[发明专利]一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法

摘要

一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法，涉及农产品产地识别技术领域，其特征在于：扫描获得不同产地茶鲜叶样品的近红外光谱，然后对样品光谱进行预处理剔除噪声信息后，再将样品光谱转化为成对的数据点后将光谱数据均分为20个光谱子区间，应用蚁群算法筛选反映鲜叶产地的光谱信息子区间波段；最后将最佳的光谱信息子区间信息输入到极限学习机算法中，建立极限学习机光谱模型，用于预测鲜叶样品的产地。本发明实现了对恩施玉露茶鲜叶产地的快速、准确预测。

主权项

1.一种极限学习机光谱模型判别恩施玉露茶鲜叶产地的方法，其特征在于：扫描获得不同产地茶鲜叶样品的近红外光谱，然后对样品光谱进行预处理剔除噪声信息后，再将样品光谱转化为成对的数据点后将光谱数据均分为20个光谱子区间，应用蚁群算法筛选反映鲜叶产地的光谱信息子区间波段；最后将最佳的光谱信息子区间信息输入到极限学习机算法中，建立极限学习机光谱模型，用于预测鲜叶样品的产地，具体包括以下步骤：步骤一、鲜叶样品采集与分类采集恩施玉露保护区内的鲜叶样品以及非保护区内鲜叶样品，共120个；根据产地不同，将鲜叶样品分为校正集和验证集2个集合，分别用于建立校正集近红外光谱预测模型和对校正集预测模型稳健性进行检验；对不同产地的茶鲜叶样品分别赋予不同的化学值；步骤二、光谱扫描应用傅里叶变换型近红外光谱仪分别扫描茶鲜叶样品的近红外光谱，得到光谱信息；步骤三、光谱噪声信息预处理应用化学计量学软件对步骤二中得到的近红外光谱采用矢量归一化方法进行去噪声预处理；光谱去噪声后，再将样品光谱转化为成对的数据点；步骤四、筛选最佳光谱子区间1）光谱子区间划分本发明将全部光谱数据点等分为20个子区间，每个子区间含有的数据点为78个；2）蚁群算法模型建立应用蚁群算法建立光谱子区间信息的预测模型，根据常用交互验证均方根方差RMSECV和相关系数Rc来筛选建模的最佳光谱子区间，其中，Rc越大、RMSECV 越小，表示模型预测效果越好；RMSECV计算公式为：，Rc计算公式为：，式中， n表示样本数，yi 和y_i^’分别为样品集中第i个样品的实测值和预测值，为样品集中第i个样品的实测值的平均值，式中i≤n；步骤五、极限学习机光谱模型建立在上述步骤四的基础上，以最佳光谱子区间数据为输入值、以鲜叶样品不同产地为输出值，应用Matlab 2017b软件中的极限学习机程序包建立茶鲜叶产地的预测模型，激励函数包括2种：sigmoid 函数和logistic函数；隐含层含有的节点数有4种，分别为5、10、15和20个，比较模型相关系数Rc和交互验证均方根方差RMSECV大小，得到最佳的近红外光谱预测模型，其中，Rc越大、RMSECV 越小，表示模型预测效果越好；步骤六、模型稳健性检验应用验证集样品对不同产地的鲜叶样品极限学习机预测模型效果进行检验，所得结果用相关系数Rp、验证均方差RMSEP和判别率表示，其中Rp越大、RMSEP越小则表示模型稳健性越好，可以准确的预测鲜叶样品的产地；其中RMSEP计算公式为： ，Rp计算公式为：，式中，n表示样本数，yi 和y_i^’分别为样品集中第i个样品的实测值和预测值，式中i≤n。