一種可見-近紅外光譜無損判別的方法
【專利摘要】本發(fā)明公開一種可見-近紅外光譜無損判別的方法。本發(fā)明提出的基于光譜預(yù)處理模型篩選、波長模型篩選、光譜判別分析參數(shù)篩選的集成算法，綜合了去噪、數(shù)據(jù)降維、特征提取、分類識別等方面的功能。經(jīng)過隨機(jī)抽樣檢驗，取得了高精度的光譜識別效果，顯示了可見-近紅外漫反射光譜應(yīng)用于轉(zhuǎn)基因甘蔗育種篩查的可行性。為研發(fā)轉(zhuǎn)基因甘蔗葉無損判別技術(shù)和相關(guān)專用光譜儀器設(shè)計提出有效的解決方案。本發(fā)明的方法無需試劑、無損、準(zhǔn)確；且方便、快捷，節(jié)約成本；是一種有潛力的便于應(yīng)用的檢測工具。
【專利說明】一種可見-近紅外光譜無損判別的方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于農(nóng)作物育種篩查的無損檢測【技術(shù)領(lǐng)域】，具體涉及一種可見-近紅外光 譜無損判別的方法。

【背景技術(shù)】
[0002] 我國是甘蔗制糖大國，蔗糖產(chǎn)量居世界第三位。甘蔗的附加值較高，除制糖外，還 用于造紙及燃料乙醇的生產(chǎn)等。甘蔗多生長在高溫高濕地區(qū)，容易受到多種有害生物的威 脅，其中蟲害尤為嚴(yán)重。隨著現(xiàn)代農(nóng)業(yè)生物技術(shù)的發(fā)展，轉(zhuǎn)基因技術(shù)在甘蔗研究上的應(yīng)用逐 漸開展，甘蔗轉(zhuǎn)基因育種日益受到重視。目前，將含有抗蟲基因（Bt)和抗除草劑基因（Bar) 導(dǎo)入甘蔗中以對現(xiàn)有甘蔗優(yōu)良品種進(jìn)行遺傳改良，可有效提高甘蔗抗蟲和抗除草劑能力。 在轉(zhuǎn)基因甘蔗育種時，必須判定所導(dǎo)入的外源基因是否在甘蔗植株成功表達(dá)。目前的基因 篩查方法主要是分子生物學(xué)的檢測技術(shù)，其方法復(fù)雜，需要使用多種生化試劑，并要求較高 的專業(yè)操作技能，不能滿足現(xiàn)代大規(guī)模生產(chǎn)的需要。
[0003] 近紅外（NIR)是介于可見（Vis)和中紅外之間的電磁波，主要反映的含氫基團(tuán) X-H(如C-H、N_H、〇-H等）振動的倍頻和合頻吸收，在快速、實時、無損檢測方面具有明顯優(yōu) 勢，已成功應(yīng)用于農(nóng)業(yè)、食品、石油化工、生物醫(yī)學(xué)等領(lǐng)域。轉(zhuǎn)基因與非轉(zhuǎn)基因甘蔗葉的蛋白 質(zhì)分子存在差異，含有大量的氫基團(tuán)X-H，因此，NIR光譜具有分析甘蔗基因變異信息的方 法基礎(chǔ)，可望用于無損檢測。農(nóng)作物植株的無損檢測具有明顯的應(yīng)用優(yōu)勢，同時是方法學(xué)的 難點所在。因為農(nóng)作物（如甘蔗葉片）具有復(fù)雜組分，它的光譜包含有多種噪音干擾，要求 采用先進(jìn)的化學(xué)計量學(xué)、計算機(jī)模式識別方法進(jìn)行光譜分析。目前還未見有相關(guān)應(yīng)用研究 成果報道。


【發(fā)明內(nèi)容】

[0004] 為了克服現(xiàn)有技術(shù)的缺點與不足，本發(fā)明的目的在于提供一種可見-近紅外光譜 無損判別的方法。
