一种光谱定量分析模型的构建方法及装置制造方法及图纸

本发明专利技术公开了一种光谱定量分析模型的构建方法及装置，包括：获取训练样本的化学值和光谱特征；根据化学值和光谱特征分别计算得到正则化参数初始值和不敏感损失函数参数初始值；并通过参数寻优得到最优正则化参数和最优不敏感损失函数参数；根据最优正则化参数和最优不敏感损失函数参数构建光谱定量分析模型。本发明专利技术实施例通过训练样本的化学值和光谱特征计算得到正则化参数初始值和不敏感损失函数参数初始值，并依据这两个参数初始值进行参数优化以及光谱定量分析模型的构建，不仅能够有效提高参数优化和建模的运算速度，且能够有效提高构建得到光谱定量分析模型的预测精度和泛化能力。和泛化能力。和泛化能力。

【技术实现步骤摘要】
一种光谱定量分析模型的构建方法及装置


[0001]本专利技术涉及定量分析
，尤其是涉及一种光谱定量分析模型的构建方法及装置。

技术介绍

[0002]红外光谱技术具有操作简便、分析速度快、检测效率高、无需前处理等优点，已广泛应用于食品、药品、化妆品、石油化工等多行业。线性回归、支持向量机、神经网络等机器学习和深度学习算法是建立定量预测模型常用的方法。其中，偏最小二乘(PLS)回归是线性回归中最经典、应用最广泛的一种方法。但变量筛选耗时长且适用性难以保证。神经网络涉及参数繁多，搭建相对复杂，应用门槛较高。支持向量机以结构风险最小化为原则，能够很好地解决小样本、高维数、非线性等问题，且涉及参数较少，构建相对简易，已被广泛应用于回归分析。合理地选择支持向量机的参数C和参数ε可以使模型具有更高的预测精度和更好的泛化能力。参数C决定了模型预测精度和模型复杂度之间的平衡。例如，若C太大，则目标仅是最小化经验风险，所建模型精度虽然高但却使得模型过于复杂，泛化性能变差。参数ε控制ε不敏感区域的宽度，影响用于构造回归函数的SV个数，从而影响模型复杂度。例如，若ε较大，会导致选择较少的SV，模型过于简单。
[0003]目前现有的光谱定量分析模型的构建方法是根据优化后的支持向量机参数构建的，支持向量机的参数优化方法主要为：根据先验知识设定参数的初始值，结合网格搜索、梯度下降法等方法进行参数优化。但是现有的光谱定量分析模型的构建方法的参数优化效果较差，导致光谱定量分析模型的预测精度和泛化能力较低。

