[发明专利]基于PCA-UVE-ELM的光谱分类方法

权利要求书

1.基于PCA-UVE-ELM的光谱分类方法，其特征在于：将原始不同样品类的拉曼光谱数据利用主成分分析PCA算法对数据进行降维，实现直观的可视化投影，利用置信椭圆实现初步分类；在初步分类的基础上，利用无信息变量消除UVE算法筛选出为特征拉曼位移的变量以简化后续的计算；将筛选出的拉曼位移与测量物质化学键对应拉曼位移比对，将共性拉曼位移进行增强以提高后续分类的准确性；利用超限学习机ELM算法，对输入特征拉曼位移的光谱数据进行分类。

2.根据权利要求1所述的基于PCA-UVE-ELM的光谱分类方法，其特征在于：具体包括如下步骤：

步骤S1，输入检测系统测得的不同样品的原始数据，去除基线，降低噪声，设定好不同样品的标签；

步骤S2，将数据归一化后，利用主成分分析PCA算法，将数据降至二维，保留原光谱的主要特征，实现二维平面的可视化绘图，对每一个标签绘制置信椭圆，实现初步分类；

步骤S3，对于降到二维无法直接分类的数据，将所有的原始数据提取出来重新构成一个数据集；

步骤S4，利用UVE算法计算新数据集不同标签的光谱的特征拉曼位移；

步骤S5，对选取的特征位移进行筛选，同时对和物质特征化学键相关的信号强度进行增强，作为ELM算法的输入；

步骤S6，将原始数据随机打乱后，按照训练集与测试集3∶1的比例对ELM模型进行训练；

步骤S7，选取不同的激活函数和隐藏层结点数量，寻找优化参数以优化分类，提高分类的准确率。

3.根据权利要求2所述的基于PCA-UVE-ELM的光谱分类方法，其特征在于：所述步骤S1中的降低噪声，利用基于多项式最小二乘法拟合的Savitzky-Golay方法进行平滑曲线。

4.根据权利要求2所述的基于PCA-UVE-ELM的光谱分类方法，其特征在于：所述步骤S2中的主成分分析PCA算法包括将原始的n维数据特征降到2维，n是大于2的正整数，具体方式是原始数据的协方差矩阵作为相关系数矩阵，求解其特征值与特征向量，将特征值从大到小排序，选取前两个特征值对应的特征向量做投影，得到降维后的数据，同类型数据绘制95％置信椭圆，确定区域实现可视化初步分类。

5.根据权利要求2所述的基于PCA-UVE-ELM的光谱分类方法，其特征在于：所述步骤S4中的UVE算法是基于偏最小二乘回归系数建立的一种波长的选择方法，将原始的数据集X(n×m)与制造的噪声矩阵R(n×m)合并XR(n×2m)后与标签进行偏最小二乘回归，计算回归系数矩阵的标准偏差与平均值向量对应的比值，取XR矩阵中[m+1,2m]列中最大值为衡量参数，筛选去除XR矩阵中[1,m]列内小于该参数的变量，得到光谱的特征拉曼位移，其中n和m分别表示数据集X或噪声矩阵R均具有n行和m列，n和m均为大于2的正整数。

6.根据权利要求2所述的基于PCA-UVE-ELM的光谱分类方法，其特征在于：所述步骤S5中的筛选包括去除UVE算法中间隔过小的变量，同时根据查找样品物质特有化学键的拉曼位移，引入增强因子δ作为对应强度信号的增强系数，得到新的数据集。

7.根据权利要求2所述的基于PCA-UVE-ELM的光谱分类方法，其特征在于：所述步骤S6中超限学习机ELM算法为基于前馈神经网络的机器学习方法，随机分配节点参数后利用激活函数，将原始数据映射到ELM特征空间，核心是求解输出权重β，使得误差函数||Hβ-T||²最小,这里H为输出矩阵，T为训练目标，将数据集以3∶1比例分为训练集与预测集，对ELM模型进行训练。

8.根据权利要求2所述的基于PCA-UVE-ELM的光谱分类方法，其特征在于：所述步骤S7中的激活函数选取：sigmoid,sin,hardlim,tribas,radbas五种函数进行遍历，根据数据集的大小，取最大隐藏层结点数为数据集样本数除以2进行遍历，选择分类准确度最高的激活函数建模。