CN111595802A - 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 - Google Patents
一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 Download PDFInfo
- Publication number
- CN111595802A CN111595802A CN202010360338.3A CN202010360338A CN111595802A CN 111595802 A CN111595802 A CN 111595802A CN 202010360338 A CN202010360338 A CN 202010360338A CN 111595802 A CN111595802 A CN 111595802A
- Authority
- CN
- China
- Prior art keywords
- classification model
- clinacanthus nutans
- model based
- source
- nir
- 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
- 241000123852 Clinacanthus nutans Species 0.000 title claims abstract description 66
- 238000013145 classification model Methods 0.000 title claims abstract description 37
- 238000010276 construction Methods 0.000 title abstract description 7
- 238000004497 NIR spectroscopy Methods 0.000 title description 38
- 238000000034 method Methods 0.000 claims abstract description 39
- 238000001228 spectrum Methods 0.000 claims abstract description 32
- 238000007781 pre-processing Methods 0.000 claims abstract description 17
- 238000002329 infrared spectrum Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000005457 optimization Methods 0.000 claims description 19
- 239000003814 drug Substances 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 28
- 238000012706 support-vector machine Methods 0.000 description 16
- 238000012549 training Methods 0.000 description 14
- 238000011160 research Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 6
- 230000003595 spectral effect Effects 0.000 description 5
- 238000010521 absorption reaction Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000002452 interceptive effect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000002790 cross-validation Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 235000013305 food Nutrition 0.000 description 3
- 235000012907 honey Nutrition 0.000 description 3
- 241000207965 Acanthaceae Species 0.000 description 2
- 241000270728 Alligator Species 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000003153 chemical reaction reagent Substances 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 125000000524 functional group Chemical group 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000000638 solvent extraction Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 208000010201 Exanthema Diseases 0.000 description 1
- 201000005569 Gout Diseases 0.000 description 1
- 241000238631 Hexapoda Species 0.000 description 1
- 208000006877 Insect Bites and Stings Diseases 0.000 description 1
- 241000700584 Simplexvirus Species 0.000 description 1
- 208000004078 Snake Bites Diseases 0.000 description 1
- 238000005452 bending Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000012569 chemometric method Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 201000005884 exanthem Diseases 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000002290 gas chromatography-mass spectrometry Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000004128 high performance liquid chromatography Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 206010037844 rash Diseases 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/3563—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for analysing solids; Preparation of samples therefor
-
- 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
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Chemical & Material Sciences (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及中药材鉴别技术领域，具体公开了一种基于NIR光谱的忧遁草种源地分类模型的构建方法及应用。所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，包含如下步骤：采集不同种源地的忧遁草样品的近红外光谱；对近红外光谱数据进行预处理；将预处理后的红外光谱数据采用SVM算法进行建模分析得忧遁草种源地分类模型。本发明首次提供了一种基于NIR光谱的忧遁草种源地分类模型的构建方法。应用该方法构建得到的忧遁草种源地分类模型可以实现无损、快速、简单且绿色地鉴别忧遁草的源地。
Description
技术领域
本发明涉及中药材鉴别技术领域，具体涉及一种基于NIR光谱的忧遁草种源地分类模型的构建方法及应用。
背景技术
忧遁草(Clinacanthus nutans)，别名鳄嘴花、沙巴蛇草等，在分类上属于爵床科(Acanthaceae)鳄嘴花属植物，主要产于中国南部至西南部地区以及马来西亚、印度尼西亚、泰国等国家。作为传统药物，忧遁草在治疗皮疹、昆虫和蛇咬伤、单纯疱疹病毒引起的病变、糖尿病和痛风等疾病中广泛使用。
不同种源地忧遁草成分会有较大的差异，因此对忧遁草的种源地进行准确判断对其相关的中药和保健食品选材、产品质量标准的建立具有重要的科学意义和应用价值。目前有关忧遁草种源地的鉴别主要是基于检测忧遁草成分的高效液相色谱法(HPLC)及气相色谱-质谱联用(GC-MS)法等，但这些方法由于设备昂贵、操作过程繁琐、需要化学试剂等限制了其普及推广。因此，建立一种快速、简单且绿色的忧遁草的源地鉴别方法具有重要意义及应用价值。近红外光谱(NIR)主要反映了X-H官能团(例如C-H，O-H和N-H)的倍频、合频的振动吸收，不仅能提供丰富的定性和定量信息，而且具有快速、简单、无需化学试剂等特点，这种快速，简单的技术现已在农业、食品、医药等领域获得应用。对比文件1(Zhang Ning,Zhang Dequan,Li Shurong,Li Qingpeng.Preliminary study on origin traceabilityof mutton by near infrared reflectance spectroscopy coupled with SIMCAmethod.T ransactions of the Chinese Society of Agricultural Engineering,2008,24:309-315.)利用NIR光谱结合化学计量学方法对中国山东、河北、宁夏和内蒙古四个省份的羊肉进行产地溯源，结果表明四种模型定标的识别率准确率均高于90％，说明NIR技术是追溯羊肉原产地的一种可行方法。对比文件2(C.Herrero Latorre,R.M.
