一种基于补偿的光谱波长选择方法技术

本发明专利技术公开了一种基于补偿的光谱波长选择方法，包括以下步骤：1、测量需要用于光谱判别分析的两类样品的光谱；2、把全部样品划分为建模集和检验集，并将建模集进一步划分为定标集、预测集；3、确定波长模型的搜索范围；4、建立光谱判别分析模型；5、计算识别准确率及其标准偏差；6、确定波长模型。本发明专利技术与现有技术比较，具有如下优点和有益效果：本发明专利技术具有应用范围宽、方法简便、预测效果好等优点；应用于光谱定性分析，为光谱判别分析专用仪器的分光系统设计提出有效的解决方案。

【技术实现步骤摘要】
一种基于补偿的光谱波长选择方法
本专利技术涉及波长模型筛选
，具体涉及一种基于补偿的光谱波长选择方法。
技术介绍
近年发展起来的模型融合方法，运用多个模型的互补性，可以取得比单个模型更好的综合预测效果。问题在于如何提出波长模型，实现相互补偿的模型融合效果。
技术实现思路
本专利技术的目的在于克服现有技术的缺点与不足，针对光谱(紫外-可见、近红外、中红外等)的波长筛选方法，提出基于补偿的光谱波长选择方法。本专利技术的目的通过下述技术方案实现：一种基于补偿的光谱波长选择方法，包括以下步骤：1、测量需要用于光谱判别分析的两类样品的光谱；2、把全部样品划分为建模集和检验集，并将建模集进一步划分为定标集、预测集；3、确定波长模型的搜索范围；4、建立光谱判别分析模型；5、计算识别准确率及其标准偏差；6、确定两类判别效果平衡的最优波长模型；并分别确定第一类、第二类判别效果优先的补偿波长模型；组建联合模型，进行综合判别分析。进一步的，定标集和预测集用于优选模型及参数，检验集用于评价模型。进一步的，步骤3之前,可对光谱进行预处理。进一步的，步骤3中,确定波长模型的搜索范围，可以采用全扫描谱区，也可根据实际对象的光谱特征，采用特定的波长范围。进一步的，步骤4之后要进行波长模型选择。进一步的，步骤4之后，采用等间隔组合偏最小二乘法判别分析(EC-PLS-DA)或其它波长选择方法，进行波长模型选择。具体采用起点波长、波长个数和波长间隔数作为波长筛选的循环参数，分别建立光谱判别分析的定标预测模型。进一步的，步骤5计算识别准确率及其标准偏差，是计算定标集、预测集和建模集的两类样品分别及总和的九个识别准确率及其标准偏差。进一步的，步骤6确定波长模型，是根据建模总识别准确率最大，同等条件下兼顾准确率标准偏差最小，确定最优波长模型；根据两类样品的识别准确率差最大，兼顾总识别准确率大，分别确定单类判别效果优先补偿的两个判别分析模型及对应的波长模型。进一步的，基于确定的波长模型，进行光谱判别分析的模型融合，组建联合模型及其综合评价。更进一步的，采用三个波长模型进行三次判别分析，得出两类样品的三次投票结果，根据最高总分确定样品类别；同时计算该组合模型的全部识别准确率及其标准偏差；并采用检验集进行检验，同时计算检验的两类样品分别及总和的识别准确率。本专利技术与现有技术比较，具有如下优点和有益效果：本专利技术具有应用范围宽、方法简便、预测效果好等优点；应用于光谱定性分析，为光谱判别分析专用仪器的分光系统设计提出有效的解决方案。附图说明图1是实施例方法流程图。图2是A类血清样品原光谱。图3是B类血清样品原光谱。图4是A类血清样品SNV光谱。图5是B类血清样品SNV光谱。图6是最优模型(NIR合频区)对预测样品的识别效果图。图7是A类补偿模型(NIR低倍频区)对预测样品的识别效果图。图8是B类补偿模型(可见-NIR高倍频区)对预测样品的识别效果图。图9是联合模型对预测样品的识别效果图。图10是最优模型(NIR合频区)对检验样品的识别效果图。图11是A类补偿模型(NIR低倍频区)对检验样品的识别效果图。图12是B类补偿模型(可见-NIR高倍频区)对检验样品的识别效果图。图13是联合模型对检验样品的识别效果图。具体实施方式本专利以两类血清样品的可见-近红外光谱判别分析为实施例，详细说明基于补偿的波长选择方法的实施方式与效果，但本专利技术的实施方式不限于此。一种基于补偿的光谱波长选择方法，包括如下步骤：S1、收集经过标准方法确认的两类样品，分别简称“A类”、“B类”样品；并测量样品的光谱，用于光谱判别分析；S2、把全部样品随机(或均匀)划分为建模集和检验集；建模集进一步随机(或均匀)划分为定标集、预测集；定标集和预测集用于优选模型及参数，检验集用于评价模型；S3、采用适当的方法对光谱进行预处理，或根据实际情况不进行光谱预处理；S4、确定波长模型的搜索范围(波长总数：n)，它可以采用全扫描谱区，也可根据实际对象的光谱特征，采用特定的波长范围；建立偏最小二乘法判别分析(PLS-DA)模型或主成分分析-线性判别分析(PCA-LDA)模型或其他光谱判别分析模型；S5、采用等间隔组合偏最小二乘法判别分析(EC-PLS-DA)或其它波长选择方法，进行波长模型选择；具体采用起点波长(I)、波长个数(N)和波长间隔数(G)作为波长筛选的循环参数，分别建立光谱判别分析的定标预测模型；计算定标集、预测集和建模集的A类、B类、两类总和的九个识别准确率及其标准偏差(RARSD)；S6、根据建模总识别准确率(RARTotal)最大，同等条件下兼顾准确率标准偏差(RARSD)最小，确定最优波长模型；根据A类、B类识别准确率差最大，兼顾总识别准确率(RARTotal)大，确定A类补偿EC-PLS-DA模型及对应的波长模型；根据B类、A类识别准确率差最大，兼顾总识别准确率(RARTotal)大，确定B类补偿EC-PLS-DA模型及对应的波长模型；S7、基于S6的三个波长模型，进行光谱判别分析的模型融合，组建联合模型及其综合评价；具体采用三个波长模型进行三次判别分析，得出A类、B类样品的三次投票结果，根据最高总分确定样品类别；同时计算该组合模型的全部识别准确率及其标准偏差；并采用检验集进行检验，同时计算检验的A类、B类、两类总和的识别准确率。上述三个波长模型组成的联合模型即为筛选出的最优波长模型组合。本专利技术与现有技术比较，具有如下优点和有益效果：1、本专利技术提出的一种基于补偿的光谱波长选择方法，提出了一种新的基于模型融合的波长模型选择方法。它首先确定A类、B类判别效果平衡的最优波长模型；然后分别确定A类、B类判别效果优先的补偿波长模型；基于三个波长模型的互补性，构建光谱判别分析的模型融合评价，通常可以获得比单个最优模型更好的综合评价效果，进一步提升光谱判别分析的预测准确率。2、本专利技术基于集成学习的Voting策略提出了新型波长选择方法，具有应用范围宽、方法简便、预测效果好等优点，为光谱判别分析专用仪器的分光系统设计提出有效的解决方案。具体实施例本实施例以两类血清样品(A类、B类)的可见-近红外光谱判别分析为例，阐明所提出的基于补偿的波长选择方法的适用性。通过与性能优良的等间隔组合偏最小二乘判别分析(EC-PLS-DA)方法的结果比较，说明本专利技术所提出的基于补偿的分光波长选择方法更适用于两类血清样品的判别。但本专利技术的实施方式不限于此。具体实施步骤如下：S1、收集经医院确认的A、B两类血清样品，各65个。采用XDSRapidContentTM型近红外光栅光谱分析仪(丹麦，FOSS)及透射样本附件，采集每个样品的透射本文档来自技高网...

