[发明专利]基于近红外光谱的校正模型建模方法

摘要

本发明提供一种基于近红外光谱的校正模型建模方法，包括：步骤1，根据近红外光谱数据的预处理结果，获取全谱权重值；步骤2，以全谱波长的权重值为阀值，将全谱滤长划分为相关波长集、无关波长集和噪声波长集；步骤3，将浓度数据、相关波长集和无关波长集作为RBF神经网络的输入，同时将RBF神经网络的隐节点数设置为训练集的样本个数，训练RBF神经网络；步骤4，利用RBF神经网络的输出值与浓度数据通过偏最小二乘算法得出主成分个数；步骤5，根据训练集中的各样本的贡献值和贡献率的大小确定RBF神经网络的隐含层节点。本发明降低了校正模型的复杂度、校正模型的复杂度，有效提高了校正模型的精确度。

主权项

一种基于近红外光谱的校正模型建模方法，其特征在于，包括：步骤1，根据近红外光谱数据的预处理结果，获取全谱权重值；步骤2，以所述全谱波长的权重值为阀值，将所述全谱滤长划分为相关波长集、无关波长集和噪声波长集；步骤3，将浓度数据、所述相关波长集和所述无关波长集作为RBF神经网络的输入，同时将所述RBF神经网络的隐节点数设置为训练集的样本个数，训练所述RBF神经网络；步骤4，利用所述RBF神经网络的输出值与所述浓度数据通过偏最小二乘算法得出主成分个数；步骤5，根据所述训练集中的各样本的贡献值和贡献率的大小确定所述RBF神经网络的隐含层节点；步骤6，将所述主成分个数作为新的RBF神经网络的隐含层的节点个数，并将步骤5中的隐含层节点作为所述新的RBF神经网络的陷节点，将所述相关波数集、无关波数集作为所述新的RBF神经网络的输入，训练所述新的RBF神经网络从而得到校正模型。