[发明专利]专属性模式识别模型判别分析中药材资源指纹信息的方法

权利要求书

1.一种专属性模式识别模型判别分析中药材资源指纹信息的方法，其特征在于，按如下步骤进行：

（1）中药材样品的制备；

（2）中药材近红外和中红外光谱全息指纹图谱的获取与光谱预处理校正；

（3）对中药材资源进行虚拟的矩阵编码；

（4）中药材质量控制专属性模式识别训练模型的构建；

（5）专属性训练模型对中药材资源的辨识与判断。

2.如权利要求1所述的方法，其特征在于步骤（1）中药材样品的制备过程为去泥沙、清洗干净，真空干燥后，用中药粉碎机粉碎过目筛，获取可分析的中药材样品。

3.如权利要求1所述的方法，其特征在于步骤（2）中中药材样品的近红外指纹图谱的获取是以金箔为参比进行近红外光谱全波段扫描；中红外指纹图谱的获取为将中药材样品与适量溴化钾混合后压片，进行中红外全波段扫描，并对全息中红外和近红外指纹图谱进行多元散射校正和/或通过二阶导数校正，获取中药材全息得以增强的校正指纹信息。

4.如权利要求1所述的方法，其特征在于步骤（3）中对中药材资源进行虚拟的矩阵编码，是通过将用于训练模型的中药材资源进行虚拟编码，每一行代表一个样品，将其虚拟编码为矢量code=v_j,其编码原则为第j个元素为1，其余元素均为0，由此，将用于训练模型的不同类中药材资源编码为一个矩阵I_n×m，该矩阵的行数等于建模所用的中药材资源训练样本数n，列数等于均中药材资源不同类别数m。

5.如权利要求1所述的方法，其特征在于步骤（4）中对中药材质量控制专属性模式识别训练模型的构建，通过设置一个以指纹校正图谱中第一个光谱数据点为起点、大小取值在20至40间的任意窗口连续地在中药材各训练样本集的全息近红外或中红外的校正指纹图谱数据中滑动，连续滑动的窗口中的光谱作为n个训练样本的响应信号矩阵X_n×p的子矩阵X_n×w，运用偏最小二乘判别分析方法将滑动的窗口中的中药材训练集近红外或中红外的指纹校正图谱数据与编码的中药材资源的类别训练矩阵I_n×m关联，且在每一个窗口位置，对所有训练集样本建立不同隐变量的偏最小二乘判别分析子模型：

I_n×m,t=X_n×w，tR_w×m，t+E_n×m，t

其中，I_n×m，t是t个隐变量的偏最小二乘判别分析模型的类别训练矩阵，R_w×m，t是t个隐变量的偏最小二乘判别分析模型的回归系数矩阵，E_n×m，t为残差矩阵；

计算这一系列不同隐变量下偏最小二乘判别分析子模型的分类残差，并对窗口作图，获取具有低的分类残差和低维数模型的特征指纹信息区间，甄别得到中药材全息校正光谱中所隐含的专属指纹特征信息的系列有用变量区间，并将其组合后与中药材资源的虚拟编码类别矩阵间构建具有专属性特征的偏最小二乘判别分析模型，即：I_n×m=X_n×pR_p×m；其中，p是提取得到的差异性专属指纹特征信息区间所含的波长数，m是类别数，I_n×m为中药材资源的类别训练矩阵，X_n×p为获得的专属性特征信息矩阵，R_p×m为回归矩阵；模型对I_n×m的每一列对获得的专属性特征信息矩阵X_n×p进行PLS1回归，回归矩阵R_p×m的每一列为PLS1的回归系数量，最佳隐变量数由n-重交互验证确定。

6.如权利要求1所述的方法，其特征在于步骤（5）中专属性训练模式识别模型对中药材资源的辨识与判断，是通过对辨识和判别的未知中药材资源样品的类别矩阵I_un进行解码，获知未知的任意第j个样品的类别解码矢量中最大值所出现的第m个位置，从而判定中药材资源的类别属性。

7.如权利要求6所述的方法，其特征在于步骤（5）中未知样品类别矩阵I_un的解码的获得计算如下：通过未知样品的响应信号矩阵X_un和专属性模型回归得到的矩阵R_p×m之间建模获得未知样品类别矩阵I_un的解码,即：I_un=X_unR_p×m，M_j=M_j=decode_max(v′_j..);其中，M_j为第j个样品的类别，decode_max(v′_j..)表示某个所需预测判别的未知中药材样品解码矢量v′_j最大元素的位置。