【技术保护点】
1.一种基于补偿的光谱波长选择方法，其特征在于包括以下步骤：/nS1、测量需要用于光谱判别分析的两类样品的光谱；/nS2、把全部样品划分为建模集和检验集，并将建模集进一步划分为定标集、预测集；/nS3、确定波长模型的搜索范围；/nS4、建立光谱判别分析模型；/nS5、计算识别准确率及其标准偏差；/nS6、确定两类判别效果平衡的最优波长模型；并分别确定第一类、第二类判别效果优先的补偿波长模型；组建联合模型，进行综合判别分析。/n

【技术特征摘要】
1.一种基于补偿的光谱波长选择方法，其特征在于包括以下步骤：
S1、测量需要用于光谱判别分析的两类样品的光谱；
S2、把全部样品划分为建模集和检验集，并将建模集进一步划分为定标集、预测集；
S3、确定波长模型的搜索范围；
S4、建立光谱判别分析模型；
S5、计算识别准确率及其标准偏差；
S6、确定两类判别效果平衡的最优波长模型；并分别确定第一类、第二类判别效果优先的补偿波长模型；组建联合模型，进行综合判别分析。


2.根据权利要求1所述的一种基于补偿的光谱波长选择方法，其特征在于,定标集和预测集用于优选模型及参数，检验集用于评价模型。


3.根据权利要求1所述的一种基于补偿的光谱波长选择方法，其特征在于步骤S3之前,可对光谱进行预处理。


4.根据权利要求1所述的一种基于补偿的光谱波长选择方法，其特征在于步骤S3中,确定波长模型的搜索范围，可以采用全扫描谱区，也可根据实际对象的光谱特征，采用特定的波长范围。


5.一种如权利要求1任意一项所述的基于补偿的光谱波长选择方法，其特征在于，步骤S4之后要进行波长模型选择。


6.如权利要求1所述的基于补偿的光谱波长选择方法，其特征在于步骤...

【专利技术属性】
技术研发人员：潘涛，张静，陈洁梅，
申请(专利权)人：暨南大学，
类型：发明
国别省市：广东;44