Crecente,S.García Martín,J.Barciela García.A fast chemometric procedure based on NIRdata for authentication of honey with protected geographical indication.FoodChemistry,2013,141:3559-3565.)基于NIR光谱结合模式识别技术对不同来源的蜂蜜样品进行鉴别，开发了一种单一而快速的食品认证系统来区分真正的PGI-加利西亚蜂蜜样品与其他来源的商用蜂蜜样品。
忧遁草中含有不同X-H官能团，在NIR区域具有显著吸收，但利用NIR光谱结合化学计量学方法对忧遁草进行产地溯源的研究鲜有报道。因此，基于NIR光谱结合化学计量学方法，建立一个分类准确率高的忧遁草种源地分类模型；采用该模型用来进行忧遁草种源地分类鉴别，对于实现无损、快速、简单且绿色地鉴别忧遁草的源地具有重要的意义。
发明内容
为了克服现有技术中缺乏利用NIR光谱对忧遁草进行产地溯源的研究，本发明提供了一种基于NIR光谱的忧遁草种源地分类模型的构建方法。应用该方法构建得到的忧遁草种源地分类模型可以实现快速、简单且绿色的鉴别忧遁草的源地。
本发明的技术方案如下：
一种基于NIR光谱的忧遁草种源地分类模型的构建方法，其包含如下步骤：
采集不同种源地的忧遁草样品的近红外光谱(NIR)；
对近红外光谱(NIR)数据进行预处理；
将预处理后的红外光谱(NIR)数据采用SVM算法进行建模分析得忧遁草种源地分类模型。
本发明首次提供了一种基于NIR光谱的忧遁草种源地分类模型的构建方法，应用该方法构建得到的忧遁草种源地分类模型可以实现快速、简单且绿色的鉴别忧遁草的源地。
优选地，近红外光谱(NIR)的范围为400～2500nm。
优选地，所述不同种源地的忧遁草样品是指马来西亚、海南和广西三个种源地的忧遁草样品。
优选地，对近红外光谱(NIR)数据进行预处理是指对近红外光谱(NIR)数据进行一阶导数预处理。
近红外光谱数据的预处理是提高预测精度和准确率的重要因素，获取的光谱中除了含有待测样品的原始信息外，还包含各种外在的干扰信息，这些噪声信息会导致测得的数值和真实值之间存在一定差异。为尽可能消除误差，必须运用各种数据处理方法来减弱各种干扰因素的影响，为下一步的数据处理奠定基础。然而近红外光谱数据的预处理方法具有多种，如可以采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数、二阶导数等方法对光谱数据进行预处理。发明人经大量的研究表明，本发明忧遁草近红外光谱数据采用一阶导数进行预处理后得到的忧遁草种源地分类模型具有最佳的训练集准确率和预测集准确率。
优选地，SVM算法中的核函数选用高斯核函数(RBF)。
SVM算法的核函数影响着训练准确率以及预测准确率，研究表明核函数参数选择高斯核函数(RBF)所建立的模型具有良好的学习能力，以及具有较好的训练准确率以及预测准确率。
进一步优选地，进一步对高斯核函数(RBF)的参数进行优化。
更优选地，进一步对高斯核函数(RBF)的惩罚参数c和核函数参数g进行优化。
进一步研究表明，对高斯核函数(RBF)的惩罚参数c和核函数参数g进行优化可以进一步提高训练准确率以及预测准确率。
优选地，采用PSO寻优算法对对高斯核函数(RBF)的参数进行优化。
进一步优选地，惩罚参数c＝0.8343和核函数参数g＝57.8741。
同样地，高斯核函数(RBF)参数优化的方法具有多种；比如有网格搜索法(GridSearch,GS)、遗传算法(Genetic Algorithm,GA)和粒子群优化算法(Particle SwarmOptimization,PSO)。研究表明，当采用PSO法对高斯核函数(RBF)的惩罚参数c和核函数参数g进行优化，当对应的惩罚参数c＝0.8343，核函数参数g＝57.8741时，训练集准确率可达96.36％(60/61)，预测集准确率可达95.00％(19/20)。
本发明还提供一种上述基于NIR光谱的忧遁草种源地分类模型的构建方法构建得到的忧遁草种源地分类模型在忧遁草种源地分类鉴别中的应用。应用该方法构建得到的忧遁草种源地分类模型可以实现无损、快速、简单且绿色的鉴别忧遁草的源地。
有益效果：本发明首次提供了一种基于NIR光谱的忧遁草种源地分类模型的构建方法。在本发明实施例中，本发明将81个分别来自马来西亚、中国海南、中国广西三个地方的忧遁草样品划分训练集和预测集；以训练集为对象，采用本发明所述的构建方法构建了基于NIR光谱的忧遁草种源地分类模型；并以预测集检验该模型；结果显示该模型具有较高的训练准确率以及预测准确率；这说明该构建方法能够准确的构建了忧遁草种源地分类模型，实现了很好的分类效果；采用该忧遁草种源地分类模型可以准确的进行忧遁草种源地分类。
附图说明
图1为忧遁草的NIR光谱图。
图2为忧遁草样品的预处理光谱图；其中图2(a)为采用MSC预处理光谱图，2(b)为采用SNV预处理光谱图，2(c)为采用一阶导数预处理光谱图，2(d)为采用二阶导数预处理光谱图。
图3为参数寻优过程及交互验证结果图；其中图3(a)为GS寻优结果的三维显示图，3(b)为GS参数寻优结果的等高线图，3(c)为GA寻优结果图，3(d)为PSO的寻优结果图。
具体实施方式
以下结合具体实施例来进一步解释本发明，但实施例对本发明不做任何形式的限定。
