CN103852442B - 一种红外光谱特征提取及样本鉴定的方法 - Google Patents
一种红外光谱特征提取及样本鉴定的方法 Download PDFInfo
- Publication number
- CN103852442B CN103852442B CN201410096256.7A CN201410096256A CN103852442B CN 103852442 B CN103852442 B CN 103852442B CN 201410096256 A CN201410096256 A CN 201410096256A CN 103852442 B CN103852442 B CN 103852442B
- Authority
- CN
- China
- Prior art keywords
- sample
- feature
- infrared spectroscopy
- infrared
- high frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
- Spectrometry And Color Measurement (AREA)
Abstract
本发明公开了一种红外光谱特征提取及样本鉴定的方法。该方法为:利用红外光谱仪采集训练样本的红外光谱信号;利用小波分解提取前述红外光谱信号的不同频率成分,将特定频率的峰值比值设定为特征,对该特征进行分类训练得到分类器;采集待检样本的红外光谱信号,采用前述相同设定规则获取待检样本的特征,将待检样本的特征送入前述分类器,计算分析后对待检样本作出鉴定。本发明的优点为:提出了一种基于小波分解的红外光谱特征提取方法,利用该方法进行样本鉴定时,正确率高、速度快、特征稳定。
Description
技术领域
本发明属于红外光谱分析方法,具体涉及一种利用小波分析对红外光谱信号进行分解并提取特征的一种方法。
背景技术
红外光谱是一种常用的分析手段,红外光谱对样品的适用性相当广泛,固态、液态或气态样品都能应用,无机、有机、高分子化合物都可检测。此外,红外光谱还具有测试迅速,操作方便,重复性好,灵敏度高,试样用量少,仪器结构简单等特点,因此,它已成为现代结构化学和分析化学最常用和不可缺少的工具。
传统的红外光谱分析主要通过光谱吸收峰对物质进行分析,判断物质中存在的官能团,从而对物质的性质做出判断。这种方法的缺陷是:(1)需要有化学背景知识,否则不能准确地分析官能团的信息;(2)解析一个图谱耗时较长;(3)在某些情况下还需要其他分析手段的介入。
随着统计学、计算机科学、信息科学等基础学科理论研究的进一步深入发展,为化学计量学的发展奠定了基础。常用的化学计量学方法是将整个光谱信号或光谱信号的某一段或某几段采用支持向量机或偏最小二乘方法进行建模分析,从而得到定性或定量分析模型。实际上,光谱信号中起决定作用的只是几个频率点的信息。传统分析方法存在数据量大、时间成本高,而且由于是整个光谱信号参与建模分析,因此当得到的分析结果解释性不好时,也很难获知是哪个特定信息对分析结果起关键作用。鉴于上述光谱分析方法存在的缺陷,因此研究光谱信号的特征提取方法是非常有价值的。
发明内容
本发明的目的在于,提供一种对红外光谱进行特征提取的方法。主要解决现有红外光谱分析方法中数据量大、时间成本高的技术问题。
本发明为解决上述技术问题所采用的技术方案如下:
一种对红外光谱进行特征提取的方法,该方法包括如下步骤:
步骤1,利用红外光谱仪采集样本的红外光谱信号;
步骤2,利用小波分解提取前述红外光谱信号的不同频率成分,将特定频率的峰值比值作为特征。
优选地,所述红外光谱通过小波分解提取特征的具体过程为:
(1)红外光谱信号经过滤波器组滤波分别得到高频和低频成分,所述低频成分再通过滤波器组滤波又得到高频和低频成分,设定原始信号经过m次分解得到m个高频和一个低频;
(2)设定在前述m个高频中选定第i个高频成分,该高频成分对应的信号峰值记为Hi;
(3)将所述特征定义为其中a,b,c,d是红外光谱波数单位为cm-1,Hi(a)是红外光谱的第i个高频成分对应波数为a的信号峰值。
本发明还提供一种利用红外光谱特征提取进行样本鉴定的方法,该方法包括如下步骤:
步骤1,利用红外光谱仪采集训练样本的红外光谱信号;
步骤2,利用小波分解提取前述红外光谱信号的不同频率成分,将特定频率的峰值比值设定为特征,对该特征进行分类训练得到分类器;
