[发明专利]一种基于贝叶斯分类的光谱波长选择方法

权利要求书

1.一种基于贝叶斯分类的光谱波长选择方法，其特征在于包括如下步骤：

S1、分别收集需要进行光谱判别分析的每类样品，测试所述样品的光谱；

S2、分别将每一类样品随机划分为建模集和检验集，建模集随机划分为定标集和预测集，汇总得到包含各类样品的定标、预测、检验样品集；

S3、对任意的波长模型提取相应的光谱数据，用于构建贝叶斯多分类判别分析模型；

S4、构建贝叶斯多分类判别分析模型：基于单波长吸光度服从正态分布和概率独立性，并采用概率乘法及其对数，计算每一类样品测量相应光谱的条件概率，并把样品判断为条件概率的最大值所对应的类别；计算贝叶斯多分类判别分析模型的总预测准确率，各类预测准确率及其标准偏差；

S5、采用适当的波长模型选择方法，构建所有波长模型；对所有波长模型，按照S3、S4的步骤完成贝叶斯多分类判别分析模型；依据贝叶斯多分类判别分析模型的总预测准确率最大兼顾类预测准确率的标准偏差最小，获得最优波长模型。

2.根据权利要求1所述的基于贝叶斯分类的光谱波长选择方法，其特征在于在所述步骤S3对任意的波长模型提取相应的光谱数据，用于贝叶斯多分类判别分析前,可对光谱进行预处理。

3.根据权利要求1所述的基于贝叶斯分类的光谱波长选择方法，其特征在于在所述步骤S4针对任意波长模型的光谱，构建贝叶斯多分类判别分析模型前,需要确定波长模型的搜索范围，它可以为全扫描谱区，也可根据实际对象的光谱特征，确定为某一特定的波长范围；在此波长搜索范围内，对任意的波长模型提取相应的光谱数据，用于贝叶斯多分类判别分析。

4.根据权利要求1所述的基于贝叶斯分类的光谱波长选择方法，其特征在于在所述步骤S4针对任意波长模型的光谱，构建贝叶斯多分类判别分析模型时,根据贝叶斯公式，计算样品测量到相应光谱时，判别为第k类样品的后验概率：

5.根据权利要求4所述的基于贝叶斯分类的光谱波长选择方法，其特征在于，先验概率的计算方法：或每一类样品赋予等概率，或依据定标集中各类样品数量的比例分配概率，或采用其他概率计算方法。

6.根据权利要求4所述的基于贝叶斯分类的光谱波长选择方法，其特征在于，条件概率的计算方法：设相应的波长模型包含s个波长，记为λ₁，…，λ_s，假设每类定标集样品在每个单波长下的吸光度服从正态分布，分别计算每类定标集样品在每个单波长下吸光度的数学期望和标准差；在此基础上，在每个波长λ_i处，利用随机变量的概率密度，计算预测集样品属于第k类样品时，出现相应吸光度值的条件概率；假设对应波长模型的每个波长的吸光度概率具有独立性，根据独立性假设，采用概率乘法，计算需测样品属于第k类样品的条件下测量到相应光谱的条件概率。

7.根据权利要求6所述的基于贝叶斯分类的光谱波长选择方法，其特征在于，采用概率的对数相加作为最后的条件概率判别值。

8.根据权利要求6所述的基于贝叶斯分类的光谱波长选择方法，其特征在于，把需测样品判断为后验概率的最大值所对应的类别，实际上对应为条件概率的最大值所对应的类别。

9.根据权利要求1所述的基于贝叶斯分类的光谱波长选择方法，其特征在于在所述步骤S5依据贝叶斯多分类判别分析模型的总预测准确率最大兼顾类预测准确率的标准偏差最小，获得最优波长模型时,需要采用等间隔组合的波长选择方法，或移动窗口的波长选择方法，或其他波长选择方法，进行波长模型选择。

10.根据权利要求9所述的基于贝叶斯分类的光谱波长选择方法，其特征在于,以等间隔组合的波长选择方法为例，采用起点波长I、波长个数N和波长间隔数G作为波长筛选的循环参数，构建所有波长组合，并对所有波长组合分别建立贝叶斯多分类判别分析模型，根据总预测准确率最大兼顾各类预测准确率的标准偏差最小优选模型参数，获得最优波长模型。