本发明分类模型性能由预测集的准确率(Accuracy)进行评价。准确率越接近于1，表明模型的分类效果越好。分类准确率是指在分类模型中，通过预测集来对已建立的模型进行测试，统计样品被正确判别的数目占样品总数的比值。准确率的具体计算见公式(1)：
ncorrect表示预测集数据被模型正确分类的所有样本个数，ntotal表示预测集数据的所有样本个数。
(1)光谱采集
实验采用丹麦福斯公司XDS Rapid Content光栅型近红外光谱分析仪及其漫反射附件，光谱采集范围为400～2500nm，探测器为Si(400～1100nm)、PbS(1100～2500nm)。光谱每隔2nm采样一次，获得范围400～2500nm。所有忧遁草样品的光谱数据均采集3次取平均，得到共81条光谱。
本实施例所用的81个忧遁草样品分别来自马来西亚、中国海南、中国广西三个地方。其中马来西亚种样39个，中国海南种样30个，中国广西种样12个。所有样本均经过广东省农业科学院药用作物研究所的专家鉴定。
忧遁草的NIR光谱图如图1所示，其中1452nm和1939nm是近红外区域水的两大吸收峰，1452nm处归属于O-H伸缩振动的一级倍频，1939nm处归属于O-H伸缩和弯曲振动的组合频；1771nm处归属于C＝O的二倍频吸收；2100nm处归属于O-H变形振动和C-O伸缩振动；2276nm处归属于C-H伸缩和变形振动的组合频。
(2)划分样品集
用SPXY法将81个忧遁草样品按照3：1划分训练集和预测集。训练集有61个忧遁草样品，预测集20个忧遁草样品，统计信息如表1所示。
表1:忧遁草样品集划分结果
(3)对近红外光谱(NIR)数据进行预处理并采用SVM算法进行建模分析得忧遁草种源地分类模型。其中，对近红外光谱(NIR)数据进行预处理是指对近红外光谱(NIR)数据进行一阶导数预处理。SVM算法中的核函数选用高斯核函数(RBF)。
支持向量机(Support Vector Machine,SVM)是基于统计学习理论的一种机器学习方法，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势。
样本训练数据集由{(xi,yi),i＝1,2,...,N}表示，其中xi∈RD是输入向量，yi∈{-1,1}是其对应的期望输出。SVM可以找到在两类数据之间的最佳超平面(ω*x)+b＝0(ω表示平面的法向矢量，而b是从平面到原点的距离)。
对于线性可分的情况，在分类后的平面将数据分成两类后，两类数据之间的差值为2/||ω||。分类器是：
对于非线性情况，SVM将低维空间中的数据映射到高维空间。分类器是：
其中sgn{}是符号函数，ai是拉格朗日乘子，xi是训练样本，x是要分类的样本，K(xi×x)是核函数。
在定性分析建模过程中，数据的预处理是提高预测精度和准确率的重要因素，获取的光谱中除了含有待测样品的原始信息外，还包含各种外在的干扰信息，这些噪声信息会导致测得的数值和真实值之间存在一定差异。为尽可能消除误差，必须运用各种数据处理方法来减弱各种干扰因素的影响，为下一步的数据处理奠定基础。本发明采用多元散射校正(MSC)、标准正态变量变换(SNV)、一阶导数、二阶导数对光谱数据进行预处理；具体结果见图2。
为比较不同的预处理方法对忧遁草种源地模型准确率的影响，对四种预处理方法分别建立默认c和g参数(c的默认值为1，g的默认值为1/k，k是类别数)下的SVM模型并与原始光谱进行对比，模型建立结果如表2所示。由表2可知，不同的预处理方法对建模结果有不同的影响，其中经过一阶导数处理的光谱取得最佳的模型预测效果，训练集准确率93.44％，预测集准确率85.00％。
表2:不同预处理下的SVM模型分类结果
(4)进一步高斯核函数(RBF)的惩罚参数c和核函数参数g进行优化。具体地，采用PSO寻优算法对对高斯核函数(RBF)的参数进行优化；其中惩罚参数c＝0.8343和核函数参数g＝57.8741。
研究表明核函数参数选择高斯核函数(RBF)所建立的模型具有良好的学习能力。因此本文使用RBF核函数实现SVM的建模，其中RBF核函数的两个重要参数为惩罚参数c和核函数参数g，该两参数对于控制模型的复杂度、逼近误差及模型的测量精度有重要影响，因此对该两参数进行优化很有必要。
本实施例分别利用GS、GA和PSO对参数c和g进行优化，参数寻优过程及交互验证结果如图3所示：图3(a)是GS寻优结果的三维显示，随着交互验证准确率的提高，由不同c、g值交织而成的方格颜色由冷色调(深蓝)向暖色调(明黄)变化，同时方格各顶点所在水平面相应升高，当c＝1,g＝27.8576时，交互验证准确率达到最高为96.72％；图3(b)是GS参数寻优结果的等高线图，由图3(a)投影到二维平面所得。图3(c)是GA寻优结果图，由最佳适应度曲线可知，在迭代次数为0-25时，交互验证准确率不断提高，当迭代次数为25时准确率达到饱和为96.72％，此时的c＝1.6327,g＝55.3856。图3(d)是PSO的寻优结果图，相在经过50次迭代后交互验证准确率稳定在97.62％，寻得的最佳惩罚参数c＝0.8343、核函数参数g＝57.8741。
