CN113933263A - 基于指标拟合的近红外光谱模型建立方法 - Google Patents
基于指标拟合的近红外光谱模型建立方法 Download PDFInfo
- Publication number
- CN113933263A CN113933263A CN202111181180.4A CN202111181180A CN113933263A CN 113933263 A CN113933263 A CN 113933263A CN 202111181180 A CN202111181180 A CN 202111181180A CN 113933263 A CN113933263 A CN 113933263A
- Authority
- CN
- China
- Prior art keywords
- sample data
- model
- accuracy
- prediction
- near infrared
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 34
- 238000012795 verification Methods 0.000 claims abstract description 88
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000001228 spectrum Methods 0.000 claims description 11
- 238000010200 validation analysis Methods 0.000 claims description 9
- 238000009499 grossing Methods 0.000 claims description 8
- 230000000750 progressive effect Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 238000010183 spectrum analysis Methods 0.000 description 3
- 230000001419 dependent effect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002203 pretreatment Methods 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
- G01N21/359—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
Landscapes
- Physics & Mathematics (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)
- Spectrometry And Color Measurement (AREA)
- Photometry And Measurement Of Optical Pulse Characteristics (AREA)
Abstract
本发明涉及近红外光谱建模领域，公开了一种基于指标拟合的近红外光谱模型建立方法，旨在解决现有的近红外光谱模型的识别准确率不高的问题，包括：将第一样本数据随机划分为训练集、验证集和预测集；根据不同的预处理参数对训练集中的第一样本数据进行预处理，采用不同主成分的偏最小二乘法建立第一模型；对第一模型的指标进行数据拟合得到最佳拟合函数；将待检测样本的第二样本数据随机划分为训练集和验证集，并验证待检测样本的各第二模型的指标；将各第二模型的指标代入最佳拟合函数中得到各第二模型的第二预测集准确率，选取第二预测集准确率最大值的第二模型作为待检测样本的近红外光谱模型。本发明提高了近红外光谱模型的识别准确率。
Description
技术领域
本发明涉及近红外光谱建模领域，具体来说涉及一种基于指标拟合的近红外光谱模型建立方法。
背景技术
近红外光谱检测可以无需制样、快速、无损地检测出物体内部的主要成分信息，作为替代传统理化分析技术，已经得到了广泛应用。随着微机电技术的发展，便携式光谱仪被大量应用于农产品、食品、药品、工业品等的生产制造及流通环节。相较于传统的光谱分析系统，其具有结构简单、成本低廉、携带方便等优势，但也存在一定的不足，如稳定性、识别准确率等仍有一定的提升空间。
目前便携式光谱仪主要采用的是单一筛选指标，常用的有MSE(均方误差)、MAE(平均绝对误差)等，通过这些指标的最优值来筛选最佳模型，但由于便携式光谱仪硬件设备的稳定性、样本制样标准性等因素的影响，往往采集的光谱原始数据稳定性略差，这就会进一步造成单一筛选指标的可靠性降低，导致设备的识别准确率不高。
发明内容
本发明旨在解决现有的近红外光谱模型的识别准确率不高的问题，提出一种基于指标拟合的近红外光谱模型建立方法。
本发明解决上述技术问题所采用的技术方案是：基于指标拟合的近红外光谱模型建立方法，包括以下步骤：
步骤1、获取第一样本数据，将所述第一样本数据按第一预设比例随机划分为训练集、验证集和预测集，所述第一样本数据包括样本库中与待检测样本同属性的原始光谱数据及其对应的标定值；
步骤2、根据不同的预处理参数组合分别对训练集中的第一样本数据进行预处理，对每种预处理参数组合下进行预处理之后的数据，分别采用不同主成分的偏最小二乘法建立第一模型；