[0005] 本發(fā)明的另一目的在于提供一種可見-近紅外光譜無損判別具Bt和Bar基 因甘蔗葉的方法。建立一種基于可見-近紅外（Vis-NIR)光譜的對于具Bt和Bar基 因甘蔗葉的無損判別方法。首先，采用適當(dāng)?shù)墓庾V預(yù)處理方法消除光譜噪音，如采用 Savitzky-G〇lay(SG)模型的篩選；其次，對光譜波長模型進(jìn)行優(yōu)化，達(dá)到提取信息的目的， 如采用移動窗口（MW)方式的連續(xù)型篩選方法；然后，采用光譜判別分析方法（如有監(jiān)督的 PLS-DA，PCA-LDA方法、無監(jiān)督的PCA-HCA方法等）進(jìn)行判別分析，根據(jù)判別效果優(yōu)選模型參 數(shù)。通過上述三方面的方法集成，建立高效識別轉(zhuǎn)基因與非轉(zhuǎn)基因甘蔗葉樣品的方法。為 研發(fā)轉(zhuǎn)基因甘蔗葉無損判別技術(shù)和相關(guān)專用光譜儀器設(shè)計提出有效的解決方案。
[0006] 本發(fā)明的目的通過下述技術(shù)方案實現(xiàn)：一種可見-近紅外光譜無損判別的方法， 包括如下步驟：
[0007] (1)測試樣品，得到光譜數(shù)據(jù)和樣品類別的測定結(jié)果；把全部樣品隨機(jī)分為建模 集和檢驗集；
[0008] (2)光譜預(yù)處理模型的篩選：在所測得的光譜波段中，對所有光譜分別進(jìn)行不同 模式的SG平滑預(yù)處理，得到SG平滑光譜；
[0009] (3)在所得的SG平滑光譜基礎(chǔ)上，建立基于主成分分析（PCA)和線性判別分析 (LDA)的定標(biāo)預(yù)測模型，計算預(yù)測樣品的識別準(zhǔn)確率？_1?(：;
[0010] (4)根據(jù)P_REC的值篩選最優(yōu)SG平滑模式；
[0011] (5)用最優(yōu)SG平滑模式對所有樣品光譜進(jìn)行預(yù)處理，進(jìn)行波長模型篩選，進(jìn)一步 建立優(yōu)化波長模型，然后采用光譜判別分析方法，計算識別準(zhǔn)確率P_REC ;根據(jù)最大P_REC 值獲得全局最優(yōu)模型，建立可見-近紅外光譜無損判別的方法。
[0012] 步驟（1)中所述的建模集包括定標(biāo)集和預(yù)測集；
[0013] 步驟⑵中所述的光譜波段為400?2498nm ;
[0014] 步驟（2)中所述的SG平滑的參數(shù)包括導(dǎo)數(shù)階數(shù)d、多項式次數(shù)p和平滑點數(shù)m;
[0015] 所述的d優(yōu)選為0、1、2、3、4或5 ;
[0016] 所述的p優(yōu)選為2、3、4、5或6 ;
[0017] 所述的m優(yōu)選為5?51之間的奇數(shù)；
[0018] 步驟（5)中所述的波長模型篩選的方法包括連續(xù)型波長模型，準(zhǔn)連續(xù)型波長模型 和離散型波長模型；
[0019] 所述的連續(xù)型波長模型優(yōu)選用移動窗口（MW)方式的連續(xù)型篩選方法；
[0020] 步驟（5)中所述的波長模型的參數(shù)包括起點波長I和波長個數(shù)N ;
[0021] 所述的 I 為 I e {400,402, · · ·，2498};
[0022] 所述的 N 為 N e {1，2, · · ·，50} U {60,70, · · ·，200} U {220,240, · · ·， 860} U {1050}；
[0023] 步驟（5)中所述的光譜判別分析方法，包括有監(jiān)督的光譜判別分析方法和無監(jiān)督 的光譜判別分析方法；
[0024] 所述的有監(jiān)督的光譜判別分析方法包括PLS-DA，PCA-LDA等；
[0025] 所述的無監(jiān)督的光譜判別分析方法包括PCA-HCA等；
[0026] 具體地，一種可見-近紅外光譜無損判別具Bt和Bar基因甘蔗葉的方法，包括如 下步驟：
[0027] (1)測試樣品，得到可見-近紅外漫反射光譜數(shù)據(jù)和樣品類別的測定結(jié)果；把全部 樣品隨機(jī)分為建|吳集和檢驗集；
[0028] (2)光譜預(yù)處理模型的篩選：在所測得的光譜波段中，對所有光譜分別進(jìn)行不同 模式的SG平滑預(yù)處理，得到SG平滑光譜；
