茶叶近红外光谱分析中谱峰自动检测与重构方法及系统技术方案

本发明专利技术公开茶叶近红外光谱分析中谱峰自动检测与重构方法及系统，其方法包括先采集原始光谱数据，再初始化参数，接着计算吸收峰的位置和宽度，随后更新相关系数并筛选稀疏块，然后计算代价函数及期望，之后判定终止条件，最后输出重构数据；本发明专利技术采用自动检测谱峰位置和确定峰宽的块稀疏贝叶斯学习方法能够准确的判断近红外光谱的谱峰数量和位置，从而能够准确的重构选取出谱峰特征，避免了算法重构过程出现误重构、有丢失的问题，且基于稀疏重构和谱峰自动检测的策略能够实现多重叠峰近红外光谱数据的吸收峰特征选取，进而实现高精度绿茶近红外光谱数据吸收峰自动检测与重构，有利于扩大茶叶检测等级精度及市场贸易。有利于扩大茶叶检测等级精度及市场贸易。有利于扩大茶叶检测等级精度及市场贸易。

【技术实现步骤摘要】
茶叶近红外光谱分析中谱峰自动检测与重构方法及系统


[0001]本专利技术涉及光谱分析
，尤其涉及茶叶近红外光谱分析中谱峰自动检测与重构方法及系统。

技术介绍

[0002]茶叶目前是我国最重要的饮品之一，茶叶品质等级划分与其内含的茶多酚、咖啡碱、氨基酸、糖分等多种指标相关，长期以来，人们对于茶叶加工中各个工序质量的掌握主要依赖感官审评，缺乏量化的加工评价标准，对于加工后产品质量的判别主要是采用感官审评的方法，缺乏一种对主要化学成分和外部形态特点兼顾的、数字化快速评价方法，随着我国进出口贸易的不断开展及人民物质需求的不断提高，对于产业等级划分和品质鉴别提出更加精细的分析要求，现有的基于经验的鉴别方法已经不适用大规模、高精度的分析要求。
[0003]近红外光谱技术作为光谱学的一个重要分支，具有检测过程无污染、成本低、检测周期短等特点，已在茶叶相关产业分析中得到广泛应用，但在实际分析过程中，由于光谱数据的高维性、共线性和谱峰数量的有限性，使获得所采集的全波长范围光谱数据存在大量无关的特征变量，根据比尔
‑
朗伯定律，分析模型的性能取决于建模数据的有效性，无关变量的存在将破坏数据特征，因此在定量分析之前需要对光谱数据进行必要的特征选择操作。
[0004]目前应用较广的稀疏重构方法主要有Group Lasso、Block Orth ogonal Matching Pursuit、稀疏贝叶斯学习和块稀疏贝叶斯学习方法，其中应用最具前景的是基于块稀疏贝叶斯学习的稀疏重构方法，该方法虽然能够有效避免求解范数的问题且引入了块结构的方式，但并未考虑在确定和划分块的位置和大小的随机性问题，并且未准确的确定谱峰位置而划分块，容易导致谱峰位置特征变量被稀疏的现象，从而导致重构结果不准确，针对含有多个重叠峰的茶叶近红外光谱数据，如何精准地选取谱峰特征变量对于茶叶定性、定量分析过程至关重，因此，本专利技术提出茶叶近红外光谱分析中谱峰自动检测与重构方法及系统以解决现有技术中存在的问题。