步骤3、根据第一样本数据划分的验证集得到各第一模型的第一均方根误差及第一验证集准确率；
步骤4、根据第一样本数据划分的预测集得到各第一模型的第一预测集准确率；
步骤5、根据各第一模型对应的第一均方根误差、第一验证集准确率和第一预测集准确率进行指标数据拟合，得到第一预测集准确率关于第一均方根误差和第一验证集准确率的最佳拟合函数；
步骤6、获取待检测样本的第二样本数据，所述第二样本数据包括待检测样本数据所在最佳周期的光谱数据及其对应的标定值；
步骤7、将所述第二样本数据按第二预设比例随机划分为训练集和验证集，并将第二样本数据作为第一样本数据重复执行步骤2-3，得到各第二模型的第二均方根误差和第二验证集准确率；
步骤8、分别将各第二模型对应的第二均方根误差和第二验证集准确率代入所述最佳拟合函数中得到各第二模型对应的第二预测集准确率，选取第二预测集准确率最大值对应的第二模型作为待检测样本的近红外光谱模型。
进一步地，步骤2中，所述预处理包括：高斯平滑处理和去趋势处理，所述预处理参数包括：高斯平滑窗口宽度和去趋势阶数。
进一步地，步骤2中，所述高斯平滑窗口宽度设置区间为[1，23]且为奇数，所述去趋势阶数设置区间为[1，4]，所述主成分设置区间为[1，15]。
进一步地，步骤3中，所述根据第一样本数据划分的验证集得到各第一模型的第一均方根误差的方法包括：
依次从验证集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
根据验证集中各第一样本数据的标定值和预测值计算对应第一模型的第一均方根误差。
进一步地，所述根据第一样本数据的标定值和预测值计算对应第一模型的第一均方根误差的公式如下：
式中，RMSECV为第一均方根误差，yi为第i个第一样本数据的标定值，
为第i个第一样本数据的预测值，i＝1，2,3，……，n，n为验证集中第一样本数据的数量。
进一步地，步骤3中，所述根据第一样本数据划分的验证集得到各第一模型的第一验证集准确率的方法包括：
依次从验证集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
分别根据验证集中各第一样本数据的标定值判断对应的预测值是否在预设容错范围内，若是，则判定预测正确，统计验证集中预测正确的第一样本数据的数量，根据验证集中预测正确的第一样本数据的数量计算第一验证集准确率。
进一步地，所述根据预测正确的第一样本数据的数量计算第一验证集准确率的公式如下：
式中，valid_accuracy为第一验证集准确率，p为验证集中预测正确的第一样本数据的数量，n为验证集中第一样本数据的数量。
进一步地，步骤4中，所述根据第一样本数据划分的预测集得到各第一模型的第一预测集准确率的方法包括：
依次从预测集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
分别根据预测集中各第一样本数据的标定值判断对应的预测值是否在预设容错范围内，若是，则判定预测正确，统计预测集中预测正确的第一样本数据的数量，根据预测集中预测正确的第一样本数据的数量计算第一预测集准确率。
进一步地，所述根据预测正确的第一样本数据的数量计算第一预测集准确率的公式如下：
式中，prediction_accuracy为第一预测集准确率，q为预测集中预测正确的第一样本数据的数量，m为预测集中第一样本数据的数量。
进一步地，步骤5中，所述数据拟合的方法为：支撑向量机算法、最邻近节点算法或渐进梯度回归树算法。
本发明的有益效果是：本发明所述的基于指标拟合的近红外光谱模型建立方法，通过均方根误差和验证集准确率两个指标从不同的维度表征了在不同的预处理方法与建模方法组合下各个模型性能的好坏，本发明将均方根误差和验证集准确率作为二维自变量，预测集准确率作为因变量进行拟合，最终通过拟合的函数来进行最佳模型筛选，进而利用最佳模型对待测样本进行预测。相较于单一的最小均方根误差指标或者是最大验证集准确率指标，本方法可有效避免模型过拟合且可降低受验证集划分不合理的影响，进而提升近红外光谱模型的识别准确率。
附图说明
图1为本发明实施例所述的基于指标拟合的近红外光谱模型建立方法的流程结构示意图。
具体实施方式
下面将结合附图对本发明的实施方式进行详细描述。
本发明旨在解决现有近红外光谱模型的识别准确率不高的问题，提出一种基于指标拟合的近红外光谱模型建立方法，主要方案包括：步骤1、获取第一样本数据，将所述第一样本数据按第一预设比例随机划分为训练集、验证集和预测集，所述第一样本数据包括样本库中与待检测样本同属性的原始光谱数据及其对应的标定值；步骤2、根据不同的预处理参数组合分别对训练集中的第一样本数据进行预处理，对每种预处理参数组合下进行预处理之后的数据，分别采用不同主成分的偏最小二乘法建立第一模型；步骤3、根据第一样本数据划分的验证集得到各第一模型的第一均方根误差及第一验证集准确率；步骤4、根据第一样本数据划分的预测集得到各第一模型的第一预测集准确率；步骤5、根据各第一模型对应的第一均方根误差、第一验证集准确率和第一预测集准确率进行指标数据拟合，得到第一预测集准确率关于第一均方根误差和第一验证集准确率的最佳拟合函数；步骤6、获取待检测样本的第二样本数据，所述第二样本数据包括待检测样本数据所在最佳周期的光谱数据及其对应的标定值；步骤7、将所述第二样本数据按第二预设比例随机划分为训练集和验证集，并将第二样本数据作为第一样本数据重复执行步骤2-3，得到各第二模型的第二均方根误差和第二验证集准确率；步骤8、分别将各第二模型对应的第二均方根误差和第二验证集准确率代入所述最佳拟合函数中得到各第二模型对应的第二预测集准确率，选取第二预测集准确率最大值对应的第二模型作为待检测样本的近红外光谱模型。