步骤3,采集待检样本的红外光谱信号,采用前述相同设定规则获取待检样本的特征,将待检样本的特征送入前述分类器,计算分析后对待检样本作出鉴定。
优选地,所述步骤1中采集红外光谱信号时,选用仪器Nexus670,对于液态样本采用附件衰减全反射附件,对于固态样本采用压片测试附件。
与现有技术相比,本发明的有益效果如下:
(1)提出一种基于小波分解对红外光谱进行特征提取的方法,以及通过红外光谱特征提取对样本进行鉴定的方法。
(2)所述通过红外光谱特征提取对样本进行鉴定的方法中,分类模型不需要利用光谱信息作参考;鉴定正确率高、速度快、特征稳定。
说明书附图
图1为本发明实施例中对样本进行鉴定的方法流程图;
图2为本发明实施例中对红外光谱信号进行小波分解的示意图;
图3为本发明实施例中真假迎驾三星样本的红外光谱图;
图4为本发明实施例中迎驾三星和假迎驾三星样本的红外光谱特征图;
图5为本发明实施例中15年黄鹤楼和12年黄鹤楼酒样本的红外光谱图;
图6为本发明实施例中15年黄鹤楼和12年黄鹤楼酒样本的红外光谱特征图;
图7为本发明实施例中全脂奶粉和脱脂奶粉样本的红外光谱图;
图8为本发明实施例中全脂奶粉和脱脂奶粉样本的红外光谱特征图。
具体实施方式
以下通过具体实施例来说明本发明的技术方案。
本发明的核心思想是:利用红外光谱仪采集样本的光谱信号;选用仪器Nexus670,对于液态样本采用附件衰减全反射附件;对于固态样本采用压片测试附件。利用小波分解提取色谱信号的不同频率成分,将特定频率的峰值比值作为特征,对特征进行分类训练得到分类器;对待检样本用相同的方法提取特征送入分类器,计算之后对样本的品质作出鉴定。
参见图1,展示了本发明中对样本进行鉴定的方法流程图。本发明中对样本进行鉴定的详细过程如下:
(一)光谱数据采集
A.选用仪器:美国尼高力仪器公司-Nexus670,衰减全反射附件和压片附件;
B.参数设置:波数:4000-650cm-1;分辨率:8cm-1;重复扫描次数16次;
C.测试无样本时的红外光谱:
(1)对液态样本:用重蒸馏水冲洗附件实验板上的锗化锌晶体;用99.7%乙醇擦拭干净;实验板置于800瓦烘干灯下;干燥、冷却;将试验板放置到红外光谱仪测试室,点击测试仪的“collectsample”按钮,检测无样本时的红外光谱;
(2)对固态样本:直接将压片测试板放置到红外光谱仪测试室,点击测试仪的“collectsample”按钮,检测无样本时的红外光谱;
D.测试样本红外光谱:
(1)对液态样本:用一次性吸管吸取少量样本,均匀涂抹在锗化锌晶体上,将试验板放置在红外光谱仪的指定位置,点击测试软件的“collectsample”按钮,进行检测;仪器软件将测到的背景噪声自动减去;
(2)对固态样本:用天平称量1g固态样本和100g溴化钾,混合均匀,利用压片附件制作压片,压片制备好之后,放入压片实验板的磁铁处,点击测试软件的“collectsample”按钮,进行检测;仪器软件将测到的背景噪声自动减去;
E.每个样本检测后,保存数据;
F.液态样本测试完成后将试验板从仪器中取出,重复蒸馏水冲洗-无水乙醇擦拭-烘干-涂抹样本-测试步骤;对固态样本测试完成后将压片取出清理干净后即可第二次压片。
(二)红外光谱信号小波分解
参见图2,展示了对红外光谱信号进行小波分解的示意图。
红外光谱信号经过滤波器组h0(n)和h1(n)滤波分别得到信号的高频和低频成分,得到的低频部分再利用滤波器组h0(n)和h1(n)滤波又可以得到高频和低频。假设原始信号x经过了m次分解,一共得到m个高频和一个低频。
(三)红外光谱信号特征提取
A.选择m个高频中的某一个高频成分,假设选中第i个高频,记为Hi;
B.所述红外光谱的特征定义为其中的a,b,c,d是光谱的波数(单位为cm-1),Hi(a)、Hi(b)、Hi(c)、Hi(d)的物理意义是红外光谱的第i个高频成分对应波数分别为a,b,c,d的峰值。这里是将红外信号高频成分对应的峰值比值作为特征;训练阶段搜索当1≤a,b,c,d≤n时,特征特征分类正确率最高的值作为选中的特征。
(四)分类器训练
假设有一组训练集其中xk是输入的第k个特征对应第k个光谱,xk由计算得到。yk是第k个特征对应的输出类别标签,yk∈{-1,+1},对+1和-1输出可根据实际情况赋予不同含义。比如:对于真假鉴别可以这样定义:-1表示假样本,+1表示真样本。对于品质鉴别可以这样定义:-1表示样本属于这类品质,+1表示样本属于另一类品质。
