CN108344701A - 基于高光谱技术的石蜡等级定性分类与定量回归方法 - Google Patents
基于高光谱技术的石蜡等级定性分类与定量回归方法 Download PDFInfo
- Publication number
- CN108344701A CN108344701A CN201810132403.XA CN201810132403A CN108344701A CN 108344701 A CN108344701 A CN 108344701A CN 201810132403 A CN201810132403 A CN 201810132403A CN 108344701 A CN108344701 A CN 108344701A
- Authority
- CN
- China
- Prior art keywords
- paraffin
- pls
- sample
- algorithm
- gra
- 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.)
- Pending
Links
- 239000012188 paraffin wax Substances 0.000 title claims abstract description 124
- 238000000034 method Methods 0.000 title claims abstract description 61
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 25
- 238000012417 linear regression Methods 0.000 claims abstract description 21
- 238000013480 data collection Methods 0.000 claims abstract description 20
- 238000004451 qualitative analysis Methods 0.000 claims abstract description 15
- 238000007637 random forest analysis Methods 0.000 claims description 37
- 238000000513 principal component analysis Methods 0.000 claims description 33
- 238000012706 support-vector machine Methods 0.000 claims description 31
- 230000002068 genetic effect Effects 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 239000004575 stone Substances 0.000 claims description 5
- 238000004611 spectroscopical analysis Methods 0.000 claims description 4
- 238000012360 testing method Methods 0.000 description 11
- 238000012549 training Methods 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 238000003066 decision tree Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009467 reduction Effects 0.000 description 5
- 238000005259 measurement Methods 0.000 description 4
- 210000002569 neuron Anatomy 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000003556 assay Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 239000004615 ingredient Substances 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000000611 regression analysis Methods 0.000 description 3
- 230000001373 regressive effect Effects 0.000 description 3
- 239000001993 wax Substances 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 210000000697 sensory organ Anatomy 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- BNRNXUUZRGQAQC-UHFFFAOYSA-N Sildenafil Natural products CCCC1=NN(C)C(C(N2)=O)=C1N=C2C(C(=CC=1)OCC)=CC=1S(=O)(=O)N1CCN(C)CC1 BNRNXUUZRGQAQC-UHFFFAOYSA-N 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 239000004480 active ingredient Substances 0.000 description 1