研究表明：经GS、GA、PSO三种寻优算法优化c、g参数后的交互验证准确率最低达到了96.72％，下一步利用寻得的最佳c、g参数值分别建立SVM模型并用预测集准确率选出最佳SVM模型，预测集结果如表3所示。通过表3可知，经过c、g参数寻优后SVM模型预测准确率得到了大幅度提升，三种寻优算法的预测集的判别准确率均达到了95.00％，其中经PSO寻得的最佳惩罚参数c的值最小，故选择PSO寻得的参数对为最优参数。最佳的忧遁草种源地SVM模型对应的惩罚参数c＝0.8343，核函数参数g＝57.8741，模型取得训练集准确率96.36％(60/61)，预测集准确率95.00％(19/20)。
表3:参数寻优后的SVM模型分类结果
Claims (10)
1.一种基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，包含如下步骤：
采集不同种源地的忧遁草样品的近红外光谱；
对近红外光谱数据进行预处理；
将预处理后的红外光谱数据采用SVM算法进行建模分析得忧遁草种源地分类模型。
2.根据权利要求1所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，近红外光谱的范围为400～2500nm。
3.根据权利要求1所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，所述不同种源地的忧遁草样品是指马来西亚、海南和广西三个种源地的忧遁草样品。
4.根据权利要求1所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，对近红外光谱数据进行预处理是指对近红外光谱数据进行一阶导数预处理。
5.根据权利要求1所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，SVM算法中的核函数选用高斯核函数。
6.根据权利要求5所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，进一步对高斯核函数的参数进行优化。
7.根据权利要求6所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，进一步对高斯核函数的惩罚参数c和核函数参数g进行优化。
8.根据权利要求7所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，采用PSO寻优算法对对高斯核函数的参数进行优化。
9.根据权利要求7所述的基于NIR光谱的忧遁草种源地分类模型的构建方法，其特征在于，惩罚参数c＝0.8343和核函数参数g＝57.8741。
10.权利要求1～9任一项基于NIR光谱的忧遁草种源地分类模型的构建方法构建得到的忧遁草种源地分类模型在忧遁草种源地分类鉴别中的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010360338.3A CN111595802A (zh) | 2020-04-30 | 2020-04-30 | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010360338.3A CN111595802A (zh) | 2020-04-30 | 2020-04-30 | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN111595802A true CN111595802A (zh) | 2020-08-28 |
Family
ID=72182238
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010360338.3A Pending CN111595802A (zh) | 2020-04-30 | 2020-04-30 | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111595802A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114112983A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院西北高原生物研究所 | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
| CN108760677A (zh) * | 2018-04-19 | 2018-11-06 | 广东药科大学 | 一种基于近红外光谱技术的法半夏掺伪鉴别方法 |
| CN109668859A (zh) * | 2019-03-03 | 2019-04-23 | 西南大学 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
-
2020
- 2020-04-30 CN CN202010360338.3A patent/CN111595802A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016150130A1 (zh) * | 2015-03-25 | 2016-09-29 | 山东翰能高科科技有限公司 | 一种基于近红外光谱的杂交种纯度鉴别方法 |
| CN108760677A (zh) * | 2018-04-19 | 2018-11-06 | 广东药科大学 | 一种基于近红外光谱技术的法半夏掺伪鉴别方法 |
