[发明专利]一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法

权利要求书

1.一种基于红外光谱的饲料和饲料原料氨基酸含量的预测方法，其步骤是：

A、特征降维与提取：特征降维与提取是指压缩饲料或原料光谱波段发射率、减少冗余信息的过程。实际应用中不同光谱观测仪器输出的饲料或饲料原料红外光谱波段通常在750nm～2300nm的范围，红外光谱波段数据维数高且冗余信息多，对光谱数据进行降维处理，提高数据质量、增强后面模型预测准确性；

给定N个饲料或饲料原料观测样本的红外光谱反射率数据集S_N及其任意一种氨基酸含量数据集P_N；K个待预测饲料或饲料原料点，其已知的红外光谱发反射率数据集S_k，其相应氨基酸含量P_K未知，红外光谱反射率数据集S_N是N行D列矩阵，红外光谱发反射率数据集S_k是K行D列矩阵，D<1500；其中每行对应一个观测样本的光谱反射率，每列对所有观测样本的任意一波段上的反射率，氨基酸含量数据集P是N行1列向量；

采用雅可比矩阵特征值和特征向量求解法，实现对高维红外光谱反射率数据集S_N和红外光谱发反射率数据集S_k的降维处理，首先采用雅可比矩阵特征值和特征向量求解法，求解红外光谱反射率数据集S_N的特征向量χ，χ满足方程(1)：

(λI-S_N)χ＝0 (1)

方程(1)λ是矩阵S_N的特征值，I是单位矩阵，方程(1)中特征向量χ求解属于矩阵分解领域的内容；

S_N的特征向量χ的前L维通常代表了矩阵S_N的最大变异性，利用公式(1)和(2)实现观测样本红外光谱反射率数据集S_N和预测饲料和饲料原料红外光谱发反射率数据集S_k的降维处理公式(1)和(2)：

和分别对应降维后观测样本和待预测点的最优光谱反射率成分；

B、构建局部加权模型：局部加权模型的核心是对饲料或饲料原料观测样本的红外光谱反射率和氨基酸含量的局部依赖关系进行拟合，给定任意饲料和饲料原料观测点最优光谱反射率对应氨基酸含量P_i，1≤i≤N，公式(3)拟合该点最优光谱反射率和对应氨基酸含量P_i的关系：

公式(3)中，β＝{β₀,β₁,β_j...,β₁₀}是回归系数，是对应观测样本i在最优波段位置j的反射率，1≤j≤10；

C、加权回归系数求解和预测：用加权最小二乘法求解按公式(4)进行求解：

公式(4)中,是给定样点邻近点对其的影响权重系数，是邻近点的氨基酸含量，是邻近点的在最优波段位置j的反射率；

用公式(5)计算：

公式(5)中,表示样点到其邻近点的距离，按公式(6)计算；α参数取到周边最邻近点20个观测点的距离的平均值；

公式(6)中，T表示矩阵转置计算；

对公式(4)两端求导，导出回归系数的解的矩阵表达式如下：

公式(7)中，是与样点邻接的20个样本光谱反射率组成的20行11列矩阵，矩阵是权重对角矩阵，每个对角元素值是对应邻近观测点对点的加权影响系数；是与样点邻接的20个样本氨基酸含量组成的列向量；

给定K个待预测饲料或饲料原料样品，红外光谱发反射率数据集按公式(8)预测饲料或饲料原料氨基酸含量P_k：

公式(8)中，是与样点邻接的20个样本最优光谱反射率组成的20行11列矩阵，矩阵是权重对角矩阵，每个对角元素值是对应邻近观测点对点的加权影响系数；是与样点邻接的20个样本氨基酸含量组成的列向量；为红外光谱发反射率数据集。