- 238000012271 agricultural production Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000011094 fiberboard Substances 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000004806 packaging method and process Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
- DEIYFTQMQPDXOT-UHFFFAOYSA-N sildenafil citrate Chemical compound OC(=O)CC(O)(C(O)=O)CC(O)=O.CCCC1=NN(C)C(C(N2)=O)=C1N=C2C(C(=CC=1)OCC)=CC=1S(=O)(=O)N1CCN(C)CC1 DEIYFTQMQPDXOT-UHFFFAOYSA-N 0.000 description 1
- 238000011895 specific detection Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 239000007858 starting material Substances 0.000 description 1
- 229940094720 viagra Drugs 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/27—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands using photo-electric detection ; circuits for computing concentration
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于高光谱技术的石蜡等级定性分类与定量回归方法,包括如下步骤:S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;S2、采用GA‑PLS、GRA、PCA及PLS优化筛选方法对所获取的高光谱数据进行降维处理;S3、将GA‑PLS、GRA、PCA及PLS优化筛选后的原始特征数据集及原始特征全集5个特征集输入SVM、RF和ELM算法,建立模型,对不同细分等级的石蜡样本进行定性分析;S4、分别采用SVM、RF和ELM算法对石蜡样本经GA‑PLS、GRA、PCA、PLS优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
Description
技术领域
本发明涉及石蜡等级评定领域,具体涉及一种基于高光谱技术的石蜡等级定性分类与定量回归方法。
背景技术
我国是世界石蜡资源、生产、出口和消费大国,年产量高达147.9万吨,占世界石蜡总产量的三分之一以上。随着人民生活水平的提高,石蜡在食品、火工、纤维板、橡胶、电线和电池等行业的应用日益广泛,消费量进一步增加。石蜡产品按照国家标准分为粗石蜡、半精炼石蜡、全精练石蜡以及用于食品包装和可以食用的食品级石蜡,巨大的市场潜力也为石蜡品级的快速、精准划分提出了更高的要求。高光谱技术替代嗅觉感官检测设备评价石蜡品质逐渐成为新的研究方向。同时,为了提高感官评审的客观性、可靠性、重复性,减少人为评定差异。针对不同等级石蜡组分的差异,依托高光谱技术检测石蜡等级的划分。一方面取代传统的人工嗅味感官测定方法,减少人为评定差异,大幅度提高评价精度;另一方面该系统操作简单,节省时间、成本低廉,适合大规模普及,减少给社会和个人带来生命财产危害。
发明内容
为解决上述问题,本发明提供了一种基于高光谱技术的石蜡等级定性分类与定量回归方法,科学合理,流程短,便于操作,检测准确率高,能有效的快速的评定石蜡的等级。
为实现上述目的,本发明采取的技术方案为:
基于高光谱技术的石蜡等级定性分类与定量回归方法,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用遗传算法-偏最小二乘法(GA-PLS)、灰色关联度法(GRA)、主成分分析法(PCA)及偏最小二乘法(PLS)优化筛选方法对所获取的高光谱数据进行降维处理;
S3、将遗传算法-偏最小二乘法(GA-PLS)、灰色关联度法(GRA)、主成分分析法(PCA)及偏最小二乘法(PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集输入支持向量机(SVM)、随机森林(RF)和极限学习机(ELM)算法,建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、分别采用支持向量机(SVM)、随机森林(RF)和极限学习机(ELM)算法对石蜡样本经GA-PLS、GRA、PCA、PLS优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
所述步骤S1具体包括如下步骤:
对每个光谱石蜡样本分别选取上、下、左、右、中5个感兴趣区域,每个感兴趣区域大小约为100像素点,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据。
优选地,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用遗传算法-偏最小二乘法(GA-PLS)对所获取的高光谱数据进行降维处理;