| CN109668859A (zh) * | 2019-03-03 | 2019-04-23 | 西南大学 | 基于svm算法的花椒产地和品种的近红外光谱识别方法 |
Non-Patent Citations (12)
| Title |
|---|
| 刘广昊等: "基于近红外光谱的胡椒产地鉴别方法研究", 《中国调味品》 * |
| 刘广昊等: "基于近红外光谱的胡椒产地鉴别方法研究", 《中国调味品》, no. 05, 10 May 2019 (2019-05-10) * |
| 刘静 等: "近红外光谱技术结合支持向量机对食用醋品牌溯源的研究", 食品与机械, vol. 32, no. 1, pages 38 - 40 * |
| 杜敏等: "样品表面近红外光谱结合多类支持向量机快速鉴别枸杞子产地", 《光谱学与光谱分析》 * |
| 杜敏等: "样品表面近红外光谱结合多类支持向量机快速鉴别枸杞子产地", 《光谱学与光谱分析》, no. 05, 15 May 2013 (2013-05-15) * |
| 杜科林等: "基于PSO参数优化支持向量机的湿地遥感分类――以鄱阳湖部分区域为例", 《江西科学》 * |
| 杜科林等: "基于PSO参数优化支持向量机的湿地遥感分类――以鄱阳湖部分区域为例", 《江西科学》, no. 01, 10 February 2018 (2018-02-10) * |
| 王彩虹 等: "基于SVM的棉麻织物近红外光谱快速无损鉴别", 印染, vol. 41, no. 18, pages 39 - 43 * |
| 王彩虹等: "基于SVM的棉麻织物近红外光谱快速无损鉴别", 《印染》 * |
| 王彩虹等: "基于SVM的棉麻织物近红外光谱快速无损鉴别", 《印染》, no. 18, 15 September 2015 (2015-09-15) * |
| 程志颖 等: "粒子群算法结合支持向量机回归法用于近红外光谱建模", 分析测试学报, vol. 29, no. 12, pages 1215 - 1219 * |
| 魏从师等: "基于NIRS技术和PCA-SVM算法6种树脂及其他类中药的快速鉴别", 《中国实验方剂学杂志》, no. 09 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114112983A (zh) * | 2021-10-18 | 2022-03-01 | 中国科学院西北高原生物研究所 | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110243806B (zh) | 拉曼光谱下基于相似度的混合物组分识别方法 | |
| CN108169165B (zh) | 基于太赫兹光谱和图像信息融合的麦芽糖混合物定量分析方法 | |
| CN108072626A (zh) | 一种沥青品牌识别方法 | |
| CN102564993A (zh) | 一种利用傅里叶变换红外光谱识别大米品种方法及其应用 | |
| CN112098358B (zh) | 基于四元数卷积神经网络的近红外光谱并行融合定量检测方法 | |
| CN107192686B (zh) | 一种模糊协方差矩阵的可能模糊聚类茶叶品种鉴别方法 | |
| Chen et al. | Fast detection of cumin and fennel using NIR spectroscopy combined with deep learning algorithms | |
| Hu et al. | Detecting different pesticide residues on Hami melon surface using hyperspectral imaging combined with 1D-CNN and information fusion | |
| CN111812058A (zh) | 基于太赫兹成像技术的香椿中农残的定性检测方法 | |
| Wei et al. | Tea moisture content detection with multispectral and depth images | |
| CN104020128A (zh) | 一种快速鉴别蜂胶胶源的方法 | |
| Ning et al. | Rapid evaluation of soil fertility in tea plantation based on near-infrared spectroscopy | |
| Yin et al. | Non-destructive detection of foreign contaminants in toast bread with near infrared spectroscopy and computer vision techniques | |
| Wang et al. | Extraction and classification of origin characteristic peaks from rice Raman spectra by principal component analysis | |
| Wang et al. | Intelligent detection of hard seeds of snap bean based on hyperspectral imaging | |