具体而言，首先拟合得到最佳拟合函数，具体步骤包括：获取原始光谱数据，并将原始光谱数据划分为训练集、验证集和预测集，对训练集中的第一样本数据进行多种预处理参数的预处理，然后根据预处理后的第一样本数据来建立第一模型，在建立第一模型的过程中，将不同的预处理参数和不同主成分建模方法进行组合，得到多个组合对应的第一模型，然后通过留一法交叉验证，基于验证集中的第一样本数据得到每个第一模型对应的第一均方根误差和第一验证集准确率，基于预测集中的第一样本数据得到每个第一模型对应的第一预测集准确率，进而根据各第一模型对应的第一均方根误差、第一验证集准确率和第一预测集准确率进行指标数据拟合，得到第一方根误差和第一验证集准确率为自变量，第一预测集准确率为因变量的最佳拟合函数。然后根据上述相同的方法得到待检测样本对应的各第二模型的第二均方根误差和第二验证集准确率，并基于最佳拟合函数计算得到待检测样本对应的各第二模型的第二预测集准确率，选取第二预测集准确率最大值对应的第二模型最为近红外光谱模型对待测样本进行预测。
实施例
本发明实施例所述的基于指标拟合的近红外光谱模型建立方法，以1350nm-1650nm波段近红外光谱仪采集的数据为例，如图1所示，包括以下步骤：
步骤1、获取第一样本数据，将所述第一样本数据按第一预设比例随机划分为训练集、验证集和预测集，所述第一样本数据包括样本库中与待检测样本同属性的原始光谱数据及其对应的标定值；
本实施例中，原始光谱数据为1000*51的矩阵数据，即含1000条原始光谱数据，每条光谱数据波段数为50个，标定值数据为1个。本实施例将第一样本数据采用6:2:2的比例随机划分为训练集、验证集及预测集。
步骤2、根据不同的预处理参数组合分别对训练集中的第一样本数据进行预处理，对每种预处理参数组合下进行预处理之后的数据，分别采用不同主成分的偏最小二乘法建立第一模型；
本实施例中，所述预处理包括：高斯平滑处理和去趋势处理，所述预处理参数包括：高斯平滑窗口宽度和去趋势阶数。其中高斯平滑窗口宽度设置区间为[1，23]且为奇数，去趋势阶数设置区间为[1，4]。
本实施例采用PLS(偏最小二乘法)进行数据拟合来建立第一模型，其中主成分设置区间为[1，15]；将不同的预处理参数与不同的主成分建模方法进行组合，总计有12*4*15＝720种组合的第一模型，即本实施例中第一模型的数量为720个。
步骤3、根据第一样本数据划分的验证集得到各第一模型的第一均方根误差及第一验证集准确率；
本实施例通过留一法交叉验证，根据第一样本数据划分的验证集获取每个第一模型对应的第一均方根误差和第一验证集准确率，其中，根据第一样本数据划分的验证集得到各第一模型的第一均方根误差的方法包括：
依次从验证集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
根据验证集中各第一样本数据的标定值和预测值计算对应第一模型的第一均方根误差，计算公式如下：
式中，RMSECV为第一均方根误差，yi为第i个第一样本数据的标定值，
为第i个第一样本数据的预测值，i＝1，2,3，……，n，n为验证集中第一样本数据的数量。
根据第一样本数据划分的验证集得到各第一模型的第一验证集准确率的方法包括：
依次从验证集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
分别根据验证集中各第一样本数据的标定值判断对应的预测值是否在预设容错范围内，若是，则判定预测正确，统计验证集中预测正确的第一样本数据的数量，根据验证集中预测正确的第一样本数据的数量计算第一验证集准确率，计算公式如下：
式中，valid_accuracy为第一验证集准确率，p为验证集中预测正确的第一样本数据的数量，n为验证集中第一样本数据的数量。
步骤4、根据第一样本数据划分的预测集得到各第一模型的第一预测集准确率，具体方法包括：
依次从预测集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
分别根据预测集中各第一样本数据的标定值判断对应的预测值是否在预设容错范围内，若是，则判定预测正确，统计预测集中预测正确的第一样本数据的数量，根据预测集中预测正确的第一样本数据的数量计算第一预测集准确率，计算公式如下：
式中，prediction_accuracy为第一预测集准确率，q为预测集中预测正确的第一样本数据的数量，m为预测集中第一样本数据的数量。
在得到各第一模型对应的第一均方根误差、第一验证集准确率和第一预测集准确率后，最终生成一组720*3的指标数据。
步骤5、根据各第一模型对应的第一均方根误差、第一验证集准确率和第一预测集准确率进行指标数据拟合，得到第一预测集准确率关于第一均方根误差和第一验证集准确率的最佳拟合函数；
本实施例中，对步骤4得到的720*3数据进行指标数据拟合得到第一预测集准确率关于第一均方根误差和第一验证集准确率的最佳拟合函数，指标数据拟合的方法可以为：支撑向量机算法、最邻近节点算法或渐进梯度回归树算法。
步骤6、获取待检测样本的第二样本数据，所述第二样本数据包括待检测样本数据所在最佳周期的光谱数据及其对应的标定值；
具体而言，在得到最佳拟合函数后，若需要对待检测样本进行光谱分析检测，则根据待检测样本的第二样本数据来筛选最佳近红外光谱模型，为了进一步提高近红外光谱模型的识别准确率，本实施例中最佳周期为检测前一个月内，即第二样本数据中的光谱数据为检测前一个月内的待检测样本的光谱数据。
