[发明专利]基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法

权利要求书

1.基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法，其特征包含以下几个步骤：

(1)生物质原始数据采集：依据标准(如：国家标准GB/T 28733-2012)对生物质水分含量进行测量；利用近红外光谱仪器(波长范围为：1200～3000nm)对生物质样本测量，获得样本的红外光谱数据；测量红外数据采集时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等状态参数；

(2)样本集的划分：采用随机分类的方法，选取30％～70％的数据作为训练样本集，其余数据作为验证样本集；

(3)异常数据去除：本发明中采用Chauvenet检验法对数据进行异常数据处理，提取有用数据信号，获得噪点比低、背景干扰相对较小的信号；

(4)红外光谱数据预处理：本发明采用主成分分析方法把噪声和背景进行分离，将红外数据各波长的测量数据进行主成分分析，获得主成分表达式和主成分数值；

(5)建立神经网络模型：将经预处理后的红外光谱的主成分数据，以及状态参数数据作为支持向量机神经网络的输入参数，将生物质水含量测量值作为神经网络输出参数，采用训练样本集对建立的神经网络进行训练，获得最优的网络结构和参数；

(6)验证模型准确性：采用验证样本集中的红外光谱数据和状态参数数据作为步骤(5)已训练收敛的支持向量机神经网络的输入，将神经网络的输出值与验证样本集中生物质水分的测量值进行对比，验证模型的准确性。

2.根据权利要求1所述的基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法，其特征在于：步骤(1)利用近红外光谱仪器对生物质样本测量，获得样本的红外光谱数据；测量红外数据采集时的环境温度、压力、红外传感器探头距离样品的距离、环境光强等状态参数。

3.根据权利要求1所述的基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法，其特征在于：步骤(2)对采集的数据进行分类，采用随机分类的方法，选取30％～70％的数据作为训练样本集，其余数据作为验证样本集；训练样本集用来建立神经网络模型，验证样本集则用来检测所建立的神经网络模型是否准确。

4.根据权利要求1所述的基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法，其特征在于：步骤(3)平滑处理方法，采用Chauvenet检验法去除异常数据增强后来数据建模的精确性。

5.根据权利要求1所述的基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法，其特征在于：步骤(4)将红外数据各波长的测量数据进行主成分分析，对预处理后的数据进行降维，选取贡献率大于80％的成分作为主成分，获得主成分表达式和主成分数值，去除数据的重复性和共线性，防止拟合过度等情况，减少数据计算量并且保证数据原始特征。

6.根据权利要求1所述的基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法，其特征在于：步骤(5)使用支持向量机神经网络方法对训练样本集数据对神经网络进行训练优化，模型的输入为主成分分析后提取的主成分向量，输出为生物质原料中的水分含量值，采用主成分分析方法考虑了不同波长数据的影响作用，进行数据降维处理，降低了计算量；采用红外分析仪所处环境状态参数直接作为神经网络输入，充分考虑了环境变化对测量准确性的影响作用，结果更加准确可靠，适用范围更加广阔。

7.根据权利要求1所述的基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法，其特征在于：步骤(6)利用模型求出训练样本集和验证样本集的相关系数和均方根误差，来对整体模型快速检测的准确度进行评价。

8.根据权利要求1-7任意一项所述的基于近红外光谱主成分和神经网络的生物质水含量测量与建模方法在生物质和大数据分析领域的应用均属本专利权利保护范畴。