[发明专利]大米类别鉴别模型及其构建方法以及鉴别大米类别的方法

权利要求书

1.一种大米类别鉴别模型的构建方法，其特征在于，该方法包括：

(1)以不同类别的大米作为样本，分别采用近红外光谱、中红外光谱和拉曼光谱采集大米的光谱数据；

(2)分别对步骤(1)中得到的近红外光谱、中红外光谱和拉曼光谱的光谱数据进行数据集的划分得到校正集和预测集，对校正集数据进行预处理，并对预处理后的数据进行特征波长的筛选，结合化学计量学方法通过数据融合建立鉴别模型；

(3)以校正集和预测集的正确率为标准，对步骤(2)得到的鉴别模型进行评估和筛选，得到大米类别鉴别模型。

2.根据权利要求1所述的方法，其中，步骤(2)中，预处理的方法选自标准归一化(SNV)、一阶微分、二阶微分、均值中心化、多元散射校正、正交信号校正、平滑和标准化的至少一种；和/或

筛选特征波长的方法为竞争性自适应重加权采样法(CARS)、连续投影算法(SPA)、无信息变量去除算法或最小角回归算法(LAR)；和/或

所述化学计量学方法为K近邻算法(KNN)、线性判别分析(LDA)、最小二乘-支持向量机算法(LS-SVM)、主成分分析(PCA)、马氏距离判别分析(MD)、簇类独立软模式分类法(SIMCA)、偏最小二乘判别分析(PLS-DA)、Fisher判别分析、聚类分析(CA)或人工神经网络(ANN)；和/或

所述数据集的划分的方法为分层抽样法或随机抽样法。

3.根据权利要求1或2所述的方法，其中，所述数据融合的方式为数据层融合、特征层融合或决策层融合。

4.根据权利要求3所述的方法，其中，所述数据层融合的方式为将3种光谱预处理的校正集数据串联成单个矩阵，然后筛选矩阵的特征波长，结合化学计量学方法建立鉴别模型。

5.根据权利要求3所述的方法，其中，所述特征层融合的方式为提取3种光谱经预处理后的数据的特征波长，并将得到的特征信息串联成单个矩阵，然后结合化学计量学方法建立鉴别模型。

6.根据权利要求3所述的方法，其中，所述决策层融合的方式为获得每种光谱预处理的校正集数据的矩阵，然后筛选矩阵的特征波长，然后结合化学计量学方法建立单一光谱的鉴别模型，然后将3种光谱鉴别模型的校正集参考值和预测值分别融合，再进行多元线性回归，得到鉴别模型。

7.一种大米类别鉴别模型，其特征在于，所述模型的构建方法包括：

分别采用近红外光谱、中红外光谱和拉曼光谱采集不同类别大米的光谱数据；对得到的近红外光谱、中红外光谱和拉曼光谱的光谱数据进行数据集的划分得到校正集和预测集，对校正集数据进行预处理，并对预处理后的数据进行特征波长的筛选，结合化学计量学方法通过数据融合建立大米类别鉴别模型；

其中，所述预处理的方法为标准归一化(SNV)与一阶微分或二阶微分的组合；

所述筛选的方法为竞争性自适应重加权采样法(CARS)；

所述化学计量学方法为K近邻算法(KNN)或最小二乘-支持向量机算法(LS-SVM)。

8.根据权利要求7所述的模型，其中，所述数据集的划分的方法为分层抽样法或随机抽样法。

9.根据权利要求7或8所述的模型，其中，所述数据融合的方法为数据层融合、特征层融合或决策层融合，优选为特征层融合或决策层融合，更优选为特征层融合。

10.一种鉴别大米类别的方法，其特征在于，该方法包括：分别采用近红外光谱、中红外光谱和拉曼光谱采集待测大米的光谱数据；将得到的光谱数据输入权利要求7-9中任意一项所述的大米类别鉴别模型中进行鉴别。