步骤7、将所述第二样本数据按第二预设比例随机划分为训练集和验证集，并将第二样本数据作为第一样本数据重复执行步骤2-3，得到各第二模型的第二均方根误差和第二验证集准确率；
第二样本数据的处理方式与第一样本数据的处理方式大致相同，区别在于：(1)只需要将第二样本数据按第二预设比例划分为训练集和验证集，不包括预测集；(2)只需要验证所建立的多个第二模型的第二均方根误差和第二验证集准确率，不包含第二预测集准确率。
将第二样本数据作为第一样本数据重复执行步骤2-3后，同样能够建立待检测样本的多个第二模型，本实施例中第二模型和第一模型的数量相等，均为720个。
步骤8、分别将各第二模型对应的第二均方根误差和第二验证集准确率代入所述最佳拟合函数中得到各第二模型对应的第二预测集准确率，选取第二预测集准确率最大值对应的第二模型作为待检测样本的近红外光谱模型。
在通过同理方法得到待检测样本的各第二模型对应的第二均方根误差和第二验证集准确率后，得到720*2的指标数据，依次将各个第二模型对应的第二均方根误差和第二验证集准确率代入最佳拟合函数，得到各第二模型对应的第二预测集准确率，最后从720个第二模型对应的第二预测集准确率中选取最大值，并将第二预测集准确率最大值对应的第二模型作为待检测样本的近红外光谱模型对对待检测样本进行最终的结果预测。
综上所述，本实施例中，RMSECV与Valid_accuracy两个指标从不同的维度表征了在不同的预处理方法与建模方法组合下，各个模型性能的好坏，通过将RMSECV与Valid_accuracy作为二维自变量，预测集的准确率作为因变量进行拟合，最终通过拟合的模型来进行最佳模型筛选，进而利用最佳模型对未知样本进行预测。通过该方法，相较于单一的最小RMSECV指标或者是最大Valid_accuracy指标，本方法可有效避免模型过拟合且可降低受验证集划分不合理的影响，最终达到了提升设备识别准确率的目的。
Claims (10)
1.基于指标拟合的近红外光谱模型建立方法，其特征在于，包括以下步骤：
步骤1、获取第一样本数据，将所述第一样本数据按第一预设比例随机划分为训练集、验证集和预测集，所述第一样本数据包括样本库中与待检测样本同属性的原始光谱数据及其对应的标定值；
步骤2、根据不同的预处理参数组合分别对训练集中的第一样本数据进行预处理，对每种预处理参数组合下进行预处理之后的数据，分别采用不同主成分的偏最小二乘法建立第一模型；
步骤3、根据第一样本数据划分的验证集得到各第一模型的第一均方根误差及第一验证集准确率；
步骤4、根据第一样本数据划分的预测集得到各第一模型的第一预测集准确率；
步骤5、根据各第一模型对应的第一均方根误差、第一验证集准确率和第一预测集准确率进行指标数据拟合，得到第一预测集准确率关于第一均方根误差和第一验证集准确率的最佳拟合函数；
步骤6、获取待检测样本的第二样本数据，所述第二样本数据包括待检测样本数据所在最佳周期的光谱数据及其对应的标定值；
步骤7、将所述第二样本数据按第二预设比例随机划分为训练集和验证集，并将第二样本数据作为第一样本数据重复执行步骤2-3，得到各第二模型的第二均方根误差和第二验证集准确率；
步骤8、分别将各第二模型对应的第二均方根误差和第二验证集准确率代入所述最佳拟合函数中得到各第二模型对应的第二预测集准确率，选取第二预测集准确率最大值对应的第二模型作为待检测样本的近红外光谱模型。
2.如权利要求1所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，步骤2中，所述预处理包括：高斯平滑处理和去趋势处理，所述预处理参数包括：高斯平滑窗口宽度和去趋势阶数。
3.如权利要求2所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，步骤2中，所述高斯平滑窗口宽度设置区间为[1，23]且为奇数，所述去趋势阶数设置区间为[1，4]，所述主成分设置区间为[1，15]。
4.如权利要求1所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，步骤3中，所述根据第一样本数据划分的验证集得到各第一模型的第一均方根误差的方法包括：
依次从验证集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
根据验证集中各第一样本数据的标定值和预测值计算对应第一模型的第一均方根误差。
5.如权利要求4所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，所述根据第一样本数据的标定值和预测值计算对应第一模型的第一均方根误差的公式如下：
式中，RMSECV为第一均方根误差，yi为第i个第一样本数据的标定值，
为第i个第一样本数据的预测值，i＝1，2,3，……，n，n为验证集中第一样本数据的数量。
6.如权利要求1所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，步骤3中，所述根据第一样本数据划分的验证集得到各第一模型的第一验证集准确率的方法包括：
依次从验证集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
分别根据验证集中各第一样本数据的标定值判断对应的预测值是否在预设容错范围内，若是，则判定预测正确，统计验证集中预测正确的第一样本数据的数量，根据验证集中预测正确的第一样本数据的数量计算第一验证集准确率。
