[发明专利]一种基于THz光谱分析的鲜肉K值快速无损检测模型

摘要

一种基于THz光谱分析的鲜肉K值快速无损检测模型，模型的建模步骤包括：1)构建多层反向传播神经网络BP‑ANN：采用THz衰减全反射ATR检测模式对鲜肉样本的THz光谱进行取样，并对样本光谱数据进行处理；把BP‑ANN视为非线性函数，BP‑ANN输入和预测值分别为该非线性函数的自变量和因变量，BP‑ANN表达了从自变量到因变量的函数映射关系；2)训练包括：网络初始化；隐含层输出计算；输出层输出计算；误差计算；权值更新；阈值更新；根据迭代次数和最终迭代误差判断算法迭代是否结束。本发明通过探索鲜肉新鲜度的THz光谱特性，建立THz光谱数据与鲜肉新鲜度K值之间的关系模型，实现对鲜肉K值的快速无损检测。

主权项

1.一种基于THz光谱分析的鲜肉K值快速无损检测模型，其特征是本模型的建模步骤包括：步骤1)构建多层反向传播神经网络Back Propagation Artificial Neural Network,BP‑ANN；步骤2)训练；所述步骤1)中：1.1)采用THz衰减全反射Attenuated Total Reflectance,ATR检测模式对鲜肉样本的THz光谱进行取样；对鲜肉样本的THz光谱进行取样得到样本光谱数据进行处理；用于建模的所有样本被随机分为校正集和预测集；校正集的光谱数据用于建立预测模型；预测集的光谱数据用来检验预测模型的准确性；样本光谱数据矩阵为式中，n为校正集样本数，m为光谱波点数，x是样本的ATR反射率；X_n×m是指校正集中的光谱数据；先对光谱信息进行压缩：把矩阵Xn×m分解为两个矩阵U和P，表示为Un×a＝Xn×mPm×a；式中，矩阵U表示数据xij在新的坐标体系中的矢量位置，i＝1,2,…,n；j＝1,2,…,m；矩阵P的列向量表示新的坐标系与原坐标系的线性变换系数；U的维数a小于X的维数m；取矩阵U的各行数据Ii作为步骤1.2)的预测模型的输入，i＝1,2,…,a；1.2)把多层反向传播神经网络BP‑ANN视为非线性函数，BP‑ANN输入和预测值分别为该非线性函数的自变量和因变量，BP‑ANN表达了从自变量到因变量的函数映射关系；BP‑ANN的拓扑结构由三层网络组成，分别是输入层、隐含层和输出层，每层包括多个神经元，相邻层的神经元之间是带权值的单向连接；I_i是输入层的输入值，i＝1,2,…,a；H_j是隐含层的输出值，j＝1,2,…,b；输出层是一个节点的值为BP‑ANN的预测值，即鲜肉的预测K值；hw_ij为输入层的神经元与隐含层的神经元之间的连接权值，ow_j为隐含层的神经元与输出层的神经元之间的连接权值；隐含层的节点数式中：a为输入层节点数，c为1～10范围内的常数；所述步骤2)中，BP‑ANN的训练步骤包括：2.1)网络初始化：根据输入维数和输出维数确定a，b；初始化hwij、owj、隐含层阈值thaj、输出层阈值thb，权值和阈值是范围在‑1～1的随机数；给定学习速率η，η＝0.01；2.2)隐含层输出计算：隐含层的输出式中，函数f(x)为隐含层激励函数，该函数的表达式为：2.3)输出层输出计算：BP‑ANN的预测输出2.4)误差计算：BP‑ANN的预测误差式中，y是采用高效液相色谱HPLC方法实测的K值；2.5)权值更新：hwij＝hwij+ηHj(1‑Hj)Iiowje，i＝1,2,…,a；j＝1,2,…,b；owj＝owj+ηHje，j＝1,2,…,b；2.6)阈值更新：thaj＝thaj+ηHj(1‑Hj)owje，j＝1,2,…,b；thb＝thb+e；2.7)根据迭代次数和最终迭代误差判断算法迭代是否结束，若没有结束，返回步骤2.2)。