[发明专利]基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法

权利要求书

1.基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法，其特征在于包含以下步骤：

(1)生物质样本数据的获取：包括生物质的红外光谱数据的获取和平滑去噪等预处理；红外光谱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数据的获取及预处理；依据标准(如：国家标准GB/T 30725—2014)的高温水解-电位滴定法测量生物质的钾含量，记录钾含量测量值数据；

(2)样本集的划分：采用随机分类的方法，将所得样本数据的20％～80％作为训练集，其余样本数据作为验证集；

(3)相关性和主成分分析：通过相关性计算公式对生物质样本红外光谱数据和钾含量测量值进行两两相关性计算，得到相关系数；采用主成分分析的方法对相关的红外光谱数据做降维处理，获得累积贡献率高于80％的主成分表达式和相关数值；

(4)BP神经网络的建立和训练：以步骤(3)获取的主成分数据和步骤(1)获取的红外分析仪所处环境状态参数为输入参数，步骤(1)获取的生物质钾含量测量值为输出参数，建立BP神经网络模型，并采用训练集数据对BP神经网络模型进行优化训练，当误差小于0.1％时，完成优化训练过程；

(5)验证及完成建模：输入验证集生物质的红外数据和红外分析仪状态参数，通过神经网络计算获得输出的钾含量数据，将该数据与钾含量测量值的数据比较，得出预测偏差。

2.根据权利要求1所述基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法，其特征在于：所述生物质包括秸秆、木材、家具废料、树皮、稻壳等不同种类的生物质。

3.根据权利要求1所述基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法，其特征在于：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。

4.根据权利要求1所述基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法，其特征在于：步骤1(1)所述红外光谱的波长范围为700nm～3000nm；。

5.根据权利要求1所述基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法，其特征在于：步骤1(2)所述的训练集用于BP神经网络模型的搭建和训练，验证集用于检验神经网络的相对误差和准确性检验。

6.根据权利要求1所述基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法，其特征在于：步骤1(5)利用神经网络建立的预测模型对生物质含钾量进行参数预测，将预测值和钾含量测量值进行对比，通过比对相对误差评判预测模型和结果的准确性。

7.根据权利要求1-6任意一项所述的基于红外光谱主成分和神经网络的生物质钾含量测量与建模方法在生物质和大数据分析等领域的应用均属本专利权利保护范畴。