[0029] (3)在所得的SG平滑光譜基礎(chǔ)上，建立基于主成分分析（PCA)和線性判別分析 (LDA)的定標(biāo)預(yù)測模型，計算預(yù)測樣品的識別準(zhǔn)確率？_1?(：;
[0030] (4)根據(jù)P_REC的值篩選最優(yōu)SG平滑模式；
[0031] (5)用最優(yōu)SG平滑模式對所有樣品光譜進(jìn)行預(yù)處理，進(jìn)行波長模型篩選，進(jìn)一步 建立優(yōu)化波長模型，然后采用光譜判別分析方法，計算識別準(zhǔn)確率P_REC ;根據(jù)最大P_REC 值獲得全局最優(yōu)模型，建立高效識別轉(zhuǎn)基因與非轉(zhuǎn)基因甘蔗葉樣品的方法。
[0032] 步驟（1)中所述的建模集包括定標(biāo)集和預(yù)測集；
[0033] 步驟⑵中所述的光譜波段為400?2498nm ;
[0034] 步驟（2)中所述的SG平滑的參數(shù)包括導(dǎo)數(shù)階數(shù)d、多項式次數(shù)p和平滑點數(shù)m ;
[0035] 所述的d優(yōu)選為0、1、2、3、4或5 ;
[0036] 所述的p優(yōu)選為2、3、4、5或6 ;
[0037] 所述的m優(yōu)選為5?51之間的奇數(shù)；
[0038] 步驟⑷中所述的最優(yōu)SG平滑模式的參數(shù)為d = 1，p = 3, m = 25 ;
[0039] 步驟（5)中所述的波長模型篩選的方法包括連續(xù)型波長模型，準(zhǔn)連續(xù)型波長模型 和離散型波長模型；
[0040] 所述的連續(xù)型波長模型優(yōu)選用移動窗口（MW)方式的連續(xù)型篩選方法；
[0041] 步驟（5)中所述的波長模型的參數(shù)包括起點波長I和波長個數(shù)N ;
[0042] 所述的 I 為 I e {400,402, · · ·，2498};
[0043] 所述的 N 為 N e {1，2, · · ·，50} U {60,70, · · ·，200} U {220,240, · · ·， 860} U {1050}；
[0044] 步驟（5)中所述的光譜判別方法，包括有監(jiān)督的光譜判別分析方法和無監(jiān)督的光 譜判別分析方法；
[0045] 所述的有監(jiān)督的光譜判別分析方法包括PLS-DA，PCA-LDA等；
[0046] 所述的無監(jiān)督的光譜判別分析方法包括PCA-HCA等；
[0047] 步驟（5)中所述的全局最優(yōu)模型的參數(shù)為d = 1，p = 3, m = 25, I = 768nm，N = 28〇
[0048] 本發(fā)明相對于現(xiàn)有技術(shù)具有如下的優(yōu)點及效果：
[0049] (1)本發(fā)明提出的基于光譜預(yù)處理模型篩選、波長模型篩選、光譜判別分析參數(shù)篩 選的集成算法，綜合了去噪、數(shù)據(jù)降維、特征提取、分類識別等方面的功能。經(jīng)過隨機(jī)抽樣檢 驗，取得了高精度的光譜識別效果，顯示了可見-近紅外（Vis-NIR)漫反射光譜應(yīng)用于轉(zhuǎn)基 因甘蔗育種篩查的可行性。
[0050] (2)本發(fā)明的方法無需試齊?、無損、準(zhǔn)確；且方便、快捷，節(jié)約成本；是一種有潛力 的便于應(yīng)用的檢測工具。

【專利附圖】

【附圖說明】
[0051] 圖1是456個甘蔗葉樣品的光譜圖。
[0052] 圖2是對應(yīng)于不同起點波長I和波長個數(shù)Ν的預(yù)測識別準(zhǔn)確率P_REC的結(jié)果圖； 其中，圖2(a)是不同起點波長I的預(yù)測識別準(zhǔn)確率P_REC的結(jié)果圖；圖2(b)是不同波長個 數(shù)N的預(yù)測識別準(zhǔn)確率P_REC的結(jié)果圖。