S3、将遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集输入随机森林(RF)算法,建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、采用随机森林(RF)算法对石蜡样本经遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
优选地,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用遗传算法-偏最小二乘法(GA-PLS)对所获取的高光谱数据进行降维处理;
S3、将遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集输入支持向量机(SVM),建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、采用支持向量机(SVM)对石蜡样本经遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
优选地,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用灰色关联度法(GRA)对所获取的高光谱数据进行降维处理;
S3、将灰色关联度法(GRA)优化筛选后的原始特征数据集及原始特征全集5个特征集输入极限学习机(ELM)算法,建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、采用极限学习机(ELM)对石蜡样本经灰色关联度法(GRA)优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
本发明具有以下有益效果:
1.该检测方法在食品品质管理、原材料分析、医学诊断、农业生产和环境监测等诸多领域展示了广阔的应用前景;2.该检测方法取代传统的人工嗅味感官测定方法,减少人为评定差异,大幅度提高感官评审的客观性、可靠性、重复性,提高评价精度;3.该系统操作简单,节省时间、检测成本低廉,适合大规模普及;4.针对该具体检测方法,其中优化系统参数以及选择合理的降维方法,能够在一定程度上提高模型稳定性,大大缩短建模时间;同时,基于5种不同特征集构建的模型均能实现石蜡细分等级的精确鉴别和预测。
附图说明
图1为本发明实施例中的石蜡光谱曲线。
图2为基于GA-PLS法选取的特征波段结果图;
图中:(a)PLS模型中选取波段的频率;(b)PLS模型中不同波段数下的变异系数;(c)PLS模型中不同波段数下的均方根误差。
图3为基于GRA法选取的特征波段结果图;
图中:(a)不同波段数下的变异系数;(b)不同波段数下的灰色关联度。
图4为基于主成分分析法结果图;
图中:(a)不同等级石蜡主成分分类结果图;(b)不同等级石蜡主成分系数图。
图5为随机森林中决策树棵树对性能的影响;
图中:(a)基于GA-PLS优化特征集;(b)基于GRA优化特征集;(c)基于PCA优化特征集;(d)基于PLS优化特征集;(e)基于特征全集。
图6为极限学习机中隐含层神经元个数对性能的影响;
图中:(a)基于GA-PLS优化特征集;(b)基于RGA优化特征集;(c)基于PCA优化特征集;(d)基于PLS优化特征集;(e)基于特征全集。
图7基于RF模型的石蜡等级评分预测;
图中:(a)基于GA-PLS优化特征集;(b)基于GRA优化特征集;(c)基于PCA优化特征集;(d)基于PCA优化特征集;(e)基于特征全集。
图8基于ELM模型的石蜡等级评分预测;
图中:(a)基于GA-PLS优化特征集;(b)基于GRA优化特征集;(c)基于PCA优化特征集;(d)基于PLS优化特征集;(e)基于特征全集。
具体实施方式
为了使本发明的目的及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例
1样本特征数据的获取
根据专家对同一厂家不同批次的石蜡等级划分,分别获取等级为0.6、1.0、1.2、1.5四种石蜡样本,每种样本15个,总共60个待测样本。然后,通过高光谱分选仪分别获取这四种所有石蜡样本的高光谱数据;其中,对每个光谱石蜡样本分别选取上、下、左、右、中5个感兴趣区域,每个感兴趣区域大小约为100像素点,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据,如图1所示,共获得了60×410维度的样本集。
2特征变量优化筛选
通过高光谱技术检测获得样本完整信息图谱的同时,高维度数据量会使数据间出现信息冗余。因而对原始数据集使用遗传算法-偏最小二乘法(GA-PLS)、灰色关联度法(GRA)、主成分分析法(PCA)及偏最小二乘法(PLS)优化筛选方法对原始特征数据集进行数据降维处理,获得60×19维的GA-PLS特征数据集、60×12维的特征数据集、60×3维的PCA特征数据集、60×4维的PLS特征数据集以及60×2566维的特征全集。
其中,GA-PLS分析方法结合了GA的全局优化搜索能力和PLS的模型建立,有效地解决变量间多重共线性问题的能力,因此能够有效地选取特征波段。依据GA-PLS建模过程中各波段间的变异系数及均方根误差,如图2所示,选取石蜡的19个特征波段如表1所示。GRA是根据因素之间发展趋势的相似或相异程度作为衡量因素间关联程度的一种方法。依据各波段间的变异系数,如图3所示,依据关联度大小选取石蜡样本的12个特征波段如表2所示。PCA其实质是将高维的向量线性转换成各个成分互不相关的向量。通过此方法对石蜡光谱特征数据集进行降维,提取石蜡光谱特征的主成分。利用PCA对采集到的不同等级石蜡样本的光谱特征数据进行分析,前三个主成分的累积贡献率达到99.985%,因此提取石蜡样本主成分降维后的前三主成分表征样本,如图4所示。PLSR利用对系统中的数据信息进行分解和筛选,提取对因变量的解释性最强的综合变量,辨识系统中的信息与噪声,以石蜡样本不同类别作为因变量对原始特征集进行变量筛选。利用交叉有效性测量成分t对预测模型精度的边际贡献,据此确定偏最小二乘降维后的有效成分。其中,y的预测误差平方和如式(1)所示,y的误差平方和如式(2)所示,确定变量个数的等价函数交叉有效性判别函数如式(3)所示,当成分th的交叉有效性时,表明达到目标精度,结果如表3所示。
