[发明专利]一种基于CC-PLS-RBFNN优化模型的近红外光谱分析方法

摘要

本发明属于光谱分析领域，尤其是涉及一种基于CC‑PLS‑RBFNN优化模型的近红外光谱分析方法。所述方法结合了相关系数法（CC）、偏最小二乘法（PLS）与径向基函数神经网络（RBFNN），并对重要参数进行了优化；包括：利用三阶Savitzky‑Golay卷积平滑滤波及一阶导数校正对原始光谱进行预处理；在全波长段建立PLS模型并优化选取窗口宽度和PLS提取的主成分个数；计算每个波长变量的相关系数，截取相关系数大于设定阈值的波长变量参与建模并优化选取阈值大小；利用优化选取的窗口宽度、主成分个数和波长变量得到优化PLS模型；用优化PLS模型提取的主成分得分和性质矩阵训练RBF神经网络，获得最终的CC‑PLS‑RBFNN优化模型。本方法能显著提高近红外光谱分析的鲁棒性与精度。

主权项

1.一种基于CC‑PLS‑RBFNN优化模型的近红外光谱分析方法，其特征在于，所述基于CC‑PLS‑RBFNN优化模型的近红外光谱分析方法包括：利用三阶Savitzky‑Golay卷积平滑滤波及一阶导数校正对原始光谱进行预处理；在全波长段建立PLS模型并优化选取平滑滤波的窗口宽度和PLS模型中提取的主成分个数；计算每个波长变量的相关系数，截取相关系数大于设定阈值的波长变量参与建模并优化选取阈值大小；利用优化选取的窗口宽度、主成分个数和波长变量得到优化PLS模型；用优化PLS模型提取的主成分得分矩阵和对应的样本性质矩阵训练RBF神经网络，获得最终的CC‑PLS‑RBFNN优化模型；具体步骤包括：步骤(1)：参数初始化：将样本划分为校正集和预测集；校正集的光谱矩阵为Xs(s×p)，具有s个样本，全波长点有p个，校正集的样本性质矩阵为Ys(s×1)；预测集的光谱矩阵为Xt(t×p)，具有t个样本，全波长点有p个，预测集的样本性质矩阵为Yt(t×1)；定义n为平滑滤波的窗口宽度，q为主成分个数，TH为相关系数阈值；设定最大窗口宽度n_MAX，最大主成分个数q_MAX，相关系数阈值遍历间隔d_TH，最大相关系数阈值TH_MAX，以及设定RBF神经网络核函数扩展因子σ，网络神经元数量m；窗口宽度n初始化为5，主成分个数q初始化为5，相关系数阈值TH初始化为0；步骤(2)：光谱预处理：对校正集原始光谱矩阵Xs(s×p)逐行进行n点三阶Savitzky‑Golay卷积平滑滤波，并进行一阶求导完成光谱预处理，得到校正集预处理后光谱矩阵Xs’(s×p)；步骤(3)：PLS初始建模：对预处理后的s个校正集的样本利用PLS模型提取q个主成分，对预处理后光谱矩阵Xs’(s×p)及对应的样本性质矩阵Ys(s×1)进行回归建模并得到全波长PLS模型，并采取留一交叉验证的方法，得到相应的RMSECV值；步骤(4)：选择模型参数：依次遍历不同的n和q，重复步骤(2)到步骤(3)，直至n＝n_MAX，q＝q_MAX，得到不同模型参数下的RMSECV值；n和q的遍历间隔分别为2和1，选取使得RMSECV最小的n和q作为优化选取下的模型参数；步骤(5)：筛选光谱矩阵：对校正集预处理后光谱矩阵Xs’(s×p)及对应样本性质矩阵Ys(s×1)展开相关分析，得到p个波长变量的相关系数，构成相关系数矩阵C(1×p)；设相关系数大于设定的相关系数阈值TH的波长变量共有p’个，选取这部分波长变量对应的预处理后光谱矩阵Xs’(s×p)的子集，构成筛选后光谱矩阵Xs_selected(s×p’)；步骤(6)：部分波长PLS建模：在步骤(4)优化选取的模型参数下，对筛选后光谱矩阵Xs_selected(s×p’)及对应样本性质矩阵Ys(s×1)进行预处理和PLS回归建模，得到部分波长下的PLS模型，并采取留一交叉验证的方法，得到相应的RMSECV值；步骤(7)：选择相关系数阈值TH：以d_TH为相关系数阈值遍历间隔，依次遍历不同的TH，重复步骤(5)至步骤(6)，直至TH＝TH_MAX，得到不同的RMSECV值；选取使得RMSECV最小的TH作为优化选取的相关系数阈值，建立部分波长下的优化PLS模型；步骤(8)：训练RBF神经网络：将步骤(7)所得的优化模型所提取的主成分得分矩阵Score(s×q)作为输入变量，对应的样本性质矩阵Ys(s×1)作为目标变量，进行RBF神经网络的训练，得到最终的CC‑PLS‑RBFNN优化模型。