[发明专利]基于近红外光谱显著性分析检测样品理化性质的方法

权利要求书

1.一种基于近红外光谱显著性分析检测样品理化性质的方法，其特征在于，所述方法包括：

获得待测样品的原始近红外光谱数据集，所述待测样品的原始近红外光谱数据集中包括所述待测样品本身的波长数据和与所述待测样品不相关的波长数据；

对所述原始近红外光谱数据集中的波长数据进行显著性分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集；

将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质，所述检测模型用于检测波长数据对应的理化性质。

2.根据权利要求1所述的方法，其特征在于，所述对所述原始近红外光谱数据集中的波长数据进行显著性分析，去除所述原始近红外光谱数据集中的与所述待测样品不相关的波长数据，得到新近红外光谱数据集，包括：

计算所述原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述新近红外光谱数据集。

3.根据权利要求2所述的方法，其特征在于，所述计算所述原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述新近红外光谱数据集，包括：

计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集，所述N为大于或等于1的正整数，当所述N为1时，所述第N-1近红外光谱数据集为所述原始近红外光谱数据集；

对N个近红外光谱数据集进行交叉验证，从所述N个近红外光谱数据集中选择交叉验证均方根误差最小的近红外光谱数据集作为所述新近红外光谱数据集，所述N个近红外光谱数据集是从第1近红外光谱数据集至所述第N近红外光谱数据集的近红外光谱数据集。

4.根据权利要求3所述的方法，其特征在于，所述计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集前，所述方法还包括：

按照预设比例，采集所述第N-1近红外光谱数据集中的波长数据，得到第N-1近红外光谱数据子集；

所述计算第N-1近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集，包括：

计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集。

5.根据权利要求4所述的方法，其特征在于，所述计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到第N近红外光谱数据集，包括：

计算所述第N-1近红外光谱数据子集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到删除波长数据后的第N-1近红外光谱数据子集；

计算删除波长数据后的第N-1近红外光谱数据子集中的每个波长数据的权重，并删除权重小于预设权重的波长数据，得到所述第N近红外光谱数据集。

6.根据权利要求1至5中任一项所述的方法，其特征在于，所述将所述新近红外光谱数据集输入预先生成的检测模型进行理化性质检测，得到所述待测样品的理化性质前，所述方法还包括：

获得待训练样品的原始近红外光谱数据集和所述待训练样品的的理化性质，所述待训练样品的原始近红外光谱数据集中包括所述待训练样品本身的波长数据和与所述待训练样品不相关的波长数据；

计算所述待训练样品的原始近红外光谱数据集中的每个波长数据的选择比率得分值，并删除选择比率得分值小于预设选择比率得分值的波长数据，得到所述待训练样品的新近红外光谱数据集；

使用机器学习算法对所述待训练样品的新近红外光谱数据集和所述待训练样品的理化性质进行机器学习，生成所述检测模型。