技术实现思路

[0004]本专利技术提供了一种光谱定量分析模型构建方法及装置，以解决现有的光谱定量分析模型的构建方法的参数优化效果较差，导致光谱定量分析模型的预测精度和泛化能力较低的问题。
[0005]本专利技术的第一实施例提供了一种光谱定量分析模型的构建方法，包括：
[0006]获取训练样本的化学值和光谱特征；
[0007]根据所述化学值的分布数据和精密度，计算得到支持向量机的正则化参数初始值；
[0008]根据所述光谱特征计算得到所述训练样本的噪声数据，并根据所述训练样本的样本数和噪声数据计算得到支持向量机的不敏感损失函数参数初始值；
[0009]分别根据所述正则化参数初始值和所述不敏感损失函数参数初始值进行参数寻优，得到最优正则化参数和最优不敏感损失函数参数；
[0010]根据所述最优正则化参数和所述最优不敏感损失函数参数构建光谱定量分析模型。
[0011]进一步的，所述分布数据包括平均值和标准差，所述根据所述化学值的分布数据
和精密度，计算得到支持向量机的正则化参数初始值，具体包括：
[0012]选择支持向量机的核函数；
[0013]基于所述核函数根据所述化学值的平均值、标准差以及精密度计算得到支持向量机的正则化参数初始值。
[0014]进一步的，所述根据所述训练样本的样本数和噪声数据计算得到支持向量机的不敏感损失函数参数初始值，所述不敏感损失函数参数初始值的表达式为：
[0015][0016]其中，ε为不敏感损失函数参数初始值，n为样本数，t为样本数的预设倍数，f(n)为样本数的对数函数，σ为噪声标准差。
[0017]进一步的，所述分别根据所述正则化参数初始值和所述不敏感损失函数参数初始值进行参数寻优，得到最优正则化参数和最优不敏感损失函数参数，具体包括：
[0018]将所述训练集的样本划分为K折，计算所述正则化参数初始值和所述不敏感损失函数参数初始值下每折的评估参数；
[0019]采用参数寻优方法根据所述正则化参数初始值和所述不敏感损失函数参数初始值分别进行参数搜索得到候选正则化参数和候选不敏感损失函数参数；
[0020]将所述评估参数最优时的候选正则化参数和候选不敏感损失函数参数分别作为最优正则化参数和最优不敏感函数参数。
[0021]进一步的，所述参数寻优方法包括网格搜索法、梯度下降法和单目标优化法。
[0022]进一步的，所述核函数为径向基核函数，所述径向基核函数的表达式为：
[0023]K(x
i
,x)＝exp(
‑
γ||x
‑
x
i
||2)
[0024]其中，x
i
为特征空间某一中心点，x为特征空间的任一点，γ为宽度参数。
[0025]进一步的，所述正则化参数初始值的表达式为：
[0026][0027]其中，p为所述化学值的精密度，为化学值的平均值，σ
y
为化学值的标准差。
[0028]进一步的，所述噪声标准差的表达式为：
[0029][0030]其中，n为训练集的样本数量，d为0
‑
1，k为邻近点数，y
i
为化学值，为k邻近算法预测值。
[0031]本专利技术的第二实施例提供了一种光谱定量分析模型的构建装置，包括：
[0032]数据获取模块，用于获取训练样本的化学值和光谱特征：
[0033]第一计算模块，用于根据所述化学值的分布数据和精密度，计算得到支持向量机的正则化参数初始值；
[0034]第二计算模块，用于根据所述光谱特征计算得到所述训练样本的噪声数据，并根据所述训练样本的样本数和噪声数据计算得到支持向量机的不敏感损失函数参数初始值；
[0035]参数寻优模块，用于分别根据所述正则化参数初始值和所述不敏感损失函数参数初始值进行参数寻优，得到最优正则化参数和最优不敏感损失函数参数；
[0036]模型构建模块，用于根据所述最优正则化参数和所述最优不敏感损失函数参数构建光谱定量分析模型。
[0037]进一步的，所述分布数据包括平均值和标准差，所述第一计算模块，具体用于：
[0038]选择支持向量机的核函数；
[0039]基于所述核函数根据所述化学值的平均值、标准差以及精密度计算得到支持向量机的正则化参数初始值。
[0040]本专利技术实施例通过训练样本的化学值和光谱特征进行正则化参数初始值和不敏感损失函数参数初始值的推算，并进一步进行参数寻优，以确定最优正则化参数和最优不敏感损失函数参数，基于该最优正则化参数和最优不敏感损失函数参数能够快速构建可用于复杂组分分析的光谱定量分析模型，不仅能够有效提高参数优化和建模的运算速度，且能够有效提高构建得到光谱定量分析模型的预测精度和泛化能力。
附图说明
[0041]图1是本专利技术实施例提供的一种光谱定量分析模型的构建方法的流程示意图；
[0042]图2是本专利技术实施例提供的一种光谱定量分析模型的构建方法的另一流程示意图；
[0043]图3是本专利技术实施例提供的支持向量机交叉验证残差示意图；
[0044]图4是本专利技术实施例提供的支持向量机预测残差示意图；
[0045]图5是本专利技术实施例提供的PLS交叉验证残差示意图；
[0046]图6是本专利技术实施例提供的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种光谱定量分析模型的构建方法，其特征在于，包括：获取训练样本的化学值和光谱特征；根据所述化学值的分布数据和精密度，计算得到支持向量机的正则化参数初始值；根据所述光谱特征计算得到所述训练样本的噪声数据，并根据所述训练样本的样本数和噪声数据计算得到支持向量机的不敏感损失函数参数初始值；分别根据所述正则化参数初始值和所述不敏感损失函数参数初始值进行参数寻优，得到最优正则化参数和最优不敏感损失函数参数；根据所述最优正则化参数和所述最优不敏感损失函数参数构建光谱定量分析模型。2.如权利要求1所述的光谱定量分析模型的构建方法，其特征在于，所述分布数据包括平均值和标准差，所述根据所述化学值的分布数据和精密度，计算得到支持向量机的正则化参数初始值，具体包括：选择支持向量机的核函数；基于所述核函数根据所述化学值的平均值、标准差以及精密度计算得到支持向量机的正则化参数初始值。3.如权利要求1所述的光谱定量分析模型的构建方法，其特征在于，所述根据所述训练样本的样本数和噪声数据计算得到支持向量机的不敏感损失函数参数初始值，所述不敏感损失函数参数初始值的表达式为：其中，ε为不敏感损失函数参数初始值，n为样本数，t为样本数的预设倍数，f(n)为样本数的对数函数，σ为噪声标准差。4.如权利要求1所述的光谱定量分析模型的构建方法，其特征在于，所述分别根据所述正则化参数初始值和所述不敏感损失函数参数初始值进行参数寻优，得到最优正则化参数和最优不敏感损失函数参数，具体包括：将所述训练集的样本划分为K折，计算所述正则化参数初始值和所述不敏感损失函数参数初始值下每折的评估参数；采用参数寻优方法根据所述正则化参数初始值和所述不敏感损失函数参数初始值分别进行参数搜索得到候选正则化参数和候选不敏感损失函数参数；将所述评估参数最优时的候选正则化参数和候选不敏感损失函数参数分别作为最优正则化参数和最优不敏感函数参数。5.如权利要求4所述的光谱定量分析模型的构建方法，其特征在于，所...

【专利技术属性】
技术研发人员：魏康丽，杨平，李贤信，
申请(专利权)人：佛山市海天调味食品股份有限公司，
类型：发明
国别省市：