[发明专利]一种提高牛奶中蛋白质预测精度的近红外光谱分析方法

权利要求书

1.一种提高牛奶中蛋白质预测精度的近红外光谱分析方法，其特征在于包含以下步骤：

步骤A测量牛奶样本的近红外光谱，获得牛奶近红外光谱数据X及其蛋白质含量化学值数据Y，运用Kennard-Stone算法将X和Y分为校正集和预测集；

步骤B通过蒙特卡洛采样方法对校正集中的样本进行随机采样，采集80％的校正集样本得到样本子集，采样N次得到N组不同的以光谱为变量的样本子集；

步骤C运用偏最小二乘法建立每个样本子集的回归模型，并计算不同样本子集中相同变量的回归系数的均值和标准差，之后计算出每个光谱变量的贡献值，计算方法如下：

SD_j＝std(b_j) (Ⅱ)

公式(Ⅰ)和公式(Ⅱ)中，U_j为第j个变量回归系数的均值；b_i，j为第j个变量在第i个回归模型中的回归系数；N为蒙特卡洛的采样次数；SD_j为第j个变量的标准差；公式(Ⅲ)中S_j为第j个变量的贡献值；

步骤D将得到的S_j由大到小排列，取前100个贡献值的变量，得到一个新的变量空间R；

步骤E运用自助采样法对变量空间R进行采样N₁次，得到N₁个变量子集A，N₁值为100；

步骤F运用偏最小二乘法建立每个变量子集A的预测模型a，并根据交互检验均方根误差，保留均方根误差最小的变量子集A_M；

步骤G对每个变量在不同预测模型a中的回归系数，进行求和并归一化，生成变量权重f₁；

步骤H运用加权自助采样法，对变量空间R进行100次变量采样，得到100组变量子集B；

步骤I运用偏最小二乘法建立每个变量子集B的预测模型b，并根据交互检验均方根误差，保留均方根误差最小的变量子集B_M；

步骤J对每个变量在不同预测模型b中的回归系数，进行求和并归一化，生成变量权重f₂；

步骤K根据步骤J所述生成变量权重f₂，迭代步骤H～J，迭代次数为100，记录下每次迭代过程中得到的变量子集B_M；

步骤L根据步骤F中的变量子集A_M以及迭代过程所保留变量子集B_M，比较其交互检验均方根误差，确定交互检验均方根误差最小的变量子集为最终的变量选取结果，并根据偏最小二乘法建立牛奶中蛋白质含量的预测模型。

2.根据权利要求1所述一种提高牛奶中蛋白质预测精度的近红外光谱分析方法，其特征在于，步骤B所述N的取值为1000。