7.如权利要求6所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，所述根据预测正确的第一样本数据的数量计算第一验证集准确率的公式如下：
式中，valid_accuracy为第一验证集准确率，p为验证集中预测正确的第一样本数据的数量，n为验证集中第一样本数据的数量。
8.如权利要求1所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，步骤4中，所述根据第一样本数据划分的预测集得到各第一模型的第一预测集准确率的方法包括：
依次从预测集中取出第i个第一样本数据，每次取出一个第一样本数据后，分别根据各第一模型预测得到取出的第一样本数据标定值对应的预测值；
分别根据预测集中各第一样本数据的标定值判断对应的预测值是否在预设容错范围内，若是，则判定预测正确，统计预测集中预测正确的第一样本数据的数量，根据预测集中预测正确的第一样本数据的数量计算第一预测集准确率。
9.如权利要求8所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，所述根据预测正确的第一样本数据的数量计算第一预测集准确率的公式如下：
式中，prediction_accuracy为第一预测集准确率，q为预测集中预测正确的第一样本数据的数量，m为预测集中第一样本数据的数量。
10.如权利要求1所述的基于指标拟合的近红外光谱模型建立方法，其特征在于，步骤5中，所述数据拟合的方法为：支撑向量机算法、最邻近节点算法或渐进梯度回归树算法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111181180.4A CN113933263B (zh) | 2021-10-11 | 2021-10-11 | 基于指标拟合的近红外光谱模型建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111181180.4A CN113933263B (zh) | 2021-10-11 | 2021-10-11 | 基于指标拟合的近红外光谱模型建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113933263A true CN113933263A (zh) | 2022-01-14 |
| CN113933263B CN113933263B (zh) | 2023-07-25 |
Family
ID=79278556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111181180.4A Active CN113933263B (zh) | 2021-10-11 | 2021-10-11 | 基于指标拟合的近红外光谱模型建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113933263B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010082246A (ja) * | 2008-09-30 | 2010-04-15 | Panasonic Electric Works Co Ltd | 生体スペクトルの測定データ処理方法 |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN104792722A (zh) * | 2015-04-30 | 2015-07-22 | 华南农业大学 | 一种沉香含油率近红外光谱预测模型的建立 |
| CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
| US20190049297A1 (en) * | 2015-11-19 | 2019-02-14 | Jiangnan University | Method for Correcting Measuring-Point-Free Temperature Compensation Model During Online Application of Near Infrared Spectrum Analyzer |
| CN109799207A (zh) * | 2019-01-15 | 2019-05-24 | 上海交通大学 | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 |
| CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
| CN113158575A (zh) * | 2021-04-29 | 2021-07-23 | 晶格码（青岛）智能科技有限公司 | 一种假定标样的在线近红外光谱模型的转移方法 |
-
2021
- 2021-10-11 CN CN202111181180.4A patent/CN113933263B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010082246A (ja) * | 2008-09-30 | 2010-04-15 | Panasonic Electric Works Co Ltd | 生体スペクトルの測定データ処理方法 |