表1 基于GA-PLS法选取的特征波段
表2 基于GRA法选取的特征波段
表3 变量筛选过程
3.基于高光谱技术石蜡样本等级定性分类研究
将GA-PLS、GRA、PCA、PLS优化筛选后的原始特征数据集及原始特征全集5个特征集输入支持向量机(SVM)、随机森林(RF)和极限学习机(ELM)算法建立模型,对不同细分等级(0.6号、1.0号、1.2号和1.5号)的石蜡样本进行定性分析,其中,将光谱数值作为自变量,4类石蜡作为分类依据(即1,2,3,4分别代表0.6号、1.0号、1.2号、1.5号),分别对比3种定性分析方法分类效果以及5种特征集合对分类效果的影响,这对于工业中在线原位检测都是非常重要的参数,尤其是在石蜡等级检测技术中的应用。
3.1基于SVM对不同等级石蜡的定性分析
在LIBSVM方法中,选用径向基函数RBF作为核函数,利用网格搜索法搜寻c和γ的指数型生长序列,以此来优化SVM模型中的惩罚因子c和内核参数γ。在这里,log2c和log2γ的范围在以0.5为间隔的[-10,10]之间。参数选择的每个组合均采用3折交叉验证的方式,并选择具有最佳交叉验证准确度的参数。利用该方法对石蜡样本的5个特征数据集的数据进行处理,实现不同嗅味等级石蜡样本的定性分析。对于不同等级分别为0.6号、1.0号、1.2号和1.5号的石蜡样本,4个特征集合分别随机选取40组数据作为训练集,其余20组数据作为测试集,输入程序进行定性预测模型构建。LIBSVM的分类效果如表4所示,结果表明基于GRA、PLS优化的特征数据集构建的模型稳定性优于基于GA、全集特征模型,基于PCA优化的特征数据集构建的模型相对效果最差。
表4 基于SVM方法对#6A-PLS、#GRA、#PCA、#PLS和#特征全集的分类结果对比
3.2基于RF对不同等级石蜡的定性分析
随机森林模型基于Bootstrap方法重采样,并采用了随机选取分裂属性集的方法增加了一层随机性。RF神经网络设计的主要参数决策树的数量。决策树的数量取以2为间隔从2到100之间,并将训练集和测试集的正确率作为评价预测模型的标准。对于不同等级的石蜡样本的5个特征集合分别随机选取40组数据作为训练集,其余20组数据作为测试集,输入程序进行定性预测模型构建。基于RF方法对4个不同特征集建模的分类结果对比如表5所示,结果表明基于PLS优化的特征数据集构建的模型稳定性优于基于PCA、GA、GRA、全集特征模型。综合考虑随机森林中包含的决策树棵树与建模的速度,对于石蜡不同嗅味等级预测研究中,RF网络模型构建决策树数量取10-30之间均较为理想,如图5所示。
表4 基于RF法对#GA-PLS、#GRA、#PCA、#PLS和#特征全集的分类结果对比
3.3基于ELM对不同等级石蜡的定性分析
基于ELM方法对不同细分等级石蜡样本进行定性分析,选择sigmoid函数作为ELM网络的核函数。此处同样采用不同细分等级石蜡样本的5个特征集合进行预测模型建立。分别随机选取40组数据作为训练集,其余20组数据作为测试集,输入程序进行定性预测模型构建。这里仅在隐含层神经元为100情况下对预测模型正确率进行分析讨论,基于ELM对4个不同特征集建模的分类结果对比如表6所示,结果表明基于GA、GRA优化的特征数据集构建的模型稳定性优于基于PCA、PLS特征模型。综合考虑隐含神经元个数与建模的速度,对于石蜡不同嗅味等级预测研究中,ELM网络模型构建最佳隐含层神经元个数为10-30最适应,如图6所示。
表6 基于ELM法对#GA-PLS、#GRA、#PCA、#PLS和#特征全集的分类结果对比
4基于高光谱技术石蜡样本等级定量回归研究
定性分析实现了4种不同细分等级石蜡的快速鉴别,验证了光谱数据用于石蜡样本检测的可能性。将SVM、RF以及ELM应用于不同方法提取特征数据集以及原始特征数据集,将特征值作为自变量,专家评分作为因变量,分别采用三种方法建立回归模型,对石蜡评分进行预测,并将模型正确率以及回归参数进行对比。
4.1基于SVM对不同等级石蜡的定量回归
采用SVM方法分别对石蜡样本经GA-PLS、GRA、PCA、PLS优化筛选后的原始特征数据集及原始特征全集5个特征集输入支持向量机(SVM)的数据进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。同样采用不同细分等级为0.6号、1.0号、1.2号和1.5号的石蜡样本的5个特征集合分别随机选取40组数据作为训练集,其余20组数据作为测试集。将光谱特征值作为模型输入,将专家评分作为回归预测输出结果。对石蜡样本进行等级评分预测。此处仍然利用网格搜索法搜寻SVM模型中的惩罚因子c和内核参数γ的指数型生长序列,寻找最优解。回归分析结果如表7所示,在不同等级石蜡模式识别过程中,基于5种不同特征集构建的回归预测模型均能对石蜡样本评分进行预测,回归模型的训练集相关指数R2均大于0.98,经由GA优化后特征集构建的模型测试集相关指数R2>0.94,效果优于基于RGA、PCA、PLS及特征全集构建的回归模型。基于5个特征数据集构建的预测模型对于四种不同等级石蜡样本的测试集的误差范围(绝对值)如表8所示。从表中可以看出,利用SVM网络对石蜡等级评分进行预测,预测评分误差范围在0.0001~0.3999之间,误差范围低于人工评级误差0.5~1.0,该方法能够用于工业生产中石蜡等级的鉴评。
