基于PSO‑RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法技术

本发明专利技术公开了一种基于PSO‑RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法，包括以下步骤：(1)收集样品，采集样品光谱，得到样品近红外漫反射光谱数据，对光谱数据进行二阶导数处理，并使用离散小波变换压缩原始近红外光谱数据；(2)将压缩后的光谱数据用稳健性独立分量分析对其进行分解,提取基本成分光谱矩阵和相应的近似浓度矩阵；(3)将近似浓度矩阵作为模型输入，对应的成熟度作为输出，用粒子群算法寻优，建立PSO‑RICAELM模型；(4)模型的质量评价，鉴别样品的成熟度。本发明专利技术能够快速鉴别翠冠梨成熟度，丰富了化学计量学方法，具有良好的应用前景。

Identification of Cuiguan pear maturity method of near infrared spectroscopy PSO analysis based on RICAELM

The invention discloses a method for identification of Cuiguan pear maturity method of near infrared spectroscopy PSO based on RICAELM, which comprises the following steps: (1) collect samples, samples obtained sample spectrum, near infrared diffuse reflectance spectroscopy data, the spectral data of two order derivative processing, and using discrete wavelet transform to compress the original nearly infrared spectral data; (2) the spectral data compression of robust independent component analysis for decomposition, extraction of basic components of the spectral matrix and corresponding approximate concentration matrix; (3) the approximate concentration matrix as the model input, the corresponding maturity as output, using particle swarm optimization algorithm, the establishment of PSO RICAELM model; (4) the quality evaluation model of the maturity of the samples. The invention can rapidly distinguish the ripeness of the crown pear and enrich the chemometrics method, and has a good application prospect.

