【技术实现步骤摘要】
本专利技术涉及近红外光谱中的定量分析，尤其涉及一种近红外光谱蛋白质含量分析方法、装置、设备及存储介质。
技术介绍
1、回归分析是化学计量学的常用方法。最小二乘回归是最典型的一种回归方法，其目的是最小化预测变量和响应之间差异的平方和进而估计出线性回归模型的系数。事实上，假设误差服从高斯分布时，最小二乘回归等价于最大似然估计。在最小二乘回归中，求回归系数归结为一个广义逆问题。不幸的是，如果样本的个数小于变量的个数，则广义逆问题会出现奇异性。解决这个问题的一种方法是减少原始数据的维度，以确保样本数量大于变量的个数，然后使用降维后的数据建立回归模型。
2、但是，现有的概率偏最小二乘回归模型在检测小麦中的蛋白质含量时，由于未考虑红外光谱信号的特征的个性成分，存在使得近红外光谱预测蛋白质含量精度较低、效果差的问题。
技术实现思路
1、本专利技术的主要目的在于提供一种近红外光谱蛋白质含量分析方法、装置、设备及存储介质，旨在解决现有技术中基于概率建模的红外光谱分析模型中，近红外光谱预测蛋白质含量精度较低、效果较差的技术问题。
2、为实现上述目的，本专利技术提供一种近红外光谱蛋白质含量分析方法、装置、设备及存储介质，所述方法包括以下步骤：
3、对获取到的小麦对应的原始近红外光谱数据进行预处理，获得处理后的近红外光谱数据；
4、根据改进后的混合概率偏最小二乘回归模型对所述处理后的近红外光谱数据进行蛋白质含量预测，获得预测结果，所述改进后的混合概率偏最小二
5、对所述预测结果进行分析，获得所述小麦对应的蛋白质含量。
6、可选地，所述对获取到的小麦对应的原始近红外光谱数据进行预处理，获得处理后的近红外光谱数据的步骤之前，还包括：
7、获取小麦对应的近红外光谱数据集；
8、根据所述近红外光谱数据集对初始混合概率偏最小二乘回归模型进行迭代训练，获得改进后的混合概率偏最小二乘回归模型。
9、可选地，所述根据所述近红外光谱数据集对初始混合概率偏最小二乘回归模型进行迭代训练，获得改进后的混合概率偏最小二乘回归模型的步骤之后，还包括：
10、根据em算法对所述改进后的混合概率偏最小二乘回归模型进行求解，获得最优解对应的模型参数。
11、可选地，所述根据em算法对所述改进后的混合概率偏最小二乘回归模型进行求解，获得最优解对应的模型参数，包括：
12、根据模型参数构建em算法的预设期望值函数，并对所述改进后的混合概率偏最小二乘回归模型进行求解，获得预设期望值函数取得最优解时的模型参数值，所述模型参数包括红外光谱信号和红外光谱信号特征分别对应的载荷矩阵、均值向量和方差向量。
13、可选地，所述根据模型参数构建em算法的预设期望值函数，并对所述改进后的混合概率偏最小二乘回归模型进行求解，获得预设期望值函数取得最优解时的模型参数值的步骤之后，还包括：
14、获取小麦对应的近红外光谱测试数据集；
15、根据所述模型参数值和所述改进后的混合概率偏最小二乘回归模型对所述近红外光谱测试数据集进行预测测试，获得预测测试结果；
16、根据多元统计方法对所述预测测试结果进行评估，获得评估结果。
17、可选地，所述根据多元统计方法对所述预测测试结果进行评估，获得评估结果的步骤之后，还包括：
18、根据所述近红外光谱数据集对改进后的混合概率偏最小二乘回归模型进行迭代训练，获得二次训练后的混合概率偏最小二乘回归模型。
19、可选地，所述根据改进后的混合概率偏最小二乘回归模型对所述处理后的近红外光谱数据进行蛋白质含量预测，获得预测结果，包括：
20、根据所述模型参数值和二次训练后的混合概率偏最小二乘回归模型对所述处理后的近红外光谱数据进行蛋白质含量预测，获得预测结果。
21、此外，为实现上述目的，本专利技术还提出一种近红外光谱蛋白质含量分析装置，所述近红外光谱蛋白质含量分析装置包括：
22、数据获取模块，用于对获取到的小麦对应的原始近红外光谱数据进行预处理，获得处理后的近红外光谱数据；
23、含量预测模块，用于根据改进后的混合概率偏最小二乘回归模型对所述处理后的近红外光谱数据进行蛋白质含量预测，获得预测结果，所述改进后的混合概率偏最小二乘回归模型包括第一隐形变量、第二隐形变量和第三隐形变量，所述第一隐形变量为红外光谱信号对应的隐形变量，所述第二隐形变量为红外光谱信号特征对应的隐形变量，所述第三隐形变量为红外光谱信号和红外光谱信号特征共同的隐形变量；
24、含量分析模块，用于对所述预测结果进行分析，获得所述小麦对应的蛋白质含量。
25、此外，为实现上述目的，本专利技术还提出一种近红外光谱蛋白质含量分析设备，所述设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的近红外光谱蛋白质含量分析程序，所述近红外光谱蛋白质含量分析程序配置为实现如上文所述的近红外光谱蛋白质含量分析方法的步骤。