表7 基于SVM的5种不同特征集构建回归模型参数对比
表8 基于SVM网络的石蜡等级评分预测误差
4.2基于RF对不同等级石蜡的定量回归
采用RF方法对石蜡样本的5个特征数据集分别构建线性回归模型,实现石蜡样本的评分预测。同样采用不同细分等级为0.6号、1.0号、1.2号和1.5号的石蜡样本的4个特征集合分别随机选取40组数据作为训练集,其余20组数据作为测试集。将光谱特征值作为模型输入,将专家评分作为回归预测输出结果,对石蜡样本进行等级评分预测。回归分析结果如表9、图7所示,在5种不同特征集构建的回归预测模型的训练集相关指数R2均大于0.91,经由GA优化后特征集构建的模型测试集相关指数R2>0.94,效果优于基于RGA、PCA、PLS及特征全集构建的回归模型。基于5个特征数据集构建的预测模型对于四种不同等级石蜡样本的测试集的误差范围(绝对值)如表10所示。从表10中可以看出,利用RF对石蜡等级评分进行预测,除GRA特征模型外预测评分误差范围在0~0.3739之间,误差范围低于人工评级误差0.5~1.0,对石蜡等级评分具有较高预测精度。
表9 基于RF对5种不同特征集构建回归模型参数对比
表10 基于RF网络的石蜡等级评分预测误差
4.3基于ELM对不同等级石蜡的定量回归
同样利用ELM方法对石蜡样本的5个特征数据集的数据进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。同样采用不同细分等级为0.6号、1.0号、1.2号和1.5号的石蜡样本的6个特征集合分别随机选取40组数据作为训练集,其余20组数据作为测试集。将光谱特征值作为模型输入,将专家评分作为回归预测输出结果,对石蜡样本进行等级评分预测。回归分析结果如表11、图8所示,在5种不同特征集构建的回归预测模型的训练集相关指数R2均大于0.94,经由GRA优化后特征集构建的模型测试集相关指数R2>0.99,效果优于基于GA、PCA、PLS及特征全集构建的回归模型。基于5个特征数据集构建的预测模型对于四种不同等级石蜡样本的测试集的误差范围(绝对值)如表10所示。从表12中可以看出,利用ELM对石蜡等级评分进行预测,预测评分误差范围在0.0004~0.4669之间,误差范围低于人工评级误差0.5~1.0,对石蜡等级评分具有较高预测精度。
表11 基于ELM对5种不同特征集构建回归模型参数对比
表12 基于ELM网络的石蜡等级评分预测误差
依据不同等级石蜡组分差异,利用高光谱技术用于石蜡等级鉴定。其中,分别采用GA-PLS、GRA、PCA、PLS对原始特征数据集进行降维处理,以便消除变量之间多重共线性和信息冗余,分别采用SVM、RF、ELM应用于5个不同特征数据集进行分类与定量回归模型建立,并将模型正确率以及回归参数进行对比。通过优化系统参数选择适当的降维方法,能够在一定程度上提高定性模型稳定性,同时大大缩短建模时间。在石蜡样本分类过程中基于RF、ELM方法建模时间短,其中GS-SVM预测模型效果优于ELM、RF网络模型。在石蜡样本定量回归过程中基于ELM预测模型效果优于SVM、RF网络模型。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (5)
1.基于高光谱技术的石蜡等级定性分类与定量回归方法,其特征在于,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用遗传算法-偏最小二乘法(GA-PLS)、灰色关联度法(GRA)、主成分分析法(PCA)及偏最小二乘法(PLS)优化筛选方法对所获取的高光谱数据进行降维处理;
S3、将遗传算法-偏最小二乘法(GA-PLS)、灰色关联度法(GRA)、主成分分析法(PCA)及偏最小二乘法(PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集输入支持向量机(SVM)、随机森林(RF)和极限学习机(ELM)算法,建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、分别采用支持向量机(SVM)、随机森林(RF)和极限学习机(ELM)算法对石蜡样本经GA-PLS、GRA、PCA、PLS优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
2.如权利要求1所述的基于高光谱技术的石蜡等级定性分类与定量回归方法,其特征在于,所述步骤S1具体包括如下步骤:
对每个光谱石蜡样本分别选取上、下、左、右、中5个感兴趣区域,每个感兴趣区域大小约为100像素点,然后求5个感兴趣区域的平均光谱作为该样本的光谱数据。
3.如权利要求1所述的基于高光谱技术的石蜡等级定性分类与定量回归方法,其特征在于,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用遗传算法-偏最小二乘法(GA-PLS)对所获取的高光谱数据进行降维处理;
S3、将遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集输入随机森林(RF)算法,建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、采用随机森林(RF)算法对石蜡样本经遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
4.如权利要求1所述的基于高光谱技术的石蜡等级定性分类与定量回归方法,其特征在于,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用遗传算法-偏最小二乘法(GA-PLS)对所获取的高光谱数据进行降维处理;