[0053] 圖 3 是最優(yōu)模型（d = l，p = 3，m = 25,1 = 768，Ν = 28，Ρ(^-Ρ(：3)的檢驗效果的 結(jié)果圖。

【具體實施方式】
[0054] 下面結(jié)合實施例及附圖對本發(fā)明作進(jìn)一步詳細(xì)的描述，但本發(fā)明的實施方式不限 于此。
[0055] 以下材料在文獻(xiàn)"臺灣省新臺糖（R0C)甘蔗品種介紹.廣西農(nóng)業(yè)科 學(xué).1998,5:229-233"中公開：新臺糖1號〇?0(：1)、新臺糖2號〇?(0)、新臺糖3號〇?(0)、 新臺糖4號（R0C4)、新臺糖20號（R0C20)和新臺糖22號（R0C22)。
[0056] 以下材料在文獻(xiàn)"甘蔗新品種粵糖00-236配套栽培技術(shù)研究.甘蔗糖 業(yè)· 2006, 01:1-5, 40" 中公開：粵糖 00-236 號。
[0057] 實施例1
[0058] 本實施例以甘蔗葉的可見-近紅外（Vis-NIR)光譜漫反射光譜為例，說明本發(fā)明 所提出的基于可見-近紅外光譜無損判別具Bt和Bar基因甘蔗葉的方法，包括如下步驟：
[0059] 1.實驗材料、儀器和測量方法
[0060] (1)材料：
[0061] 轉(zhuǎn)基因甘蔗材料：以新臺糖20號（R0C20)、新臺糖22號（R0C22)和粵糖00-236號 為受體的三個品種含有Bt基因和Bar基因的轉(zhuǎn)基因甘蔗株系，共306個（陽性）。
[0062] 非轉(zhuǎn)基因甘蔗材料：新臺糖1號（R0C1)、新臺糖2號（R0C2)、新臺糖3號（R0C3)、 新臺糖4號（R0C4)、新臺糖20號（R0C20)、新臺糖22號（R0C22)和粵糖00-236號共7個 品種的非轉(zhuǎn)基因甘蔗株系，共150個（陰性）。在轉(zhuǎn)基因甘蔗葉樣品育種時，采用ELISA方 法對其蛋白質(zhì)表達(dá)進(jìn)行檢測確認(rèn)，所用試劑盒為美國Agdia公司的BT-CrylAb/lAc試劑盒， 操作按說明書，測試用美國Bio-rad公司的iMark酶標(biāo)儀。
[0063] 所述的以新臺糖20號、新臺糖22號和粵糖00-236號為受體的三個品種含有Bt 基因和Bar基因的轉(zhuǎn)基因甘蔗株系的獲得方法，參照文獻(xiàn)"基因槍法獲得轉(zhuǎn)crylAc基因甘 蔗的研究.熱帶亞熱帶植物學(xué)報.1998, 19(2) : 142-148"中的轉(zhuǎn)基因方法。
[0064] 其中，Bt基因為crylAc基因，植物表達(dá)載體pGreen II 0229質(zhì)粒源自John Innes Centre,該質(zhì)粒中帶有可表達(dá)抗膦絲菌素（PPT)和除草劑Basta活性的bar基因。從而，獲 得以新臺糖20號、新臺糖22號和粵糖00-236號為受體的三個品種含有Bt基因和Bar基 因的轉(zhuǎn)基因甘蔗株系。
[0065] (2)樣品：
[0066] 取田間種植，處于伸長期甘蔗的+1葉樣品共456個，其中具有Bt基因和Bar基因 的轉(zhuǎn)基因甘蔗葉樣品（陽性）306個，非轉(zhuǎn)基因甘蔗葉樣品（陰性）150個。將樣品洗凈晾 干，去除葉脈，剪為3?4cm的段，取同一樣品的4?6片葉片用于光譜檢測。
[0067] (3)儀器與測量方法：
[0068] 光譜儀器為XDS Rapid Content?型近紅外光柵光譜分析儀（丹麥F0SS公司）和 圓形漫反射樣品附件。光譜掃描范圍400?2498nm(包含全近紅外區(qū)和部分可見光區(qū)）； 波長間隔2nm ;400?1100U100?2498(nm)波段分別用硅（Si)、硫化鉛（PbS)探測器。 [0069] 將樣品平鋪于圓形漫反射附件中，使葉片完全覆蓋光譜儀的探測區(qū)域（光斑區(qū)）。 每個樣品測量三次，三次光譜的均值作為樣品光譜數(shù)據(jù)。實驗溫度、濕度分別為25土1°C、 46±1% RH。