分类器训练,可分情况下:
wTxk+b≥+1,ifyk=+1
wTxk+b≥-1,ifyk=-1
将两个不等式合并写成:
yk[wTxk+b]≥1,k=1,…,N
于是问题可以转化为如下的优化问题:
s.t.yk[wTxk+b]≥1,k=1,…,N
拉格朗日乘子法:
求偏导数:
于是对测试样本集中的样本xtest分类的结果为:其中w表示权重系数,T表示转置。αk表示拉格朗日乘子法中的参数(或称为拉格朗日乘子)。b表示分类面的偏置。
(五)鉴定结果输出
利用同样的方法采集待检样本的红外光谱信号,并进行特征提取;然后将提取的特征送入上述分类器,计算分析获得鉴定结果。
下面通过具体例子介绍利用红外光谱特征提取进行样本鉴定的详细过程。
实例1,假酒鉴别
样本为迎驾三星,不同批次真酒共50个,假酒50个。鉴定步骤如下:
1.选用仪器美国尼高力仪器公司Nexus670,附件NexussmartAPK。
2.红外光谱仪参数设定:波数:4000-650cm-1;分辨率:8cm-1;重复扫描次数16次。
3.用一次性吸管吸取少量样本,均匀涂抹在锗化锌晶体上,将实验板放置在红外光谱仪的指定位置,进行检测。一个样本检测完之后,将实验板从仪器中取出,重复蒸馏水冲洗-无水乙醇擦拭-烘干-涂抹样本-测试这几个步骤,共采集到50个迎驾三星样本对应的红外光谱,以及50个假迎驾三星样本对应的红外光谱。参见图3,该图展示了真假迎驾三星样本的红外光谱图。
4.提取特征:使用db4小波滤波器对信号进行分解,滤波器分别为:
h0={-0.01060.03290.0308-0.1870-0.02800.63090.71480.2304}
h1={-0.23040.7148-0.6309-0.02800.18700.0308-0.0329-0.0106}
分解4层,特征为:
参见图4,展示了迎驾三星和假迎驾三星样本的红外光谱特征图。鉴定过程中,采用25个样本作为训练样本,剩余25个样本做测试,测试结果表明真假识别率为100%。
实例2:年份酒鉴别
样本为15年黄鹤楼和12年黄鹤楼。鉴定步骤如下:
1.红外光谱信号采集过程与实例1相同,两个年份的酒分别采集50个样本的红外光谱。参见图5,该图展示了15年黄鹤楼和12年黄鹤楼酒样本的红外光谱图。
2.提取特征:使用sym4小波滤波器对信号进行分解,滤波器分别为:
h0={-0.0758-0.02960.49760.80370.2979-0.0992-0.01260.0322}
h1={-0.0322-0.01260.09920.2979-0.80370.49760.0296-0.0758}
分解4层,特征为:
参见图6,展示了15年黄鹤楼和12年黄鹤楼酒样本的红外光谱特征图。鉴定过程中,采用25个样本作为训练样本,剩余25个样本做测试,测试结果表明识别率为100%。
实例3:奶粉鉴别
样本为全脂奶粉和脱脂奶粉。鉴定步骤如下:
1.选用仪器美国尼高力仪器公司Nexus670,压片附件。
2.红外光谱仪参数设定:波数:4000-650cm-1;分辨率:8cm-1;重复扫描次数16次。
3.压片法测试全脂奶粉和脱脂奶粉各50个样本的红外光谱。参见图7,该图展示了全脂奶粉和脱脂奶粉样本的红外光谱图。
4.提取特征:使用db4小波滤波器对信号进行分解,滤波器分别为:
h0={-0.01060.03290.0308-0.1870-0.02800.63090.71480.2304}
h1={-0.23040.7148-0.6309-0.02800.18700.0308-0.0329-0.0106}
分解4层,特征为:
参见图8,展示了全脂奶粉和脱脂奶粉样本的红外光谱特征图。鉴定过程中,采用25个样本作为训练样本,剩余25个样本做测试,测试结果表明识别率为100%。
上述仅为本发明的部分优选实施例,本发明并不仅限于实施例的内容。对于本领域中的技术人员来说,在本发明方法范围内可以有各种变化和更改,所作的任何变化和更改,均在本发明保护范围之内。
Claims (3)
1.一种对红外光谱进行特征提取的方法,其特征在于所述方法包括如下步骤:
步骤1,利用红外光谱仪采集样本的红外光谱信号;
步骤2,利用小波分解提取前述红外光谱信号的不同频率成分,将特定频率的峰值比值作为特征;
所述红外光谱通过小波分解提取特征的具体过程为,