S3、将遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集输入支持向量机(SVM),建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、采用支持向量机(SVM)对石蜡样本经遗传算法-偏最小二乘法(GA-PLS)优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
5.如权利要求1所述的基于高光谱技术的石蜡等级定性分类与定量回归方法,其特征在于,包括如下步骤:
S1、通过高光谱分选仪分别获取石蜡样本的高光谱数据;
S2、采用灰色关联度法(GRA)对所获取的高光谱数据进行降维处理;
S3、将灰色关联度法(GRA)优化筛选后的原始特征数据集及原始特征全集5个特征集输入极限学习机(ELM)算法,建立模型,对不同细分等级的石蜡样本进行定性分析;
S4、采用极限学习机(ELM)对石蜡样本经灰色关联度法(GRA)优化筛选后的原始特征数据集及原始特征全集5个特征集进行处理,分别构建线性回归模型,实现石蜡样本的评分预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810132403.XA CN108344701A (zh) | 2018-02-02 | 2018-02-02 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810132403.XA CN108344701A (zh) | 2018-02-02 | 2018-02-02 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108344701A true CN108344701A (zh) | 2018-07-31 |
Family
ID=62958705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810132403.XA Pending CN108344701A (zh) | 2018-02-02 | 2018-02-02 | 基于高光谱技术的石蜡等级定性分类与定量回归方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108344701A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111289516A (zh) * | 2020-03-26 | 2020-06-16 | 中国农业大学 | 植物叶片氨基酸含量检测方法及装置 |
CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
CN112700823A (zh) * | 2019-10-23 | 2021-04-23 | 中国石油化工股份有限公司 | 存储器、用于石蜡产品的熔点测定方法和装置 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
CN112700823B (zh) * | 2019-10-23 | 2024-05-31 | 中国石油化工股份有限公司 | 存储器、用于石蜡产品的熔点测定方法和装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012136874A1 (es) * | 2011-04-06 | 2012-10-11 | Universitat Autonoma De Barcelona | Procedimiento de caracterización y clasificación de cálculos renales |
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN103868865A (zh) * | 2014-02-24 | 2014-06-18 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
CN104990891A (zh) * | 2015-06-24 | 2015-10-21 | 中国农业大学 | 一种种子近红外光谱和光谱图像定性分析模型建立方法 |
-
2018
- 2018-02-02 CN CN201810132403.XA patent/CN108344701A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2012136874A1 (es) * | 2011-04-06 | 2012-10-11 | Universitat Autonoma De Barcelona | Procedimiento de caracterización y clasificación de cálculos renales |
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测系统建立方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN103868865A (zh) * | 2014-02-24 | 2014-06-18 | 北京空间机电研究所 | 一种基于高光谱数据信息极大化的物质最优分类识别方法 |
CN104990891A (zh) * | 2015-06-24 | 2015-10-21 | 中国农业大学 | 一种种子近红外光谱和光谱图像定性分析模型建立方法 |
Non-Patent Citations (6)
Title |