[0070] 2.定標(biāo)、預(yù)測、檢驗框架和樣品劃分體系
[0071] 采用一種嚴(yán)謹(jǐn)?shù)亩?biāo)、預(yù)測、檢驗框架和樣品劃分體系。擬從全體樣品中隨機(jī)抽取 部分作為檢驗樣品，它們不參與建模過程；其余的作為建模樣品，進(jìn)一步被劃分為定標(biāo)、預(yù) 測集。最后，采用隨機(jī)選取的不參與建模的檢驗樣品對優(yōu)選的模型進(jìn)行檢驗。
[0072] 本實驗采用國際上著名的Kennard-Stone(K-S)劃分方法，來劃分定標(biāo)、預(yù)測集。 κ-s方法的優(yōu)點是通過設(shè)計適當(dāng)?shù)乃惴◤娜繕悠分刑暨x出一個具有均勻性、能夠充分代 表整個樣品空間的樣品子集作為定標(biāo)集，使得模型具有客觀性和代表性。
[0073] 為了使定標(biāo)、預(yù)測和檢驗樣品集都應(yīng)包含非轉(zhuǎn)基因（陰性）、轉(zhuǎn)基因（陽性）甘 蔗葉樣品，因此采用上述方法，分別將陰性、陽性樣品劃分到定標(biāo)集（陽性100個，陰性50 個）、預(yù)測集（陽性100個，陰性50個）和檢驗集（陽性106個，陰性50個）。
[0074] 3.光譜預(yù)處理模型的篩選
[0075] 本實驗采用國際上著名的Savitzky-Golay (SG)平滑方法，進(jìn)行光譜預(yù)處理。SG方 法能夠通過平滑、求導(dǎo)的方式克服光譜數(shù)據(jù)的基線漂移、傾斜以及高階噪音干擾，具有多參 數(shù)、多模式、適用范圍廣的優(yōu)點。
[0076] SG平滑的參數(shù)包括導(dǎo)數(shù)階數(shù)d(d = 0, 1，2, 3, 4, 5)、多項式次數(shù)p(p = 2, 3, 4, 5, 6) 和平滑點數(shù)m (5?25之間奇數(shù)）。把光譜區(qū)間的m個連續(xù)點作為一個窗口，用多項式對 窗口內(nèi)的光譜數(shù)據(jù)進(jìn)行最小二乘擬合，確定多項式系數(shù)，然后計算窗口中心波長的SG平滑 值。通過窗口移動，得到原光譜的SG平滑譜。
[0077] 考慮到4階、5階導(dǎo)數(shù)的絕對值偏小，光譜信息損耗過大，故d = 4, 5的SG平滑模 式不作為本文篩選范圍。另一方面，考慮到有些實際測量體系可能需要更多的平滑點數(shù)，t匕 如測量數(shù)據(jù)波長間隔小的情形，相鄰波長點的數(shù)據(jù)過于相似，點數(shù)少的平滑效果往往不夠 好。為了拓寬應(yīng)用范圍，本文將平滑點數(shù)m從原有的5?25之間奇數(shù)擴(kuò)充為5?51之間 的奇數(shù)。計算所有平滑模式的平滑系數(shù)，共264個平滑模式用于本例的篩選。
[0078] 4.連續(xù)、準(zhǔn)連續(xù)、離散型波長模型的篩選
[0079] 波長模型的篩選是光譜信息提取的關(guān)鍵，包括連續(xù)、準(zhǔn)連續(xù)、離散型三大類。本實 驗采用國際上著名的移動窗口方式的連續(xù)型篩選方法。該方法以N個連續(xù)波長的光譜數(shù)據(jù) 作為一個窗口，通過移動窗口（改變起點波長I)和改變窗口的大小（波長個數(shù)N)的方式， 在整個光譜區(qū)域內(nèi)，按照非轉(zhuǎn)基因（陰性）、轉(zhuǎn)基因（陽性）甘蔗葉樣品的光譜判別效果進(jìn) 行篩選。
[0080] 本實施例中選取部分可見光區(qū)和全部近紅外區(qū)（400?2498nm)作為波長篩選范 圍，波長間隔2nm，波長個數(shù)（N)為1050個，光譜圖如圖1所示。