| CN102305772A (zh) * | 2011-07-29 | 2012-01-04 | 江苏大学 | 基于遗传核偏最小二乘法的近红外光谱特征波长筛选方法 |
| CN104792722A (zh) * | 2015-04-30 | 2015-07-22 | 华南农业大学 | 一种沉香含油率近红外光谱预测模型的建立 |
| US20190049297A1 (en) * | 2015-11-19 | 2019-02-14 | Jiangnan University | Method for Correcting Measuring-Point-Free Temperature Compensation Model During Online Application of Near Infrared Spectrum Analyzer |
| CN107748146A (zh) * | 2017-10-20 | 2018-03-02 | 华东理工大学 | 一种基于近红外光谱检测的原油属性快速预测方法 |
| CN109799207A (zh) * | 2019-01-15 | 2019-05-24 | 上海交通大学 | 基于近红外光谱分析的白芷中掺滑石粉的定量检测方法 |
| CN111855595A (zh) * | 2020-08-24 | 2020-10-30 | 四川长虹电器股份有限公司 | 一种基于黑白校准板的光谱数据校准方法 |
| CN113158575A (zh) * | 2021-04-29 | 2021-07-23 | 晶格码（青岛）智能科技有限公司 | 一种假定标样的在线近红外光谱模型的转移方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113933263B (zh) | 2023-07-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109460574A (zh) | 一种航空发动机剩余寿命的预测方法 | |
| CN105334185B (zh) | 基于光谱投影判别的近红外模型维护方法 | |
| de Boves Harrington | Support vector machine classification trees based on fuzzy entropy of classification | |
| CN107563448B (zh) | 基于近红外光谱分析的样本空间聚类划分法 | |
| US20200257885A1 (en) | High speed reference point independent database filtering for fingerprint identification | |
| CN105938093A (zh) | 一种基于遗传算法结合支持向量机的乌龙茶产地判别方法 | |
| CN106248621A (zh) | 一种评价方法与系统 | |
| CN104374739A (zh) | 一种基于近红外定性分析的种子品种真实性鉴别方法 | |
| US20230243744A1 (en) | Method and system for automatically detecting and reconstructing spectrum peaks in near infrared spectrum analysis of tea | |
| CN116956189A (zh) | 一种电流异常检测系统、方法、电子设备及介质 | |
| CN114611582B (zh) | 一种基于近红外光谱技术分析物质浓度的方法及系统 | |
| CN114067169A (zh) | 一种基于卷积神经网络的拉曼光谱分析方法 | |
| CN114757269A (zh) | 一种基于局部子空间-邻域保持嵌入的复杂过程精细化故障检测方法 | |
| CN113420795A (zh) | 一种基于空洞卷积神经网络的矿物光谱分类方法 | |
| CN113076692B (zh) | 一种反演叶片氮素含量的方法 | |
| CN114783539A (zh) | 一种基于光谱聚类的中药成分分析方法及系统 | |
| CN117236572B (zh) | 一种基于数据分析的干粉灭火设备性能评估方法及系统 | |
| CN117589697A (zh) | 一种植物土壤pH值的检测方法 | |
| CN113933263B (zh) | 基于指标拟合的近红外光谱模型建立方法 | |
| CN107067034B (zh) | 一种快速识别红外光谱数据分类的方法及系统 | |
| 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 | |
| CN114139643B (zh) | 一种基于机器视觉的单甘酯质量检测方法及系统 | |
| CN115452758A (zh) | 大米类别鉴别模型及其构建方法以及鉴别大米类别的方法 | |
| US11525774B2 (en) | Sensory evaluation method for spectral data of mainstream smoke | |
| CN104181125A (zh) | 快速测定啤酒麦芽中库尔巴哈值的方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |