小麦透射光谱的异常光谱筛选模型确定方法技术

本发明专利技术公开了一种小麦透射光谱的异常光谱筛选模型确定方法

【技术实现步骤摘要】
小麦透射光谱的异常光谱筛选模型确定方法、装置及介质


[0001]本专利技术涉及光谱分析
，具体涉及一种小麦透射光谱的异常光谱筛选模型确定方法
、
装置及介质
。

技术介绍

[0002]小麦是我国的三大储备粮食之一，在小麦的生产
、
流通和消费等环节中，小麦的质检是重中之重
。
用近红外测量小麦的理化指标（如水分
、
面筋度
、
白度
、
硬度等）分析速度快，几分钟就可以完成测量，分析效率高，一张光谱可以同时预测多个指标，不消耗其他试剂，且结果重复性好
。
[0003]在近红外光谱分析等许多现实的应用场合中，光谱数据不但含噪声干扰还包含异常数据，若将异常数据用在建模中会导致所得出的模型出现极大的偏差，异常光谱的存在已经成为改善近红外光谱分析模型性能的关键和瓶颈
。
[0004]但现有的异常光谱筛选模型大多数都是基于单一类型指标来识别异常数据，对异常数据的剔除不够全面，不能最大程度地提升模型效果，甚至会造成模型的失真
。