【技术实现步骤摘要】
基于PSO-RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法
本专利技术涉及红外无损检测
，尤其涉及一种PSO-RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法。
技术介绍
现代近红外光谱分析法是一种快速无损的检测方法，其原理为对有机物中的含氢基团X-H的倍频合频产生吸收，通过化学计量方法测得有机物的理化指标，用有效的数学算法将理化指标与光谱建立函数关系，与传统的方法相比更加快速方便，节约时间，已经被广泛应用于多个方面的分析中。但是目前存在的基于近红外光谱分析的水果成熟度鉴别方法中，例如BP神经网络，在训练过程中会出现收敛速度慢，进入局部最小值而训练失败等情况；由于支持向量机(SVM)对大规模训练难以实施，所以，解决多分类有很大的困难，具有鲁棒性小等缺点。因此为解决建模所需样品基数大、训练时间久，不稳定等问题，急需一种普适性较强的模型，能有效的鉴别翠冠梨的成熟度。传统的分解降维方法如PCA、SVD等，只能分解出不相关的各分量，并不能保证这些分量互相独立，这就缺少实际意义，降低了所提取特征的典型性。极限学习机(ELM)是一种新型的神经网络，随机给予输入层权值和隐含层偏差，但是这样容易造成模型泛化能力差，精度不够高。
技术实现思路
本专利技术的目的在于针对现有技术的不足，提供一种基于PSO-RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法。ICA输出的是非高斯信号，提高了模型的准确率，本文所提出的稳健性独立分量分析算法是ICA的一种，减少了迭代次数并且有更快的收敛速度，可以提取出所有不为0的基本成分光谱矩阵。将经过稳健性独立分量分析算法处理的光谱作为输入到极限学习机网络中，得到RICAELM模型。本专利技术提出了粒子群算法优化RICAELM网络的输入层权值和隐含层偏差来提高模型的精度。本专利技术是通过以下技术方案实现的：一种基于PSO-RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法，包括以下步骤：(1)收集样品；在样品成熟期前一周开始采摘样品，每隔n(4<n<10)天采摘一次样品，至少采摘三次；用近红外光谱仪对样品进行多次扫描，多次扫描后取平均值，得到不同成熟度的样品近红外光谱；并对近红外光谱进行二阶导数和离散小波变换处理，得到压缩后的近红外光谱数据矩阵；(2)将步骤(1)得到的压缩后的近红外光谱数据矩阵运用稳健性独立分量分析分解，得到近似浓度矩阵；建立校正集模型，将实际已知成熟度及近似浓度矩阵作为初始模型输入，得到RICAELM模型；用粒子群算法寻优RICAELM模型，得到最佳翠冠梨成熟度鉴别模型；(3)将预测集样品的近似浓度矩阵输入最佳翠冠梨成熟度鉴别模型，得到预测集样品的成熟度。进一步的，所述步骤(1)具体实现如下：在样品成熟期前一周开始采摘样品，每隔n(4<n<10)天采摘一次样品，至少采摘三次；使用近红外光谱仪对不同成熟度的样品进行扫描，得到样品的近红外光谱，将不同成熟度的样品随机分为校正集样品和预测集样品，其中，校正集样品用于模型训练，预测集样品用于模型的质量评价；将样品的近红外光谱进行二阶导数和离散小波变换处理，离散小波变换选择小波母函数为dbn,n为消失矩，得到压缩后的近红外光谱数据矩阵。进一步的，所述步骤(2)具体实现如下：将处理后的数据作为输入进行稳健性独立分量分析运算，在光谱成分独立性的前提下，将光谱分解成不同的成分，输出是近似浓度矩阵。稳健性独立分量分析算法以峭度为对照函数，通过最优步长的寻找方法对峭度进行优化，得到所有峭度不为0的基本成分光谱矩阵和对应的近似浓度矩阵。将输出的非高斯型、包含绝大部分光谱特征的近似浓度矩阵输入到极限学习机网络中，得到RICAELM模型。进一步的，所述步骤(3)具体实现如下：将翠冠梨成熟度鉴别模型输入层与隐含层之间的连接权值和隐含层节点的偏置值作为粒子群搜索空间中的一个粒子，采用粒子群优化算法对粒子进行迭代寻优，设定粒子数m，产生种群，初始化PSO的粒子速度v、惯性权值w、学习因子c1和c2、最大迭代次数k，按照适应度函数计算粒子的适应度值，然后更新粒子的位置和速度，具体更新公式如下：vi(a+1)＝vi(a)+c1r1[pbesti-xi(a)]+c2r2[gbest-xi(a)]xi(a+1)＝xi(a)+vi(a+1)其中，i是粒子(i＝1、2…)，xi(a+1)、vi(a+1)是第i个粒子的第a+1次迭代时的位置和速度，c1和c2学习因子，r1和r2是在[0,1]区间内均匀分布的随机数，vi、xi是第i个粒子第a次迭代速度和位置，pbesti是第i个粒子的个体最优位置，gbest是全局最优位置。当寻优满足寻优达到最大迭代次数k或评价值小于指定的精度b(b>0)时，搜索就结束，得到最优的输入权值和隐含层偏置，并赋值给RICAELM网络，得到最佳翠冠梨成熟度鉴别模型。进一步的，所述步骤(3)中，极限学习机ELM隐含层激活函数选择Sigmoidal函数。本专利技术的有益效果是：利用二阶导数，消除光谱的基线漂移和背景光干扰，提高光谱分辨率。利用离散小波变换，能压缩数据，节约成本空间，提高建模的效率和精度。利用稳健性独立分量分析算法，选取最优独立分量数建立校正模型；采用PSO-RICAELM算法建立模型，是一种分类精度更高、更稳定、泛化能力更好的模型，所建模型更具实际意义。整个测量过程不消耗化学试剂，测试快速，节省人力物力，批量测试时结果准确，大大提高检测效率。本方法可以在采摘、贮藏、运输、销售等环节推广使用。附图说明图1为本专利技术成熟度方法流程图；图2为本专利技术四种不同成熟度的样品原始光谱图；具体实施方式由于近红外光谱可以视作多种主要成分光谱的组合，近些年，有学者将“盲源分离(BBS)”问题引入近红外光谱分析方法中，将主要成分的光谱从复杂的混合光谱中分离出来。稳健性独立分量分析算法是一种基于峭度和最优步长的算法，为信号盲源分离提供了一种高效率的方法，主要优点在于可以选取最佳步长以及任何不为零的独立分量，适用于光谱的分解，可以提取光谱的典型特征。同时，ELM属于前馈神经网络，学习训练速度快，设置参数少，可以较大程度的减少人为误差。将经过稳健性独立分量分析算法处理后的光谱作为输入到ELM网络中，得到精度更高、更稳定的RICAELM模型。经过采用PSO寻优，RICAELM输入层权值和隐含层偏差选择最优输入，得到分类精度更高、更稳定、泛化能力更好的模型。本专利技术采用了PSO-RICAELM结合的方法，使近红外光谱分析法可以有效的鉴别翠冠梨成熟度，丰富了化学计量方法并为近红外光谱分析领域中农作物成熟度鉴别提供了理论前提和技术支持。本专利技术提供了一种翠冠梨成熟度准确鉴别的近红外光谱分析法。下面结合附图1、附图2以及实施例对本专利技术进一步说明。实施例为本专利技术举例，并非对该专利技术限定。本专利技术的技术方案为，收集样品和采谱，对原始光谱预处理，首先用二阶导数对近红外光谱数据进行处理，其次用离散小波变换对近红外光谱数据进行有效压缩，得到数据量合适的矩阵，对该矩阵使用稳健性独立分量分析算法分解，提取基本成分光谱矩阵和相应的近似浓度矩阵，将近似浓度矩阵作为模型输入，通过粒子群寻优RICAELM建模。整个方案流程图如附图1所示。附图2是近红外光谱仪直本文档来自技高网...

【技术保护点】
一种基于PSO‑RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法，其特征在于，包括以下步骤：(1)收集样品；在样品成熟期前一周开始采摘样品，每隔n(4<n<10)天采摘一次样品，至少采摘三次；用近红外光谱仪对样品进行多次扫描，多次扫描后取平均值，得到不同成熟度的样品近红外光谱；并对近红外光谱进行二阶导数和离散小波变换处理，得到压缩后的近红外光谱数据矩阵；(2)将步骤(1)得到的压缩后的近红外光谱数据矩阵运用稳健性独立分量分析分解，得到近似浓度矩阵；建立校正集模型，将实际已知成熟度及近似浓度矩阵作为初始模型输入，得到RICAELM模型；用粒子群算法寻优RICAELM模型，得到最佳翠冠梨成熟度鉴别模型；(3)将预测集样品的近似浓度矩阵输入最佳翠冠梨成熟度鉴别模型，得到预测集样品的成熟度。

【技术特征摘要】
1.一种基于PSO-RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法，其特征在于，包括以下步骤：(1)收集样品；在样品成熟期前一周开始采摘样品，每隔n(4<n<10)天采摘一次样品，至少采摘三次；用近红外光谱仪对样品进行多次扫描，多次扫描后取平均值，得到不同成熟度的样品近红外光谱；并对近红外光谱进行二阶导数和离散小波变换处理，得到压缩后的近红外光谱数据矩阵；(2)将步骤(1)得到的压缩后的近红外光谱数据矩阵运用稳健性独立分量分析分解，得到近似浓度矩阵；建立校正集模型，将实际已知成熟度及近似浓度矩阵作为初始模型输入，得到RICAELM模型；用粒子群算法寻优RICAELM模型，得到最佳翠冠梨成熟度鉴别模型；(3)将预测集样品的近似浓度矩阵输入最佳翠冠梨成熟度鉴别模型，得到预测集样品的成熟度。2.根据权利要求1所述的基于PSO-RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法，其特征在于，所述步骤(1)具体实现如下：在样品成熟期前一周开始采摘样品，每隔n(4<n<10)天采摘一次样品，至少采摘三次；使用近红外光谱仪对不同成熟度的样品进行扫描，得到样品的近红外光谱，将不同成熟度的样品随机分为校正集样品和预测集样品，其中，校正集样品用于模型训练，预测集样品用于模型的质量评价；将样品的近红外光谱进行二阶导数和离散小波变换处理，离散小波变换选择小波母函数为dbn,n为消失矩，得到压缩后的近红外光谱数据矩阵。3.根据权利要求1所述的基于PSO-RICAELM的近红外光谱分析鉴别翠冠梨成熟度的方法，其特征在于，所述步骤(2)具体实现如下：将处理后的数据作为输入进行稳健性独立分量分析运算，在光谱成分独立性的前提下，将光谱分解成不同的成分，输出是...

【专利技术属性】
技术研发人员：黄咏梅，张瑜，林敏，刘辉军，
申请(专利权)人：中国计量大学，
类型：发明
国别省市：浙江,33