[发明专利]一种贝类重金属污染快速检测方法在审

专利信息
申请号: 201910129944.1 申请日: 2019-02-21
公开(公告)号: CN109668842A 公开(公告)日: 2019-04-23
发明(设计)人: 刘瑶;孟祥丽;李明;王润涛;王树文 申请(专利权)人: 岭南师范学院
主分类号: G01N21/25 分类号: G01N21/25;G06K9/62
代理公司: 广州粤高专利商标代理有限公司 44102 代理人: 陈伟斌;刘瑶云
地址: 524048 广*** 国省代码: 广东;44
权利要求书: 查看更多 说明书: 查看更多
摘要:
搜索关键词: 分类器 贝类 重金属污染 波段子集 分类检测 集成学习 样本 量子神经网络 波段选择 快速检测 邻域 预处理 采集 高光谱图像 环境无污染 重金属检测 分析过程 化学试剂 检测技术 检测结果 决策理论 神经网络 数据提取 提取特征 样品数据 应用量子 高光谱 重现性 分类 证据 制备 校正 鉴别 测试 检测 污染 决策
【权利要求书】:

1.一种贝类重金属污染快速检测方法,其特征在于,包括以下步骤;

S1:在试验室内制备样本,包括无污染样本、单一污染样本、复合污染样本;

S2:对样本进行高光谱图像采集及校正,之后进行光谱数据提取及进行预处理;

S3:对预处理后的图像数据进行基于邻域证据决策的波段选择,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集;

S4:建立分类检测模型,该分类检测模型包括量子神经网络分类器和由多个量子神经网络分类器组成的集成学习分类器,量子神经网络分类器利用已选波段子集对贝类进行污染与无污染检测分类,集成学习分类器利用已选波段子集对贝类进行不同种类重金属污染鉴别分类;

S5:得出样本的检测结果。

2.根据权利要求1所述的一种贝类重金属污染快速检测方法,其特征在于,所述步骤S2的处理过程为;

S21:对制备的样本进行高光谱图像获取;

S22:对图像进行黑白校正;

S23:提取任一区域图像数据;

S24:对该区域图像数据进行光谱预处理。

3.根据权利要求2所述的一种贝类重金属污染快速检测方法,其特征在于,所述步骤S24中的光谱预处理的包括;基线校正、变量标准化、多元散射校正和求导处理。

4.根据权利要求1所述的一种贝类重金属污染快速检测方法,其特征在于,所述步骤S3中将邻域粗糙集的属性约简思想应用到高光谱降维中,利用粗糙集理论与证据理论二者之间的互补性,剔除冗余数据,提取能够准确检测贝类正常样本与重金属污染样本的特征波段子集,具体过程如下:以每个波段图像数据为条件属性,重金属污染情况作为决策属性,组成决策属性表,再通过属性集约简算法得出最佳特征波段子集。

5.根据权利要求4所述的一种贝类重金属污染快速检测方法,其特征在于,所述属性集约简算法包括邻域证据决策理论,通过邻域证据决策理论得出最佳特征波段子集的过程如下:

给定邻域决策系统NDT=<U,N,D>,D={ω12,…,ωc},假设是特征分为c类的分类问题,则ωq为第q个类别(1≤q≤c),在邻域δ(x)中,任意样本xi均提供一条证据mi来反映样本x的隶属类别,将证据mi进行融合,并计算最终证据m的BetPm概率度量,那么邻域证据决策NED定义为:

其中,证据

式中,BetPm({ωq})为属于ωq类的样本的概率度量,d(x,xi)为不同样本之间的相似程度的度量,ωq为样本xi所属类,α为结构参数,0<α<1,φq为距离的函数;

与BetPm概率度量相关的错误分类0-1损失函数为:

式中,ω(x)为样本x所属类;

基于NED的定义函数和0-1损失函数,邻域证据决策误差率NEDE定义如下:

式中,n为样本数,λ(ω(xi)NED(xi))为将NED(xi)误判为ω(xi)时的损失;

NEDE是贝叶斯分类误差的一种估计,通过选择不同的属性集使得NEDE达到最小,从而实现基于NEDE的属性约简。

下载完整专利技术内容需要扣除积分,VIP会员可以免费下载。

该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于岭南师范学院,未经岭南师范学院许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服

本文链接:http://www.vipzhuanli.com/pat/books/201910129944.1/1.html,转载请声明来源钻瓜专利网。

×

专利文献下载

说明:

1、专利原文基于中国国家知识产权局专利说明书;

2、支持发明专利 、实用新型专利、外观设计专利(升级中);

3、专利数据每周两次同步更新,支持Adobe PDF格式;

4、内容包括专利技术的结构示意图流程工艺图技术构造图

5、已全新升级为极速版,下载速度显著提升!欢迎使用!

请您登陆后,进行下载,点击【登陆】 【注册】

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

钻瓜专利网在线咨询

周一至周五 9:00-18:00

咨询在线客服咨询在线客服
tel code back_top