[0081] 本實驗的具體參數(shù)設(shè)置如下：I e {400,402, · · ·，2498}，N e {1，2, · · ·， 50} U {60,70, · · · ，200} U {220,240, · · · ，860} U {1050}。
[0082] 5.光譜判別分析模型
[0083] 光譜判別分析方法主要分為有監(jiān)督和無監(jiān)督兩類，有監(jiān)督的光譜判別方法如 PLS-DA、PCA-LDA等，無監(jiān)督的光譜判別方法如PCA-HCA等。本實驗采用國際上著名的 PCA-LDA 方法。
[0084] (l)PCA
[0085] 選取主成分的個數(shù)取決于主成分的累計方差貢獻(xiàn)率，通常使用前三個主成分能夠 代表原始變量所能提供的絕大部分信息。為了便于模式識別，采用前三個主成分兩兩組 合的兩維主成分模型。具體過程如下：（1)基于定標(biāo)集光譜的吸光度矩陣進(jìn)行主成分分析 (PCA)，計算相應(yīng)的載荷矩陣和主成分得分矩陣；（2)選取貢獻(xiàn)率最大的前三個主成分（PCp PC 2、PC3)，兩兩組合構(gòu)成三個主成分平面（并作0-1歸一化），即PCi-PQ平面、PQ-PQ平面、 PC2-PC3平面；（3)基于預(yù)測集光譜的吸光度矩陣和得到的（定標(biāo)）載荷矩陣，計算預(yù)測集樣 品的主成分得分矩陣，并投影到三個主成分平面。
[0086] (2) LDA
[0087] LDA是一種有監(jiān)督的模式識別方法，它基于樣品的轉(zhuǎn)基因類型（陰性、陽性）進(jìn)行 訓(xùn)練，得到判別模型。本文在PCA分析的基礎(chǔ)上進(jìn)行LDA判別分析，具體過程如下：（1)在每 個主成分平面上，基于定標(biāo)樣品的轉(zhuǎn)基因類型進(jìn)行線性判別分析，確定最優(yōu)分類線；（2)基 于得到的預(yù)測樣品的主成分值和最優(yōu)分類線，對預(yù)測樣品的類型（陰性、陽性）進(jìn)行識別； (3)參照預(yù)測樣品的真實類型，計算識別率，再根據(jù)識別率大小確定最優(yōu)的主成分組合。
[0088] 6.模型評價指標(biāo)
[0089] (1)計算所有平滑模式對應(yīng)的SG平滑譜，對于每個SG平滑譜，分別進(jìn)行PCA分析， 進(jìn)一步分別建立PCA-LDA判別模型。
[0090] 計算預(yù)測樣品的識別準(zhǔn)確率（Recognition rate,記為P_REC)如下：
[0091]

【權(quán)利要求】
1. 一種可見-近紅外光譜無損判別的方法，其特征在于包括如下步驟： (1) 測試樣品，得到光譜數(shù)據(jù)和樣品類別的測定結(jié)果；把全部樣品隨機(jī)分為建模集和 檢驗集； (2) 光譜預(yù)處理模型的篩選：在所測得的光譜波段中，對所有光譜分別進(jìn)行不同模式 的SG平滑預(yù)處理，得到SG平滑光譜； (3) 在所得的SG平滑光譜基礎(chǔ)上，建立基于PCA和LDA的定標(biāo)預(yù)測模型，計算預(yù)測樣品 的識別準(zhǔn)確率P_REC ; (4) 根據(jù)P_REC的值篩選最優(yōu)SG平滑模式； (5) 用最優(yōu)SG平滑模式對所有樣品光譜進(jìn)行預(yù)處理，進(jìn)行波長模型篩選，進(jìn)一步建立 優(yōu)化波長模型，然后采用光譜判別分析方法，計算識別準(zhǔn)確率P_REC ;根據(jù)最大P_REC值獲 得全局最優(yōu)模型，建立可見-近紅外光譜無損判別的方法。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于： 步驟（1)中所述的建模集包括定標(biāo)集和預(yù)測集； 步驟（2)中所述的光譜波段為400?2498nm。
