基于小波變換的近紅外光譜有用信息分辨方法
【專(zhuān)利摘要】本發(fā)明提供了一種基于小波變換的近紅外光譜有用信息分辨方法，首先獲取樣本的近紅外光譜檢測(cè)信號(hào)；進(jìn)行小波變換，得到每一個(gè)點(diǎn)波長(zhǎng)信號(hào)的最大小波變換結(jié)果，將最大小波變換結(jié)果對(duì)應(yīng)的尺度因子作為該點(diǎn)波長(zhǎng)信號(hào)的最優(yōu)尺度因子；用所有點(diǎn)波長(zhǎng)信號(hào)的最優(yōu)小波變換結(jié)果取代最初的檢測(cè)信號(hào)，并將取代后的信號(hào)作為新的樣本檢測(cè)信號(hào)；利用UVE－PLS方法對(duì)新的信號(hào)進(jìn)行選擇，構(gòu)建預(yù)測(cè)模型；利用最小均方根誤差 (root mean square error,RMSE)來(lái)檢測(cè)模型的預(yù)測(cè)能力。該分辨方法通過(guò)連續(xù)小波變換最大限度地提取原波長(zhǎng)檢測(cè)信號(hào)中的有用信息，再通過(guò)這些信息建立預(yù)測(cè)模型，有效提高預(yù)測(cè)模型質(zhì)量。
【專(zhuān)利說(shuō)明】基于小波變換的近紅外光譜有用信息分辨方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于化學(xué)計(jì)量學(xué)【技術(shù)領(lǐng)域】，涉及一種基于小波變換的近紅外光譜有用信息 分辨方法。

【背景技術(shù)】
[000引 由于快速、無(wú)損及無(wú)需預(yù)處理等特點(diǎn)，近紅外光譜（near in化ared spectroscopy, NIR)分析技術(shù)已被廣泛應(yīng)用于分析許多領(lǐng)域的復(fù)雜樣品，例如農(nóng)業(yè)、食品 和醫(yī)藥等眾多領(lǐng)域的樣品分析?；瘜W(xué)計(jì)量學(xué)（chemometrics)的多變量校正方法，如偏最 小二乘方法（partial least squares, PLS)，是近紅外光譜定量分析中必不可少的分析手 段。PLS分析方法可表示如下： XxB=Y (1) 其中，乂是樣品的近紅外光譜檢測(cè)信息矩陣，堤每個(gè)樣本對(duì)應(yīng)的實(shí)測(cè)值，公是PLS的系 數(shù)向量。
[0003] 在近紅外光譜定量分析中，多變量校正PLS模型的穩(wěn)鍵性和預(yù)測(cè)結(jié)果的精確性往 往并不令人滿(mǎn)意，該是由于近紅外光譜的譜帶弱、寬且重疊嚴(yán)重。利用所有檢測(cè)到的近紅外 光譜信號(hào)作為PLS模型的建模信息，必定會(huì)帶入過(guò)多無(wú)用的檢測(cè)信息，嚴(yán)重降低預(yù)測(cè)模型 的穩(wěn)鍵性和精確性。
[0004] 化學(xué)計(jì)量學(xué)領(lǐng)域的信號(hào)預(yù)處理方法能有效提高模型的穩(wěn)鍵性和精確性，如連續(xù)小 波變換方法（continuous wavelet transform, CWT)。檢測(cè)信號(hào)的連續(xù)小波變換方法定義 如下

【權(quán)利要求】
1. 一種基于小波變換的近紅外光譜有用信息分辨方法，通過(guò)連續(xù)小波變換最大限度地 提取原波長(zhǎng)檢測(cè)信號(hào)中的有用信息，再通過(guò)這些信息建立預(yù)測(cè)模型，有效提高預(yù)測(cè)模型質(zhì) 量，其特征在于，該分辨方法具體按以下步驟進(jìn)行： 步驟1:獲取樣本的近紅外光譜檢測(cè)信號(hào)； 步驟2 :對(duì)樣本的近紅外光譜檢測(cè)信號(hào)進(jìn)行小波變換，得到每一個(gè)點(diǎn)波長(zhǎng)信號(hào)的最大 小波變換結(jié)果，將最大小波變換結(jié)果對(duì)應(yīng)的尺度因子作為該點(diǎn)波長(zhǎng)信號(hào)的最優(yōu)尺度因子； 步驟3 :用所有點(diǎn)波長(zhǎng)信號(hào)在各自最優(yōu)尺度因子時(shí)的小波變換結(jié)果替換最初的檢測(cè)信 號(hào)，并將取代后的信號(hào)作為新的樣本檢測(cè)信號(hào)，形成一個(gè)新的檢測(cè)信號(hào)矩陣；然后，給新的 檢測(cè)信號(hào)矩陣合并一個(gè)與該矩陣大小相同但幅度為1〇_ 15的隨機(jī)變量矩陣； 步驟4 :通過(guò)UVE-PLS方法在原變量矩陣中擴(kuò)增一個(gè)與原矩陣大小相同的幅度KT15的 隨機(jī)變量矩陣，形成一個(gè)新的矩陣，并通過(guò)留一法交叉驗(yàn)證產(chǎn)生新矩陣的回歸系數(shù)矩陣，該 隨機(jī)變量矩陣的最大絕對(duì)穩(wěn)定值即為切斷閾值，將穩(wěn)定性小于該切斷閾值的變量從模型 中刪除，從而選擇出有用信息，將選擇出的有用信息作為PLS模型的輸入信息構(gòu)建預(yù)測(cè)模 型；。 步驟5 :利用最小均方根誤差（rootmeansquareerror,RMSE)來(lái)檢測(cè)模型的預(yù)測(cè) 能力；RMSE值通過(guò)下式計(jì)算得到：
(4)式中，&和Ic分別是每個(gè)樣本對(duì)應(yīng)的實(shí)測(cè)值和預(yù)測(cè)值，《是樣本數(shù)目。
【文檔編號(hào)】G01N21/359GK104502305SQ201410744881
【公開(kāi)日】2015年4月8日 申請(qǐng)日期:2014年12月9日 優(yōu)先權(quán)日:2014年12月9日
【發(fā)明者】陳晶, 張苗, 盧小泉 申請(qǐng)人:西北師范大學(xué), 陳晶