---|
刘飞 等: "高光谱成像技术在茶叶中的应用研究进展", 《核农学报》 * |
张芳: "打蜡会伤胃致癌?", 《快乐养生》 * |
邹小波 等: "《农产品无损检测技术与数据分析方法》", 31 January 2008 * |
马志英: "《名医话养生老马识"毒"》", 31 July 2014 * |
高俊峰 等: "应用高光谱成像技术对打蜡苹果无损鉴别研究", 《光谱学与光谱分析》 * |
魏利峰 等: "高光谱图像技术检测玉米种子真伪的研究进展", 《湖北农业科学》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112700823A (zh) * | 2019-10-23 | 2021-04-23 | 中国石油化工股份有限公司 | 存储器、用于石蜡产品的熔点测定方法和装置 |
CN112700823B (zh) * | 2019-10-23 | 2024-05-31 | 中国石油化工股份有限公司 | 存储器、用于石蜡产品的熔点测定方法和装置 |
CN111289516A (zh) * | 2020-03-26 | 2020-06-16 | 中国农业大学 | 植物叶片氨基酸含量检测方法及装置 |
CN111289516B (zh) * | 2020-03-26 | 2021-10-08 | 中国农业大学 | 植物叶片氨基酸含量检测方法及装置 |
CN111595792A (zh) * | 2020-06-12 | 2020-08-28 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
CN111595792B (zh) * | 2020-06-12 | 2023-07-25 | 鞍钢集团矿业有限公司 | 基于高光谱与TELM的矿山TFe含量检测方法 |
CN114720436A (zh) * | 2022-01-24 | 2022-07-08 | 四川农业大学 | 基于荧光高光谱成像的农产品品质参数检测方法及设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220051074A1 (en) | Quantitative spectral data analysis and processing method based on deep learning | |
CN103048273B (zh) | 基于模糊聚类的水果近红外光谱分类方法 | |
CN102735642B (zh) | 一种快速无损鉴别初榨橄榄油和油橄榄果渣油的方法 | |
Kwan et al. | Classification of wines by applying pattern recognition to chemical composition data | |
CN108344701A (zh) | 基于高光谱技术的石蜡等级定性分类与定量回归方法 | |
CN101738373A (zh) | 一种鉴别作物种子品种的方法 | |
CN109034261A (zh) | 一种基于支持向量机的近红外光谱数据分析方法 | |
CN110132938B (zh) | 一种拉曼光谱法鉴别大米种类的特征数据提取方法 | |
CN103487411A (zh) | 一种随机森林算法结合激光诱导击穿光谱识别钢材牌号的方法 | |
CN108287184A (zh) | 基于电子鼻的石蜡嗅味等级评定方法 | |
CN112669915B (zh) | 一种基于神经网络与近红外光谱的梨无损检测方法 | |
CN101819141A (zh) | 基于近红外光谱与信息处理的玉米品种鉴别方法 | |
CN103278467A (zh) | 一种植物叶片氮素丰缺快速无损高准确率的鉴别方法 | |
Gencturk et al. | Detection of hazelnut varieties and development of mobile application with CNN data fusion feature reduction-based models | |
CN115436407A (zh) | 一种随机森林回归结合主成分分析的元素含量定量分析方法 | |
CN109145685A (zh) | 基于集成学习的果蔬高光谱品质检测方法 | |
CN107121408A (zh) | 食用植物油品种的快速无损鉴别方法 | |
CN109883990A (zh) | 一种药用真菌近红外光谱分析方法 | |
CN113077271A (zh) | 一种基于bp神经网络的企业信用评级方法及装置 | |
Wijaya et al. | DeepFruits: efficient citrus type classification using the CNN | |
CN112069911A (zh) | 一种多光谱图像信息和tlmd-woa-sift的果蔬品质检测方法 | |
CN111912823A (zh) | 一种多成分农药残留荧光检测分析方法 | |
CN114062305B (zh) | 基于近红外光谱和1D-In-Resnet网络的单籽粒品种鉴定方法及系统 | |
Haron et al. | Grading of agarwood oil quality based on its chemical compounds using self organizing map (SOM) | |
CN115130377A (zh) | 一种boss-sapso优化极限学习机的土壤重金属预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180731 |