[发明专利]一种高准确度近红外光谱定量模型建立方法

说明书

一种高准确度近红外光谱定量模型的建立方法，搭建适用于近红外光谱的一维‑多尺度残差卷积神经网络模型，简称1D‑MSRCNN；所述1D‑MSRCNN包括输入层、隐藏层和输出层，所述隐藏层包括依次串联连接的普通一维卷积网络、1D‑inception‑resnet网络层、全局最大池化层以及全连接层。在普通一维卷积神经网络的基础上，加入1D‑inception‑resnet网络层，该网络层的结构以二维图像的inception‑resnet结构为基础，将inception结构和resnet结构内的所有卷积均替换为一维卷积；利用多个并联的不同大小的卷积核进行一维卷积的特征信息提取，极大增加网络的感受野，能有效提取不同分辨率的光谱信息。且resnet‑1D结构，在加深网络深度的同时避免梯度消失。此外，全局平均池化为减少网络参数，避免过拟合，达到更好的预测结果。

技术领域

本发明属于近红外光谱分析技术领域，涉及一种高准确度近红外光谱定量模型建立方法。

背景技术

近红外光谱(NIR)是介于紫外-可见光与中红外光之间的电磁波，不同类型的光谱反应不同样本的分子信息，因此可利用近红外光谱对样品进行有效的定量或定性分析。相较于传统化学分析技术，基于近红外光谱的分析技术具有测定速度快、无破坏性、无污染性及多组分同时检测等优点，并以产业链的方式广泛应用于农业、石化、制药、食品等领域。

虽然近红外光谱分析技术被广泛应用，但其应用效果严重依赖于有效的定量或定性分析模型，所以建模方法成为近红外光谱分析技术核心。传统的近红外光谱模型的建模方法是基于经典的机器学习方法，如偏最小二乘法(partial least squares-discriminant analysis，PLS)、支持向量机(support vector machine，SVM)、K最邻近算法(K-nearest neighbor algorithm，KNN)等的建模方法。上述建模方法特征提取能力有限，预测效果较差。对同一个近红外光谱仪获得的同一种样品(样品种类相同，如均为小麦，但是为不同的小麦样本)的近红外光谱建立定量校正模型，以上近红外光谱模型对不同样本的相同成分进行预测的结果会出现较大偏差，且不能对同一样本的不同成分进行预测。

发明内容

本发明的提供一种高准确度近红外光谱定量模型建立方法。

本发明技术方案如下：

一种高准确度近红外光谱定量模型的建立方法，包括如下步骤：

S1，采用同一光谱仪对同一种样品的一批样本集进行检测，得到光谱集，对光谱集中不同样本的光谱进行样本属性标记，得到源数据集；对所述源数据集进行标准化预处理，得到预处理光谱数据集；然后随机将预处理光谱数据集划分为训练集和验证集；

S2，搭建适用于近红外光谱的一维-多尺度残差卷积神经网络模型，(1D-MultiScale Residual Convolutional Neural Network，简称1D-MSRCNN)；所述1D-MSRCNN包括输入层、隐藏层和输出层，所述隐藏层包括依次串联连接的普通一维卷积网络、1D-inception-resnet网络层、全局最大池化层以及全连接层；所述1D-inception-resnet网络层的结构包括基于一维卷积的inception-resnet结构，所述1D-inception-resnet网络层内的所有卷积均为一维卷积；

S3，模型训练；将训练集从所述1D-MSRCNN的输入层输入到隐藏层，使用Adam优化器对所述1D-MSRCNN的各卷积参数进行训练，得到1D-MSRCNN初始模型；

S4，模型验证；将验证集输入1D-MSRCNN初始模型，得到一组初始验证结果；