[发明专利]一种近红外光谱的分类方法

说明书

本发明适用于光谱分析领域，提供了一种近红外光谱的分类方法，所述方法包括：获取待分类近红外光谱样本，并根据所述待分类近红外光谱样本获取验证集样本；通过稀疏降维方法利用校正集样本获取最优分类分割面，并使所述校正集和验证集光谱向最优分类分割面投影，完成光谱的压缩变换；根据所述投影通过变换压缩获取所述验证集样本的目标校正集样本，将所述目标校正集样本作为所述验证集样本的学习字典，并根据所述学习字典对所述验证样本集进行分类。本发明实施例，省去了根据校正样本集训练学习字典的繁琐过程，提高了近红外光谱的分类效率。

技术领域

本发明属于光谱分析领域，尤其涉及一种近红外光谱的分类方法。

背景技术

利用近红外光谱进行物质判别分类是光谱分析的一个重要应用方向，目前已有多种方法实现光谱数据的分类，最终达到判定物质类别属性的目的。据参考文献的报道，聚类分析、神经网络、判别分析、贝叶斯决策、支持向量机等方法已经成功应用于农业、医药、食品等产品的光谱快速分析领域。而在工程实际应用中，由于训练建模样本不足、样本分布不均、噪声严重等情况，上述分类器或分类方法的性能就会下降。而目标特征物浓度过低，存在外部干扰，检测基质过于混杂导致图谱混叠情况，可能导致分类失败，研究复杂环境下更为有效的光谱分类特征信息提取方法并实现准确分类具有现实意义。

随着稀疏理论的推广，利用信号稀疏特性的提取类别特征在图像处理领域已取得了初步的研究成果，该成果用于人脸、遥感信息的分类识别有了初步成效，但现有基于稀疏表达的分类(Sparse Representation-based Classifier，简称SRC)非常繁琐。

发明内容

鉴于此，本发明提供一种近红外光谱的分类方法，以解决现有技术计算方法繁琐的技术问题。

本发明实施例是这样实现的，一种近红外光谱的分类方法，所述方法包括以下步骤：

获取待分类近红外光谱样本，并根据所述待分类近红外光谱样本获取验证集样本；

通过稀疏降维方法利用校正集样本获取最优分类分割面，并使所述校正集和验证集光谱向最优分类分割面投影，完成光谱的压缩变换；

根据所述投影通过变换压缩获取所述验证集样本的目标校正集样本，将所述目标校正集样本作为所述验证集样本的学习字典，并根据所述学习字典对所述验证样本集进行分类。

进一步的，所述根据所述投影通过变换压缩获取所述验证集样本的目标校正集样本，将所述目标校正集样本作为所述验证集样本的学习字典，并根据所述学习字典对所述验证样本集进行分类的步骤，具体为：

根据验证集样本与校正集样本的距离确定目标校正集样本，将所述目标校正集样本作为所述验证集样本的学习字典，并根据所述学习字典对所述验证样本集进行分类。

进一步的，所述根据验证集样本与校正集样本的距离确定目标校正集样本，将所述目标校正集样本作为所述验证集样本的学习字典，并根据所述学习字典对所述验证样本集进行分类的步骤，具体为：

将所述验证集样本与预设的校正集样本进行距离比较，选择距离最近的校正集样本作为目标校正集样本；

获取所述验证集样本在所述目标校正集样本下的稀疏表示系数；

根据所述稀疏表示系数计算所述验证集样本在所述目标校正集样本下的重构误差；

根据所述重构误差确定所述验证样本集的类别。

进一步的，所述距离为：欧氏距离或马氏距离。

进一步的，在所述获取所述验证集样本的目标校正集样本的步骤之后，所述方法还包括以下步骤：

获取所述验证集样本在所述目标校正集样本下的稀疏表示系数；