一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法技术

本发明专利技术公开了一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法,本发明专利技术首先选择最佳二维小波基对二维相关光谱进行多尺度分解并各层分别重构；其次应用NPLS对重构的每一层相关光谱进行建模预测并得到交叉验证的均方根误差；接着通过计算出的权值进行子模型融合；最后通过预测均方根误差和相关系数对多尺度-二维相关光谱模型的结果和性能进行评价。本方法相较于常规模型，显著提升常规拉曼光谱分析模型的精度和可靠性，不仅提挖掘出了样品光谱中新的表征信息，而且避免了信息的丢失，使得拉曼光谱分析更加简单，可靠，有望在复杂体系光谱分析中得到广泛的应用。

【技术实现步骤摘要】

本专利技术涉及一种建模方法，具体涉及一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法。
技术介绍
橄榄油产自地中海沿海诸国，至今已经有几千年的历史，被西方誉为“植物油皇后”，它不仅能促进血液循环、改善内分泌系统、不仅具有丰富的营养，还有一定的美容功效，因此赢得了越来越多消费者的青睐。橄榄油的价值远超其他种类的植物油，不法商贩为了追求高额利润，在橄榄油中勾兑大量廉价的植物油一起进行压榨提取，如葵花籽油、大豆油、榛子油。这些劣质掺杂油一旦流入市场可能会对人体健康产生严重的威胁，所以需要一种能够快速简便准确检测橄榄油掺杂的方法。尽管每一种橄榄油组成都是极其复杂的体系，但是每一种原油都具有相对固定的组成体系，这一体系就像人的指纹一样具有各自的特征性，充分利用这些“指纹”的差异性有望实现橄榄油的掺杂识别。然而由于橄榄油的拉曼谱峰复杂且重叠严重，尤其是所掺杂的各类油脂拉曼谱峰特性相近，导致传统的拉曼光谱对橄榄油掺杂识别分辨率较差。因此，我们引入二维相关光谱技术，着力提高拉曼光谱的表观分辨率。二维相关光谱分析通过对待测样品施加外部微扰，记录微扰作用状态下样品相应的动态光谱，然后对一系列的动态光谱进行相关分析，再把结果以二维等高线或三维图形的形式表示出来，具备了许多常规一维光谱不具备的特点。该技术可以有效提高光谱的分辨率，并在揭示分子内、分子间的相互作用及判断分子中各官能团反应的先后顺序的研究中发挥了重要的作用，对于橄榄油掺杂识别具有重大意义。多尺度建模通过多尺度分解和数据融合，巧妙利用了信号的时频多尺度特性，准确提取光谱的特征信息，并有效实现了数据预处理与多元校正的一体化运算以提取橄榄油的二维相关光谱中的信息，运用NPLS对所获得的信息进行建模，以协同利用信号的时频多尺度特性以准确提取光谱特征信息，且避免信息丢失。
技术实现思路
为解决上述问题，本专利技术提供了一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法，结合多尺度建模方法对橄榄油的二维相关拉曼光谱信号进行处理，用于筛查橄榄油中掺杂油脂种类，能够自适应的提取二维相关光谱中的最佳信息用于掺杂物的定性定量模型建立，进而显著提升模型的精确度和预测效果。为实现上述目的，本专利技术采取的技术方案为：一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法,包括如下步骤：S1、采集不同橄榄油样品的原始光谱；S2、生成步骤S1采集原始光谱的二维相关光谱；S3、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；S4、对步骤S3所得的二维小波系数进行图像重构；S5、对每一层重构的光谱图像分别进行多维偏最小二乘建模，得子模型，并得相应组别掺杂浓度预测值，以及每一层重构图像建模的掺杂浓度均方根误差；S6、使用权值将步骤S5所得的子模型进行模型融合，并计算RMSEP值和相关系数来评价模型预测效果。所述步骤S1中所采集的原始光谱是对同一样品在不同温度条件下采集同一仪器的光谱，其中的变化的温度条件对于不同的样品需要保证相同。所述步骤S2中的二维相关光谱由以下公式生成：Φ(v1,v2)=1m-1y(v1)Ty(v2)]]>Ψ(v1,v2)=1m-1y(v1)TNy(v2)]]>式中：y(v)为输入光谱矩阵，Φ(v1,v2)为生成的同步相关光谱图像矩阵，Ψ(v1,v2)为生成的异步相关光谱图像矩阵。所述步骤S4中重构是指对同一样品的二维相关光谱的分解后的每一层小波系数分别进行重构。所述步骤S5中的均方根误差为RMSECV，公式如下：RMSECV=sum(CNIR-CREF)2sumCREF2]]>式中：CNIR是样品的某一实际属性，一般为浓度；CREF为预测出的样品属性。所述步骤S6中的RMSEP为预测均方根误差，由以下公式得到：RMSEP=sum(CNIR-CREF)2n]]>式中：n是样品数，CNIR是样品的某一实际属性，一般为浓度；CREF为预测出的样品属性。所述步骤S6中的相关系数为R，由以下公式得到：R=ΣCNIRCREF-ΣCNIRΣCPEFn(ΣCNIR2-(ΣCNIR)2n)(ΣCNIR2-(ΣCREF)2n)]]>式中：n是样品数，CNIR是样品的某一实际属性，一般为浓度；CREF为预测出的样品属性。所述步骤S6中的模型融合是指对每一层二维小波变换系数重构图像进行NPLS建模，得到预测结果和预测均方根误差。所述步骤S6中的权值由以下公式得到：Wi=(1RMSECVi)2Σim(1RMSECVi)2]]>其中，RMSECVi是第i个子模型交叉验证后的预测均方根误差。所述步骤S6通过以下公式将子模型融合在一起：C=ΣimWi·CiREF]]>式中：CiREF是子模型的预测结果，m是分解的尺度，C为模型融合后的预测结果，即最终的模型预测最终结果。其中，步骤S3中所述的选择最佳小波基，是对小波基数学特性进行分析，得到具有对称性、紧支性、正交性及高阶消失矩的小波基函数，有Daubechies、Symlets、Coiflets等；步骤S5中所述的多维偏最小二乘算法(Multi-waypartialleastsquare,N-PLS)，是基于偏最小二乘基础上的多维数据模型算法，可以得到与各维直接相关的载荷向量，有利于对模型的各维做出独立解释。本专利技术具有以下有益效果：本专利技术首先选择最佳二维小波基对二维相关光谱进行多尺度分解并各层分别重构；其次应用NPLS对重构的每一层相关光谱进行建模预测并得到交叉验证的均方根误差；接着通过计算出的权值进行子模型融合；最后通过预测均方根误差和相关系数对多尺度-二维相关光谱模型的结果和性能进行评价。本方法相较于常规模型，显著提升常规拉曼光谱分析模型的精度和可靠性，不仅提挖掘出了样品光谱中新的表征信息，而且避免了信息的丢失，使得拉曼光谱分析更加简单，可靠，有望在复杂体系光谱分析中得到广泛的应用。具体实施方式为了使本专利技术的目的及优点更加清楚明白，以下结合实施例对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本专利技术。本专利技术实施例提供了一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法,其特征在于，包括如下步骤：S1本文档来自技高网...

