[发明专利]基于随机投影算法的近红外光谱定量分析降维方法及系统

说明书

本发明涉及近红外建模数据处理技术领域，更具体的说，涉及一种基于随机投影算法的近红外光谱定量分析降维方法及系统。本发明包括：步骤S1、获取近红外光谱x_val样本及对应的理化性质值y_val作为样本集；步骤S2、将样本集划分为校正集和验证集，计算平均光谱x_avg；步骤S3、分别对近红外光谱x_val和平均光谱x_avg进行预处理得到光谱矩阵X_val和平均光谱矩阵X_avg；步骤S4、基于高斯随机投影算法对光谱矩阵X_val进行随机降维投影，得到降维后的光谱矩阵X_valRed；步骤S5、建立人工神经网络预测模型；步骤S6、采用验证集对模型进行检验；步骤S7、对输入的近红外光谱进行定量分析，输出对应的理化性质预测值。本发明不需要进行光谱的波长选择，降低建模难度，缩短建模的时间。

技术领域

本发明涉及近红外建模数据处理技术领域，更具体的说，涉及一种基于随机投影算法的近红外光谱定量分析降维方法及系统。

背景技术

近红外分析技术是依据被检测样品中某一化学成分对近红外光谱区的吸收特性进行分析的一种方法，通过化学计量学多元校正方法，依靠样品间光谱信息的细微差别来对样品进行定性和定量分析。由于受到光谱仪器噪声、外界环境变动等不稳定因素的影响，近红外光谱某些波段信噪比低、光谱质量差，这些波段会引起模型不稳定，且样本光谱波长之间存在多重相关性，光谱信息中存在冗余信息，使近红外分析模型计算复杂。

因此，建立近红外分析模型时常常需要进行波长选择。目前，波长选择的方法有相关系数法、遗传算法、模拟退火算法和间隔偏最小二乘法等。

但是，波长选择的过程非常繁琐，是建模前最费时费力的过程。

目前，近红外建模常用的方法主要有多元线性回归、偏最小二乘法、人工神经网络和支持向量机等。

偏最小二乘法是近红外建模最常用的建模方法之一，它能有效的降维，提取出自变量矩阵的有效信息，反映了近红外光谱波数与待分析油品属性之间的线性关系，建模可靠准确。但是，偏最小二乘法不能有效的反映近红外光谱与待分析油品属性的之间的非线性关系。

因此，亟需改进解决现有近红外光谱定量分析技术的上述不足。

发明内容

本发明的目的是提供一种基于随机投影算法的近红外光谱定量分析降维方法及系统，解决现有技术对近红外分析需要进行波长选择而费时费力的问题。

为了实现上述目的，本发明提供了一种基于随机投影算法的近红外光谱定量分析降维方法，包括以下步骤：

步骤S1、获取近红外光谱x_val样本及对应的理化性质值y_val作为样本集；

步骤S2、将样本集划分为校正集和验证集，根据校正集的近红外光谱x_val计算平均光谱x_avg；

步骤S3、对校正集的近红外光谱x_val进行预处理得到光谱矩阵X_val，对校正集的平均光谱x_avg进行预处理得到平均光谱矩阵X_avg；

步骤S4、基于高斯随机投影算法对校正集的光谱矩阵X_val进行随机降维投影，得到降维后的光谱矩阵X_valRed；

步骤S5、基于降维后的光谱矩阵X_valRed，建立人工神经网络预测模型；

步骤S6、采用验证集对步骤S5建立的人工神经网络预测模型进行检验；