3. 根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟（2)中所述的SG平滑的參數(shù)包括導(dǎo) 數(shù)階數(shù)d、多項式次數(shù)p和平滑點數(shù)m ; 所述的d為0、1、2、3、4或5 ; 所述的P為2、3、4、5或6 ; 所述的m為5?51之間的奇數(shù)。
4. 根據(jù)權(quán)利要求1所述的方法，其特征在于： 步驟（5)中所述的波長模型的參數(shù)包括起點波長I和波長個數(shù)N ; 所述的 I 為 I e {400,402, · · ·，2498}; 所述的 N 為 N e {1，2, · · ·，50} U {60,70, · · ·，200} U {220,240, · · ·， 860} U {1050}。
5. 根據(jù)權(quán)利要求1所述的方法，其特征在于：步驟（5)中所述的光譜判別分析方法，包 括有監(jiān)督的光譜判別分析方法和無監(jiān)督的光譜判別分析方法； 所述的有監(jiān)督的光譜判別分析方法包括PLS-DA，PCA-LDA ; 所述的無監(jiān)督的光譜判別分析方法包括PCA-HCA。
6. -種可見-近紅外光譜無損判別具Bt和Bar基因甘蔗葉的方法，包括如下步驟： (1) 測試樣品，得到可見-近紅外漫反射光譜數(shù)據(jù)和樣品類別的測定結(jié)果；把全部樣品 隨機(jī)分為建模集和檢驗集； (2) 光譜預(yù)處理模型的篩選：在所測得的光譜波段中，對所有光譜分別進(jìn)行不同模式 的SG平滑預(yù)處理，得到SG平滑光譜； (3) 在所得的SG平滑光譜基礎(chǔ)上，建立基于PCA和LDA的定標(biāo)預(yù)測模型，計算預(yù)測樣品 的識別準(zhǔn)確率P_REC ; (4) 根據(jù)P_REC的值篩選最優(yōu)SG平滑模式； (5) 用最優(yōu)SG平滑模式對所有樣品光譜進(jìn)行預(yù)處理，進(jìn)行波長模型篩選，進(jìn)一步建立 優(yōu)化波長模型，然后采用光譜判別分析方法，計算識別準(zhǔn)確率P_REC ;根據(jù)最大P_REC值獲 得全局最優(yōu)模型，建立高效識別轉(zhuǎn)基因與非轉(zhuǎn)基因甘蔗葉樣品的方法。
7. 根據(jù)權(quán)利要求6所述的方法，其特征在于： 步驟（2)中所述的SG平滑的參數(shù)包括導(dǎo)數(shù)階數(shù)d、多項式次數(shù)p和平滑點數(shù)m ; 所述的d為0、1、2、3、4或5 ; 所述的P為2、3、4、5或6 ; 所述的m為5?51之間的奇數(shù)。
8. 根據(jù)權(quán)利要求6所述的方法，其特征在于：步驟（4)中所述的最優(yōu)SG平滑模式的參 數(shù)為 d = 1，p = 3, m = 25。
9. 根據(jù)權(quán)利要求6所述的方法，其特征在于：步驟（5)中所述的波長模型的參數(shù)包括 起點波長I和波長個數(shù)N ; 所述的 I 為 I e {400,402, · · ·，2498}; 所述的 N 為 N e {1，2, · · ·，50} U {60,70, · · ·，200} U {220,240, · · ·， 860} U {1050}。
10. 根據(jù)權(quán)利要求6所述的方法，其特征在于：步驟（5)中所述的全局最優(yōu)模型的參數(shù) *d=l，p = 3，m=25，I = 768nm，N = 28。
【文檔編號】G01N21/31GK104215591SQ201410498422
【公開日】2014年12月17日 申請日期:2014年9月25日 優(yōu)先權(quán)日:2014年9月25日
【發(fā)明者】潘濤, 肖青青, 郭昊淞, 陳潔梅, 史本山 申請人:暨南大學(xué)