技术实现思路

[0005]为了解决上述问题，本专利技术提出小麦透射光谱的异常光谱筛选模型确定方法
、
装置及介质，确定的最优异常光谱筛选模型能够提高异常光谱筛选的精度
。
[0006]本专利技术实施例提供一种小麦透射光谱的异常光谱筛选模型确定方法，所述方法包括：获取对待测样品进行多次重复采样得到的不同透射光谱数据集，每一透射光谱数据集包括一次采样获取若干透射光谱；根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合，确定不同的异常光谱筛选模型；采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理，剔除异常光谱，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱；计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差；将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差；根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型
。
[0007]优选地，所述计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱，具体包括：采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理，剔除异常光谱，并计算每一透射光谱数据集剩余透射光谱的平均光谱；
根据预先采集的参比光谱，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱
。
[0008]优选地，所述吸收光谱；其中，为第
i
种异常光谱筛选模型筛选后的第
j
个透射光谱数据集的吸收光谱；为第
j
个透射光谱数据集的参比光谱，为第
i
种异常光谱筛选模型筛选后的第
j
个透射光谱数据集的平均光谱
。
[0009]优选地，所述异常光谱分析库中的不同异常光谱分析方法包括：主成分分析法
、
稳定变量分析法以及光谱标准差法
。
[0010]进一步地，不同的异常光谱筛选模型具体包括：第一异常光谱筛选模型
、
第二异常光谱筛选模型以及第三异常光谱筛选模型；所述第一异常光谱筛选模型为不包括任何异常光谱分析方法的空白对照模型；所述第二异常光谱筛选模型先采用所述主成分分析法筛选异常光谱，再采用所述稳定变量分析法进行异常光谱筛选；所述第三异常光谱筛选模型先采用所述主成分分析法筛选异常光谱，再采用所述光谱标准差法进行异常光谱筛选
。
[0011]优选地，所述根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型，具体包括：计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的吸收标准差的平均值，得到平均吸收标准差；计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的预测标准差的平均值，得到平均预测标准差；将不同的异常光谱筛选模型的平均吸收标准差以及平均预测标准差进行加权计算，得到筛选效果值，根据筛选效果值确定最优异常光谱筛选模型
。
[0012]本专利技术实施例还提供一种小麦透射光谱的异常光谱筛选模型确定装置，所述装置包括：光谱采集模块，用于获取对待测样品进行多次重复采样得到的不同透射光谱数据集，每一透射光谱数据集包括一次采样获取若干透射光谱；模型组合模块，用于根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合，确定不同的异常光谱筛选模型；筛选模块，用于采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理，剔除异常光谱，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱；吸收标准差计算模块，用于计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差；预测标准差计算模块，用于将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差；寻优模块，用于根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸
收标准差以及预测标准差确定最优异常光谱筛选模型
。
[0013]优选地，所述筛选模块计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱的过程具体包括：采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理，剔除异常光谱，并计算每一透射光谱数据集剩余透射光谱的平均光谱；根据预先采集的参比光谱，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱
。
[0014]优选地，所述吸收光谱；其中，为第
i
种异常光谱筛选模型筛选后的第
j
个透射光谱数据集的吸收光谱；为第
j
个透射光谱数据集的参比光谱，为第
i
种异常光谱筛选模型筛选后的第
j
个透射光谱数据集的平均光谱
。
[0015]优选地，所述异常光谱分析库中的不同异常光谱分析方法包括：主成分分析法
、
稳定变量分析法以及光谱标准差法
。
[0016]进一步地，不同的异常光谱筛选模型具体包括：第一异常光谱筛选模型
、
第二异常光谱筛选模型以及第三异常光谱筛选模型；所述第一异常光谱筛选模型为不包括任何异常光谱分析方法的空白对照模型；所述第二异常光谱筛选模型先采用所述主成分分析法筛选异常光谱，再采用所述稳定变量分析法进行异常光谱筛选；所述第三异常光谱筛选模型先采用所述主成分分析法筛选异常光谱，再采用所述光谱标准差法进行异常光谱筛选
。
[0017]优选地，所述寻优模块，具体用于：计算不同的异常光谱筛选模型筛选后的不同透射光谱数据集的吸收标准差的平均值，得到平均吸收标准差；计本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种小麦透射光谱的异常光谱筛选模型确定方法，其特征在于，所述方法包括：获取对待测样品进行多次重复采样得到的不同透射光谱数据集，每一透射光谱数据集包括一次采样获取若干透射光谱；根据预设的异常光谱分析库中的不同异常光谱分析方法进行组合，确定不同的异常光谱筛选模型；采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理，剔除异常光谱，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱；计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差；将不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱代入预设的光谱预测模型中，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的预测标准差；根据不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收标准差以及预测标准差确定最优异常光谱筛选模型
。2.
根据权利要求1所述的小麦透射光谱的异常光谱筛选模型确定方法，其特征在于，所述计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱，具体包括：采用不同的异常光谱筛选模型分别对每一的透射光谱数据集进行筛选处理，剔除异常光谱，并计算每一透射光谱数据集剩余透射光谱的平均光谱；根据预先采集的参比光谱，计算不同的异常光谱筛选模型筛选后的每一透射光谱数据集的吸收光谱
。3.
根据权利要求2所述的小麦透射光谱的异常光谱筛选模型确定方法，其特征在于，所述吸收光谱；其中，为第
i
种异常光谱筛选模型筛选后的第
j
个透射光谱数据集的吸收光谱；为第
j
个透射光谱数据集的参比光谱，为第
i
种异常光谱筛选模型筛选后的第
j
个透射光谱数据集的平均光谱
。4.
根据权利要求1所述的小麦透射光谱的异常光谱筛选模型确定方法，其特征在于，所述异常光谱分析库中的不同异常光谱分析方法包括：主成分分析法
、
稳定变量分析法以及光谱标准差法
。5.
根据权利要求4所述的小麦透射光谱的异常光谱筛选模型确定方法，其特征在于，不同的异常光谱筛选模型具体包括：第一异常光谱筛选模型
、
第二异常光谱筛选模型以及第三异常光谱筛选模型；所述第一异常光谱筛选模型为不包括任何异常光谱分析方法的空白对照模型；所述第二异常光谱筛选模型先采用所述主成分分析法筛选异常光谱，再采用所述稳定变量分析法进行异常光谱筛选；所述第三异常光谱筛选模型先采用所述主成分分析法筛选异常光谱，再采用所述光谱标准差法进行异常光谱筛选
。6.
根据权利要求1所述的小麦透射光谱的异常光谱筛...

【专利技术属性】
技术研发人员：张洪明，吕波，
申请(专利权)人：中国科学院合肥物质科学研究院，
类型：发明
国别省市：