技术实现思路

[0005]针对上述问题，本专利技术的目的在于提出茶叶近红外光谱分析中谱峰自动检测与重构方法及系统，该方法采用自动检测谱峰位置和确定峰宽的块稀疏贝叶斯学习方法能够准确的判断近红外光谱的谱峰数量和位置，从而能够准确的重构选取出谱峰特征，避免了算法重构过程出现误重构、有丢失的问题，且基于稀疏重构和谱峰自动检测的策略能够实现多重叠峰近红外光谱数据的吸收峰特征选取。
[0006]为了实现本专利技术的目的，本专利技术通过以下技术方案实现：茶叶近红外光谱分析中谱峰自动检测与重构方法，包括以下步骤：
[0007]步骤一：先采集待检测茶叶样本，再获取茶叶样本的近红外光谱数据，并形成原始
数据；
[0008]步骤二：先获取原始数据，再初始化包含相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η的块稀疏贝叶斯学习方法参数；
[0009]步骤三：根据原始数据中的光谱特征，基于一阶偏差和二阶偏差来计算光谱中的吸收峰位置；
[0010]步骤四：根据计算得到的吸收峰位置，基于半峰高计算谱峰的峰宽；
[0011]步骤五：根据每个块的稀疏度控制系数计算块的对称半正定矩阵、相关性结构矩阵和相关系数；
[0012]步骤六：基于代价函数计算原始数据中每个块的误差值，并筛选稀疏块；
[0013]步骤七：计算光谱后验概率的期望和方差；
[0014]步骤八：利用最小化代价函数求解超参数，并更新初始化参数中的噪声方差λ；
[0015]步骤九：计算块相关系数的相对误差及当前迭代次数，若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ，则转至步骤十，否则转至步骤五；
[0016]步骤十：利用光谱后验概率的期望，确定最终的茶叶稀疏重构数据并输出。
[0017]进一步改进在于：所述步骤二中，块稀疏贝叶斯学习方法优化函数如下：
[0018]L＝log|λI+ΩΣ0Ω
T
|+y
T
(λI+ΩΣ0Ω
T
)
‑1y
[0019]其中，I表示单位矩阵，y表示光谱的压缩矩阵，是测量矩阵，是所有块的方差矩阵，表示为：
[0020]Σ0＝diag{γ1Β1,
…
,γ
i
Β
i
,
…
,γ
g
Β
g
}
[0021]其中，γ
i
表示第i个块的块相关系数，B
i
表示第i个块的结构矩阵。
[0022]进一步改进在于：所述步骤三中，谱峰位置确定计算如下：
[0023]Δx
j
＝x
j
‑
x
j
‑1[0024]Δ2x
j
＝Δx
j
‑
Δx
j
‑1[0025]s.t.Δx
j
＝0andΔ2x
j
＜0
[0026]其中，Δx
j
和Δ2x
j
分别是谱峰顶点x
j
的一阶偏差和二阶偏差。
[0027]进一步改进在于：所述步骤四中，谱峰宽度的计算表示如下：
[0028][0029]其中，n和m分别是x
n
和x
m
的索引，相对高度差H表示如下：
[0030][0031]其中，x
i
和x
k
分别是谱峰的起始点和终止点。
[0032]进一步改进在于：所述步骤五中，对称半正定矩阵、相关性结构矩阵和相关系数表示如下：
[0033][0034][0035][0036]其中，和d
i
是第i个块的大小。
[0037]进一步改进在于：所述步骤六中，代价函数误差计算如下：
[0038]L＝log|λI+ΩΣ0Ω
T
|+y
T
(λI+ΩΣ0Ω
T
)
‑1y
[0039]其中，是测量矩阵，是所有块的方差矩阵，表示为：
[0040][0041]其中，表示第i块在第t步迭代时块的方差矩阵。
[0042]进一步改进在于：所述步骤七中，后验概率期望计算如下：
[0043]μ
x
＝Σ0Ω
T
(λI+ΩΣ0Ω
T
)
‑1y
[0044]其中，y表示为经过测量矩阵Ω得到光谱的压缩矩阵。
[0045]进一步改进在于：所述步骤九中，相对误差判断条件表示如下：
[0046][0047]其中，γ
(t)
是第t次迭代的相关系数。
[0048]茶叶近红外光谱分析中谱峰自动检测与重构系统，包括：
[0049]样本采集模块，用于采集茶叶样本，获本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.茶叶近红外光谱分析中谱峰自动检测与重构方法，其特征在于，包括以下步骤：步骤一：先采集待检测茶叶样本，再获取茶叶样本的近红外光谱数据，并形成原始数据；步骤二：先获取原始数据，再初始化包含相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η的块稀疏贝叶斯学习方法参数；步骤三：根据原始数据中的光谱特征，基于一阶偏差和二阶偏差来计算光谱中的吸收峰位置；步骤四：根据计算得到的吸收峰位置，基于半峰高计算谱峰的峰宽；步骤五：根据每个块的稀疏度控制系数计算块的对称半正定矩阵、相关性结构矩阵和相关系数；步骤六：基于代价函数计算原始数据中每个块的误差值，并筛选稀疏块；步骤七：计算光谱后验概率的期望和方差；步骤八：利用最小化代价函数求解超参数，并更新初始化参数中的噪声方差λ；步骤九：计算块相关系数的相对误差及当前迭代次数，若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ，则转至步骤十，否则转至步骤五；步骤十：利用光谱后验概率的期望，确定最终的茶叶稀疏重构数据并输出。2.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法，其特征在于：所述步骤二中，块稀疏贝叶斯学习方法优化函数如下：L＝log|λI+ΩΣ0Ω
T
|+y
T
(λI+ΩΣ0Ω
T
)
‑1y其中，I表示单位矩阵，y表示光谱的压缩矩阵，是测量矩阵，是所有块的方差矩阵，表示为：Σ0＝diag{γ1Β1,
…
,γ
i
Β
i
,
…
,γ
g
Β
g
}其中，γ
i
表示第i个块的块相关系数，B
i
表示第i个块的结构矩阵。3.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法，其特征在于：所述步骤三中，谱峰位置确定计算如下：Δx
j
＝x
j
‑
x
j
‑1Δ2x
j
＝Δx
j
‑
Δx
j
‑1s.t.Δx
j
＝0 and Δ2x
j
＜0其中，Δx
j
和Δ2x
j
分别是谱峰顶点x
j
的一阶偏差和二阶偏差。4.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法，其特征在于：所述步骤四中，谱峰宽度的计算表示如下：其中，n和m分别是x

【专利技术属性】
技术研发人员：潘天红，吴超，陈琦，陈山，樊渊，
申请(专利权)人：安徽大学，
类型：发明
国别省市：