下，還可以做出各種變化和變型，因此所有等同的技術(shù)方案也屬于本發(fā)明的范疇，本發(fā)明的專利保護(hù)范圍應(yīng)由權(quán)利要求限定。權(quán)利要求一種鑒別作物種子品種的方法，其特征在于，該方法包括以下步驟s101對(duì)作物種子品種的近紅外光譜波長區(qū)域進(jìn)行預(yù)處理；s102對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域選擇檢測(cè)波長區(qū)域；s103對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域進(jìn)行特征提?。籹104對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域建立仿生模式識(shí)別模型；s105通過所述的仿生模式識(shí)別模型對(duì)作物種子品種樣本進(jìn)行識(shí)別。2.如權(quán)利要求1所述的鑒別作物種子品種的方法，其特征在于，步驟sl04中建立所述的仿生模式識(shí)別模型的步驟如下采用一個(gè)多權(quán)值神經(jīng)元作為基本覆蓋單元，用多個(gè)多權(quán)值神經(jīng)元組合起來構(gòu)造各類高維空間樣本點(diǎn)覆蓋區(qū)。3.如權(quán)利要求2所述的鑒別作物種子品種的方法，其特征在于，構(gòu)造所述的各類高維空間樣本點(diǎn)覆蓋區(qū)的步驟如下①對(duì)于所述的作物種子品種的近紅外光譜波長區(qū)域中的所有的構(gòu)網(wǎng)樣本點(diǎn)，在高維特征空間中通過計(jì)算所有的構(gòu)網(wǎng)樣本點(diǎn)兩兩之間的歐式距離，找出距離最近的兩個(gè)點(diǎn)Bn、B『構(gòu)成第一個(gè)直線段^X，用一個(gè)多權(quán)值神經(jīng)元來覆蓋這個(gè)直線段^X，多權(quán)值神經(jīng)元的覆蓋范圍為p。②對(duì)于Pp判斷高維特征空間中剩余各點(diǎn)是否被Pi覆蓋，若有構(gòu)網(wǎng)樣本點(diǎn)在Pi覆蓋范圍之內(nèi)，則排除該構(gòu)網(wǎng)樣本點(diǎn)；對(duì)于在Pi覆蓋范圍外的其它的構(gòu)網(wǎng)樣本點(diǎn)，按照步驟①的方法，找出離B12距離最近的一點(diǎn)B13，與B12構(gòu)成第二個(gè)直線段^X，同樣，用一個(gè)多權(quán)值神經(jīng)元來覆蓋這個(gè)線段，其覆蓋范圍為P2;③重復(fù)上述步驟，直到處理完所有的構(gòu)網(wǎng)樣本點(diǎn)，最終產(chǎn)生的多權(quán)值神經(jīng)元個(gè)數(shù)記為m，所述的作物種子品種的近紅外光譜波長區(qū)域?yàn)楫a(chǎn)生的m個(gè)神經(jīng)元覆蓋區(qū)域的并集。4.如權(quán)利要求1所述的鑒別作物種子品種的方法，其特征在于，對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域進(jìn)行特征提取選用主成分分析、偏最小二乘法、核主成分分析、線性鑒別分析、小波變換、K近鄰法和/或互信息熵的方法來提取光譜特征。5.如權(quán)利要求1所述的鑒別作物種子品種的方法，其特征在于，步驟slOl中對(duì)所述的作物種子品種的近紅外光譜波長區(qū)域選擇檢測(cè)波長區(qū)域，選用的是基于搜索的方法包括前進(jìn)選擇、順序后退、逐步選擇、模擬退火算法、遺傳算法、漸進(jìn)因子分析和/或窗口因子分析。全文摘要本發(fā)明的目的是提供一種用近紅外光譜和仿生模式識(shí)別快速鑒別作物種子品種的方法。該方法通過對(duì)作物種子品種的近紅外光譜波長區(qū)域建立仿生模式識(shí)別模型并通過所述的仿生模式識(shí)別模型對(duì)作物種子品種樣本進(jìn)行識(shí)別。通過近紅外光譜，可以得到樣品中所有有機(jī)分子含氫基團(tuán)的特征信息，并且對(duì)物質(zhì)的穿透能力較強(qiáng)，不需要對(duì)樣品做任何預(yù)處理，對(duì)人體無傷害，對(duì)環(huán)境無污染，仿生模式識(shí)別能夠更好地實(shí)現(xiàn)計(jì)算機(jī)對(duì)作物種子品種自動(dòng)分類的優(yōu)點(diǎn)。兩者結(jié)合能夠?qū)ψ魑锓N子品種進(jìn)行快速、無損且高效地定性分析，因此用于作物品種鑒別具有重要的理論和現(xiàn)實(shí)意義。文檔編號(hào)G01N21/00GK101738373SQ20081022716公開日2010年6月16日申請(qǐng)日期2008年11月24日優(yōu)先權(quán)日2008年11月24日發(fā)明者安冬,蘇謙,鄔文錦申請(qǐng)人:中國農(nóng)業(yè)大學(xué)