26、此外，为实现上述目的，本专利技术还提出一种存储介质，所述存储介质上存储有近红外光谱蛋白质含量分析程序，所述近红外光谱蛋白质含量分析程序被处理器执行时实现如上文所述的近红外光谱蛋白质含量分析方法的步骤。
27、在本专利技术中，公开了基于改进后的混合概率偏最小二乘回归模型对小麦的近红外光谱数据进行蛋白质含量分析，改进后的混合概率偏最小二乘回归模型中除了包括红外光谱信号对应的隐形变量、红外光谱信号特征对应的隐形变量和红外光谱信号和红外光谱信号特征共同的隐形变量，考虑了红外光谱信号和红外光谱信号特征之间的共性成分，也分别考虑了二者的个性成分，从而能够提高小麦的近红外光谱预测蛋白质含量时的精度，预测蛋白质含量的效果好。
本文档来自技高网...【技术保护点】
1.一种近红外光谱蛋白质含量分析方法，其特征在于，所述方法包括：
2.如权利要求1所述的近红外光谱蛋白质含量分析方法，其特征在于，所述对获取到的小麦对应的原始近红外光谱数据进行预处理，获得处理后的近红外光谱数据的步骤之前，还包括：
3.如权利要求2所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据所述近红外光谱数据集对初始混合概率偏最小二乘回归模型进行迭代训练，获得改进后的混合概率偏最小二乘回归模型的步骤之后，还包括：
4.如权利要求3所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据EM算法对所述改进后的混合概率偏最小二乘回归模型进行求解，获得最优解对应的模型参数，包括：
5.如权利要求4所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据模型参数构建EM算法的预设期望值函数，并对所述改进后的混合概率偏最小二乘回归模型进行求解，获得预设期望值函数取得最优解时的模型参数值的步骤之后，还包括：
6.如权利要求5所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据多元统计方法对所述预测测试结果进行评估，获
7.如权利要求6所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据改进后的混合概率偏最小二乘回归模型对所述处理后的近红外光谱数据进行蛋白质含量预测，获得预测结果，包括：
8.一种近红外光谱蛋白质含量分析装置，其特征在于，所述近红外光谱蛋白质含量分析装置包括：
9.一种近红外光谱蛋白质含量分析设备，其特征在于，所述近红外光谱蛋白质含量分析设备包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的近红外光谱蛋白质含量分析程序，所述近红外光谱蛋白质含量分析程序被所述处理器执行时实现如权利要求1至7中任一项所述的近红外光谱蛋白质含量分析的步骤。
10.一种存储介质，其特征在于，所述存储介质上存储有近红外光谱蛋白质含量分析程序，所述近红外光谱蛋白质含量分析程序被处理器执行时实现如权利要求1至7中任一项所述的近红外光谱蛋白质含量分析方法的步骤。
...【技术特征摘要】
1.一种近红外光谱蛋白质含量分析方法，其特征在于，所述方法包括：
2.如权利要求1所述的近红外光谱蛋白质含量分析方法，其特征在于，所述对获取到的小麦对应的原始近红外光谱数据进行预处理，获得处理后的近红外光谱数据的步骤之前，还包括：
3.如权利要求2所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据所述近红外光谱数据集对初始混合概率偏最小二乘回归模型进行迭代训练，获得改进后的混合概率偏最小二乘回归模型的步骤之后，还包括：
4.如权利要求3所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据em算法对所述改进后的混合概率偏最小二乘回归模型进行求解，获得最优解对应的模型参数，包括：
5.如权利要求4所述的近红外光谱蛋白质含量分析方法，其特征在于，所述根据模型参数构建em算法的预设期望值函数，并对所述改进后的混合概率偏最小二乘回归模型进行求解，获得预设期望值函数取得最优解时的模型参数值的步骤之后，还包括：
6.如权利要求5所述的近红外光谱蛋白...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。