(1)红外光谱信号经过滤波器组滤波分别得到高频和低频成分,所述低频成分再通过滤波器组滤波又得到高频和低频成分,设定原始信号经过m次分解得到m个高频和一个低频;
(2)设定在前述m个高频中选定第i个高频成分,该高频成分对应的信号峰值记为Hi;
(3)将所述特征定义为其中a,b,c,d是红外光谱波数单位为cm-1,Hi(a)是红外光谱的第i个高频成分对应波数为a的信号峰值。
2.一种利用红外光谱特征提取进行样本鉴定的方法,其特征在于所述方法包括如下步骤:
步骤1,利用红外光谱仪采集训练样本的红外光谱信号;
步骤2,利用小波分解提取前述红外光谱信号的不同频率成分,将特定频率的峰值比值设定为特征,对该特征进行分类训练得到分类器;
步骤3,采集待检样本的红外光谱信号,采用前述相同设定规则获取待检样本的特征,将待检样本的特征送入前述分类器,计算分析后对待检样本作出鉴定;
所述红外光谱通过小波分解提取特征的具体过程为,
(1)红外光谱信号经过滤波器组滤波分别得到高频和低频成分,所述低频成分再通过滤波器组滤波又得到高频和低频成分,设定原始信号经过m次分解得到m个高频和一个低频;
(2)设定在前述m个高频中选定第i个高频成分,该高频成分对应的信号峰值记为Hi;
(3)将所述特征定义为其中a,b,c,d是红外光谱波数单位为cm-1,Hi(a)是红外光谱的第i个高频成分对应波数为a的信号峰值。
3.如权利要求2所述的一种利用红外光谱特征提取进行样本鉴定的方法,其特征在于:所述步骤1中采集红外光谱信号时,选用仪器Nexus670,对于液态样本采用附件衰减全反射附件,对于固态样本采用压片测试附件。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410096256.7A CN103852442B (zh) | 2014-03-14 | 2014-03-14 | 一种红外光谱特征提取及样本鉴定的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410096256.7A CN103852442B (zh) | 2014-03-14 | 2014-03-14 | 一种红外光谱特征提取及样本鉴定的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103852442A CN103852442A (zh) | 2014-06-11 |
CN103852442B true CN103852442B (zh) | 2016-06-01 |
Family
ID=50860355
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410096256.7A Active CN103852442B (zh) | 2014-03-14 | 2014-03-14 | 一种红外光谱特征提取及样本鉴定的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103852442B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104076003B (zh) * | 2014-07-04 | 2017-01-11 | 核工业北京地质研究院 | 一种矿物光谱吸收特征参数的提取方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0738872A2 (en) * | 1995-04-21 | 1996-10-23 | Matsushita Electric Industrial Co., Ltd. | Stereo matching method and disparity measuring method |
CN1546995A (zh) * | 2003-12-12 | 2004-11-17 | 上海交通大学 | 主动红外ccd焊缝检测方法 |
CN102789578A (zh) * | 2012-07-17 | 2012-11-21 | 北京市遥感信息研究所 | 基于多源目标特征支持的红外遥感图像变化检测方法 |
-
2014
- 2014-03-14 CN CN201410096256.7A patent/CN103852442B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0738872A2 (en) * | 1995-04-21 | 1996-10-23 | Matsushita Electric Industrial Co., Ltd. | Stereo matching method and disparity measuring method |
CN1546995A (zh) * | 2003-12-12 | 2004-11-17 | 上海交通大学 | 主动红外ccd焊缝检测方法 |
CN102789578A (zh) * | 2012-07-17 | 2012-11-21 | 北京市遥感信息研究所 | 基于多源目标特征支持的红外遥感图像变化检测方法 |
Non-Patent Citations (3)
Title |
---|
基于小波分解的光谱特征提取算法研究;陈钢等;《光谱学与光谱分析》;20101130;第30卷(第11期);3027-3030 * |
近红外光谱的信息特征提取;刘青格;《万方数据企业知识服务平台》;20040409;1-66 * |
近红外光谱预处理及信息提取技术的研究;黄传旭;《万方数据企业知识服务平台》;20090609;1-77 * |
Also Published As
Publication number | Publication date |
---|---|
CN103852442A (zh) | 2014-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104677875B (zh) | 一种三维荧光光谱结合平行因子鉴别不同品牌白酒的方法 | |
CN107478580B (zh) | 基于高光谱遥感的土壤重金属含量估算方法及装置 | |
CN109557071B (zh) | 一种危险液体混合物的拉曼光谱定性定量识别方法 | |
CN104251839A (zh) | 南疆红枣建模用南疆红枣样品成分的光谱分离检测方法 | |
CN102252972B (zh) | 基于近红外光谱快速鉴别油茶籽油真实属性的检测方法 | |
CN104807787A (zh) | 一种基于激光诱导击穿光谱技术的茶叶分类鉴别方法 | |
CN109253985B (zh) | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 | |
CN102749297B (zh) | 一种基于太赫兹理论模拟光谱的农药鉴别方法 | |
CN106770862A (zh) | 一种茶叶分类方法 | |
CN101995392A (zh) | 快速检测橄榄油掺伪的方法 | |
CN102564989A (zh) | 一种基于太赫兹光谱的煤炭无损快速检测方法 | |
CN102937575B (zh) | 一种基于二次光谱重组的西瓜糖度快速建模方法 | |
CN106932510A (zh) | 一种植物油的分类方法 | |
CN111398233A (zh) | 一种红酒品质的激光光谱检测方法 | |
CN105717066A (zh) | 一种基于加权相关系数的近红外光谱识别模型 | |
CN113008805A (zh) | 基于高光谱成像深度分析的白芷饮片质量预测方法 | |
CN107389571A (zh) | 一种矿物组分高光谱遥感精细鉴别方法 | |
CN105044054A (zh) | 一种基于盲源分离的海洋溢油精细化遥测方法 | |
CN104297206A (zh) | 一种液态牛奶品牌快速鉴别方法 | |
CN115905881A (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
CN103852442B (zh) | 一种红外光谱特征提取及样本鉴定的方法 | |
CN104076003B (zh) | 一种矿物光谱吸收特征参数的提取方法 | |
CN106841170B (zh) | 一种基于小波神经网络算法的煤灰种类识别方法 | |
CN104977602B (zh) | 一种地震数据采集施工的控制方法及装置 | |
CN107247033B (zh) | 基于快速衰减式淘汰算法和plsda鉴别黄花梨成熟度的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |