[发明专利]基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法

摘要

本发明公开了一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法，包括以下步骤：(1)收集样品，采集样品光谱，得到样品近红外漫反射光谱数据，并使用离散小波变换压缩原始近红外光谱数据；(2)将压缩光谱数据使用特征矩阵联合近似对角化算法分解，得到独立分量矩阵和解混阵；(3)使用极限学习机方法，将解混阵作为模型输入，对应的货架期作为输出，建立极限学习机分析模型；(4)模型的质量评价，对待鉴别样品的货架期测定。本发明能够快速鉴别苹果货架期，丰富了化学计量学方法，具有良好的应用前景。

主权项

一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法，其特征在于，包括以下步骤：（1）收集样品，包括货架期为n天样品、货架期为m天样品和待鉴别样品，其中，m和n均小于30，且n与m差值大于等于7；采集三种样品的近红外光谱，并对这三种近红外光谱进行离散小波变换处理，得到三种压缩后的近红外光谱数据矩阵；（2）将步骤（1）得到的三种压缩后的近红外光谱数据矩阵进行特征矩阵联合近似对角化（JADE）分解，得到三种解混阵；（3）使用极限学习机（ELM）方法，建立初始极限学习机分析模型，将货架期为n天样品和货架期为m天样品的实际货架期以及由步骤（2）得到的货架期为n天样品和货架期为m天样品的解混阵作为初始极限学习机分析模型的模型输入，进而得到最佳极限学习机分析模型；4）将待鉴别样品的解混阵输入最佳极限学习机分析模型，得到待鉴别样品的货架期；所述步骤（1）具体实现如下：使用近红外光谱仪对三种样品进行扫描，得到三种样品的近红外光谱，使用K‑S算法按3:1的数量比将货架期为n天样品和货架期为m天样品随机分为训练集样品和预测集样品，其中，校正集样品用于模型训练，预测集样品用于模型的质量评价；将三种样品的近红外光谱进行离散小波变换处理，离散小波变换选择小波母函数为dbn, n为消失矩，消失矩取2，分解至3层，得到三种压缩后的近红外光谱数据矩阵；所述步骤（3）具体实现如下：将货架期为n天样品和货架期为m天样品的实际货架期以及它们的解混阵作为极限学习机分析模型，使用极限学习机方法建立初始极限学习机分析模型；在得到最佳极限学习机分析模型过程中，采用“Sigmoidal”作为极限学习机分析模型中的隐含层激励函数，将隐含层神经元个数初始化设定为5，并以5为步长依次增加至50，在各隐含神经元取值下重复训练20次，得到最佳极限学习机分析模型的模型参数，从而获得最佳极限学习机分析模型。