【技术保护点】
一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法,其特征在于，包括如下步骤：S1、采集不同橄榄油样品的原始光谱；S2、生成步骤S1采集原始光谱的二维相关光谱；S3、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱进行二维小波多尺度分解，得二维小波系数；S4、对步骤S3所得的二维小波系数进行图像重构；S5、对每一层重构的光谱图像分别进行多维偏最小二乘建模，得子模型，并得相应组别掺杂浓度预测值，以及每一层重构图像建模的掺杂浓度均方根误差；S6、使用权值将步骤S5所得的子模型进行模型融合，并计算RMSEP值和相关系数来评价模型预测效果。

【技术特征摘要】
1.一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法,其特征在
于，包括如下步骤：
S1、采集不同橄榄油样品的原始光谱；
S2、生成步骤S1采集原始光谱的二维相关光谱；
S3、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维
相关光谱进行二维小波多尺度分解，得二维小波系数；
S4、对步骤S3所得的二维小波系数进行图像重构；
S5、对每一层重构的光谱图像分别进行多维偏最小二乘建模，得子模型，
并得相应组别掺杂浓度预测值，以及每一层重构图像建模的掺杂浓度均方根
误差；
S6、使用权值将步骤S5所得的子模型进行模型融合，并计算RMSEP值和
相关系数来评价模型预测效果。
2.根据权利要求1所述的一种适于橄榄油掺杂识别的二维相关光谱多尺
度建模方法,其特征在于，所述步骤S1中所采集的原始光谱是对同一样品在
不同温度条件下采集同一仪器的光谱，其中的变化的温度条件对于不同的样
品需要保证相同。
3.根据权利要求1所述的一种适于橄榄油掺杂识别的二维相关光谱多尺
度建模方法,其特征在于，所述步骤S2中的二维相关光谱由以下公式生成：
Φ(v1,v2)=1m-1y(v1)Ty(v2)]]>Ψ(v1,v2)=1m-1y(v1)TNy(v2)]]>式中：y(v)为输入光谱矩阵，Φ(v1,v2)为生成的同步相关光谱图像矩阵，
Ψ(v1,v2)为生成的异步相关光谱图像矩阵。
4.根据权利要求1所述的一种适于橄榄油掺杂识别的二维相关光谱多尺
度建模方法,其特征在于，所述步骤S4中重构是指对同一样品的二维相关光
谱的分解后的每一层小波系数分别进行重构。
5.根据权利要求1所述的一种适于橄榄油掺杂识别的二维相关光谱多尺
度建模方法,其特征在于，所述步骤S5中的均方根误差为RMSECV，公式如下：
RMSECV=sum(CNIR-CREF)2sumCREF...

【专利技术属性】
技术研发人员：陈达，许云涛，
申请(专利权)人：河北伊诺光学科技有限公司，
类型：发明
国别省市：河北;13