基于宽度学习系统的拉曼和近红外光谱特征融合技术技术方案

本发明专利技术公开了基于宽度学习系统的拉曼和近红外光谱特征融合技术，属于光谱数据分析技术领域。光谱技术融合现有3种方式，数据层融合、特征层融合和决策层融合。数据层融合增加了数据集合体量和冗余程度，特征层融合降低了数据饱和程度和有效信息，决策层融合要求较复杂的融合算法。为了解决3种方式弊端，构建3个步骤实现近红外光谱和拉曼光谱的信息融合技术：近红外和拉曼光谱预处理、拉曼特征谱峰归属认证、基于宽度学习系统实现近红外数据层和拉曼特征层融合。该方法实现了数据层和特征层融合，降低了数据冗余程度、提高了数据饱和程度和提供了一种简便的融合算法；同步实现定性判断和定量计算；提高了定量计算模型精度。提高了定量计算模型精度。

【技术实现步骤摘要】
基于宽度学习系统的拉曼和近红外光谱特征融合技术


[0001]本专利技术为一种基于宽度学习系统的拉曼和近红外光谱特征融合技术，属于光谱数据分析


技术介绍

[0002]近年随着制造业水平提高，光学仪器价格越来越低，科研主体、企事业单位、执法行政等机构拥有更多的光学设备。更多科研人员尝试利用不同激发光的谱数据相互补充提供更多待测样本的有效信息，从而提高光谱模型的测量精度以及拓宽适用范围。
[0003]拉曼光谱和近红外光谱同属于分子振动光谱。拉曼光谱是分子对入射激光的散射携带分子振动、转动方面信息，适合用于分子结构研究；近红外光谱是分子对激发光的吸收效应，携带有机分子含氢基团信息，光谱强度符合朗伯
‑
比尔定律，广泛用于定量计算。通常，分子的非对称性振动和极性基团的振动会引发分子偶极矩变化，这类分子振动表现为近红外活性；分子对称性振动和非极性基团的振动会使分子形变，导致极化率变化，这类分子振动表现为拉曼活性。可见，拉曼光谱适合相同原子的非极性键振动，如C
‑
C，S
‑
S，N
‑
N键等对称性骨架振动，均可从拉曼光谱中获得丰富的信息；而不同原子的极性键，如C＝O，C
‑
H，N
‑
H，O
‑
H等，均呈现在近红外光谱上，而分子对称骨架振动在近红外光谱上几乎看不到。可见，近红外光谱和拉曼光谱是相互补充的。
[0004]如何将两类互相补充的信息结合构造光谱特征集合，是近年众多学者重点关注的问题。通常，光谱信息融合可以在三个层次上进行，分别是底层融合、中层融合和高层融合。底层融合即光谱的数据层融合，来自近红外和拉曼的光谱数据被简单地按照样本顺序连接形成一个矩阵，两类数据或者并行连接或者串行连接，显然这种简单的数据层融合提高了数据集合体量和冗余程度，导致进一步的计算负担加大；中层融合又称为特征层融合，是分别从近红外和拉曼光谱中提取相关特征，然后将他们组合成一个特征矩阵，方便进行进一步的定量计算或定性分析，中层融合会在初期的特征提取过程中将一些有用的信息剔除，导致数据饱和度降低，影响了光谱模型的测量精度；高层融合也称为决策级融合，是将近红外和拉曼的单独定量或定性模型进行组合以获得最终决策，高层融合模型效率更高，同时复杂程度更高以及对融合算法的要求更加苛刻。