| CN113655027B (zh) | 一种近红外快速检测植物中单宁含量的方法 | |
| Yuan et al. | Geographical origin identification of chinese tomatoes using long-wave Fourier-Transform Near-Infrared Spectroscopy combined with deep learning methods | |
| Yang et al. | Classification of sugar beets based on hyperspectral and extreme learning machine methods | |
| CN114112983A (zh) | 一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法 | |
| CN111595802A (zh) | 一种基于nir光谱的忧遁草种源地分类模型的构建方法及应用 | |
| CN115931773A (zh) | 一种近红外光谱定量分析中的波长选择方法 | |
| Liu et al. | ATR‐FTIR Spectroscopy Preprocessing Technique Selection for Identification of Geographical Origins of Gastrodia elata Blume | |
| Liu et al. | A modified feature fusion method for distinguishing seed strains using hyperspectral data | |
| Zhang et al. | Non-destructive identification of Pseudostellaria heterophylla from different geographical origins by Vis/NIR and SWIR hyperspectral imaging techniques | |
| Li et al. | Predicting leaf nitrogen content in wolfberry trees by hyperspectral transformation and machine learning for precision agriculture |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20210603 Address after: 519000 building 17, creative Valley, Huandao East Road, Hengqin New District, Zhuhai City, Guangdong Province Applicant after: ZHUHAI HOPEGENES MEDICAL AND PHARMACEUTICAL INSTITUTE, CO.,LTD. Address before: 519000 unit 1, 33 Haihe street, Hengqin New District, Zhuhai City, Guangdong Province Applicant before: ZHUHAI DAHENGQIN TECHNOLOGY DEVELOPMENT Co.,Ltd. Applicant before: ZHUHAI HOPEGENES MEDICAL AND PHARMACEUTICAL INSTITUTE, CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211221 Address after: 518101 1303, building 8, Qianhai excellence Financial Center (phase I), unit 2, guiwan area, Nanshan street, Qianhai Shenzhen Hong Kong cooperation zone, Shenzhen, Guangdong Applicant after: Lide Laifu (Shenzhen) Biotechnology Co.,Ltd. Address before: 519000 building 17, creative Valley, Huandao East Road, Hengqin New District, Zhuhai City, Guangdong Province Applicant before: ZHUHAI HOPEGENES MEDICAL AND PHARMACEUTICAL INSTITUTE, CO.,LTD. |
|
| TA01 | Transfer of patent application right | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200828 |
|
| RJ01 | Rejection of invention patent application after publication |