技术实现思路

[0005]本专利技术根据近红外和拉曼分子检测的各自特征，提供一种近红外数据层和拉曼特征层融合的方法，结合拉曼光谱定性判断和近红外光谱定量计算的特点，解决单纯数据层融合、特征层融合和决策层融合存在问题，提供更全面特征、更少计算量和简便易操作的结合算法。
[0006]为实现以上目的，本专利技术是通过以下步骤来实现的：
[0007](1)首先预处理近红外和拉曼光谱，包括拉曼光谱去噪、去基线，近红外光谱去噪、多元散射校正、导数校正、标准化处理；
[0008](2)然后扫描待分析量的分析纯样品，获取待分析量的拉曼特征光谱；
[0009](3)最后将预处理后的近红外数据作为输入矩阵送入宽度学习模型，训练后获得增强节点，同时将拉曼特征数据作为补充增强节点，一起送入增强函数，训练后获得系统输出。
【具体实施方式】
[0010]下面结合实施案例1对本
技术实现思路
做进一步的说明。
[0011]所有算法操作是在Matlab2019b中实施，包括小波分解、多元散射校正、一阶导数、二阶导数、希尔伯特振动分解、宽度学习系统。
[0012]实施例1稻瘟病诊断步骤如下：
[0013](1)通过Bruker公司TANGO近红外光谱仪，采用连续旋转扫描方式获取水稻叶片近红外光谱，其中光谱扫描范围4000
‑
11520cm
‑1，分辨率8cm
‑1；
[0014](2)通过Renishaw显微拉曼光谱获取拉曼光谱数据，采用785nm激发光，0.5mW激发光功率，扫描时长10s，扫描范围500
‑
1800cm
‑1；
[0015](3)采用db5作为小波母函数进行3层分解，应用软阈值处理小波系数，完成近红外光谱去噪，依次对去噪后近红外光谱多元散射校正、一阶导数、二阶导数处理；
[0016](4)采用希尔伯特振动分解方法分解拉曼光谱，精准获得拉曼特征峰的位置、高度和半峰全宽的估计值，采用Voigt函数拟合拉曼特征谱峰，重构拉曼信号实现拉曼光谱去噪去基线；
[0017](5)使用拉曼光谱扫描几丁质(真菌标志物质)、叶绿素a、叶绿素b、α
‑
胡萝卜素、β
‑
胡萝卜素标准品，获得几丁质特征谱峰500,711,895,955,1059,1107,1149,1205cm
‑1；叶绿素a特征谱带1570
‑
1747cm
‑1；叶绿素b特征谱带1580
‑
1744cm
‑1；α
‑
胡萝卜素特征谱带1663
‑
1697cm
‑1；β
‑
胡萝卜素特征谱带1616
‑
1700cm
‑1；
[0018](6)将预处理后的近红外数据送入宽度学习系统，获得近红外增强节点；
[0019](7)将几丁质特征谱峰和叶绿素a、叶绿素b、α
‑
胡萝卜素、β
‑
胡萝卜素特征谱带并集1570
‑
1747cm
‑1作为补充增强节点，和近红外增强节点一起送入增强函数，经过宽度学习系统训练，获得几丁质的定性信息和叶绿素、胡萝卜素含量的定量信息；
[0020](8)根据几丁质的定性信息诊断水稻是否受到真菌侵袭，模型盲测准确率为97.94％，根据胡萝卜素、叶绿素含量信息诊断水稻受真菌侵袭程度，模型相关系数0.8722。
[0021]2.关键技术
[0022]2.1拉曼光谱去噪
[0023]基于希尔伯特振动分解的方法分解拉曼光谱，捕获拉曼特征峰的位置、高度和半峰全宽的估计值，基于谱峰位置、高度和半峰全宽，采用Voigt函数拟合拉曼特征谱峰，采用上述操作准确获得拉曼谱峰位置。
[0024]2.2拉曼特征谱峰归属认证
[0025]基于待测物质标准品进行拉曼特征谱峰归属认证的方法，比较理论计算和谱库认证方法更加准确，避免了光谱校正和仪器差异带来认证偏差，标准品扫描的时候注意的是，保持标准品和待测样本温度差异不超过15℃，以减小温度差异带来认证偏差。
[0026]2.3数据层与特征层融合
[0027]近红外光谱作为数据层信息源保留了全部特征，拉曼光谱作为特征层信息源之一进行了基于标准品的谱峰归属认证，两类信息源通过宽度学习系统分层次融合。
[0028]本专利技术的有益效果是：
①
提供了数据层与特征层融合分类器；
②
数据层与特征本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于宽度学习系统的拉曼和近红外光谱特征融合技术，其特征在于：(1)首先预处理近红外和拉曼光谱，包括拉曼光谱去噪、去基线，近红外光谱去噪、多元散射校正、导数校正、标准化处理；(2)然后扫描待分析量的分析纯样品，获取待分析量的拉曼特征光谱；(3)最后将预处理后的近红外数据作为输入矩阵送入宽度学习模型，训练后获得增强节点，同时将拉曼特征数据作为补充增强节点，一起送入增强函数，训练后获得系统输出。2.根据权利要求1所述的拉曼光谱去噪，其特征在于：基于希尔伯特振动分解的方法分解拉曼光谱，捕获拉曼特征峰的位置、高度和半峰全宽的估计值，基于谱峰位置...

【专利技术属性】
技术研发人员：赵肖宇，谭仁雪，姜丽，吴乔罕，隋雨桐，
申请(专利权)人：吴乔罕，
类型：发明
国别省市：