国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種適于橄欖油摻雜識別的二維相關(guān)光譜多尺度建模方法

      文檔序號:9863418閱讀:809來源:國知局
      一種適于橄欖油摻雜識別的二維相關(guān)光譜多尺度建模方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明涉及一種建模方法,具體涉及一種適于橄攬油滲雜識別的二維相關(guān)光譜多 尺度建模方法。
      【背景技術(shù)】
      [0002] 橄攬油產(chǎn)自地中海沿海諸國,至今已經(jīng)有幾千年的歷史,被西方譽為"植物油皇 后",它不僅能促進血液循環(huán)、改善內(nèi)分泌系統(tǒng)、不僅具有豐富的營養(yǎng),還有一定的美容功 效,因此贏得了越來越多消費者的青睞。橄攬油的價值遠(yuǎn)超其他種類的植物油,不法商販為 了追求高額利潤,在橄攬油中勾兌大量廉價的植物油一起進行壓棒提取,如葵花巧油、大豆 油、擦子油。送些劣質(zhì)滲雜油一旦流入市場可能會對人體健康產(chǎn)生嚴(yán)重的威脅,所W需要一 種能夠快速簡便準(zhǔn)確檢測橄攬油滲雜的方法。
      [0003] 盡管每一種橄攬油組成都是極其復(fù)雜的體系,但是每一種原油都具有相對固定的 組成體系,送一體系就像人的指紋一樣具有各自的特征性,充分利用送些"指紋"的差異性 有望實現(xiàn)橄攬油的滲雜識別。然而由于橄攬油的拉曼譜峰復(fù)雜且重疊嚴(yán)重,尤其是所滲雜 的各類油脂拉曼譜峰特性相近,導(dǎo)致傳統(tǒng)的拉曼光譜對橄攬油滲雜識別分辨率較差。因此, 我們引入二維相關(guān)光譜技術(shù),著力提高拉曼光譜的表觀分辨率。二維相關(guān)光譜分析通過對 待測樣品施加外部微擾,記錄微擾作用狀態(tài)下樣品相應(yīng)的動態(tài)光譜,然后對一系列的動態(tài) 光譜進行相關(guān)分析,再把結(jié)果W二維等高線或Η維圖形的形式表示出來,具備了許多常規(guī) 一維光譜不具備的特點。該技術(shù)可W有效提高光譜的分辨率,并在掲示分子內(nèi)、分子間的相 互作用及判斷分子中各官能團反應(yīng)的先后順序的研究中發(fā)揮了重要的作用,對于橄攬油滲 雜識別具有重大意義。
      [0004] 多尺度建模通過多尺度分解和數(shù)據(jù)融合,巧妙利用了信號的時頻多尺度特性,準(zhǔn) 確提取光譜的特征信息,并有效實現(xiàn)了數(shù)據(jù)預(yù)處理與多元校正的一體化運算W提取橄攬油 的二維相關(guān)光譜中的信息,運用NPLS對所獲得的信息進行建模,W協(xié)同利用信號的時頻多 尺度特性W準(zhǔn)確提取光譜特征信息,且避免信息丟失。

      【發(fā)明內(nèi)容】

      [0005] 為解決上述問題,本發(fā)明提供了一種適于橄攬油滲雜識別的二維相關(guān)光譜多尺度 建模方法,結(jié)合多尺度建模方法對橄攬油的二維相關(guān)拉曼光譜信號進行處理,用于篩查橄 攬油中滲雜油脂種類,能夠自適應(yīng)的提取二維相關(guān)光譜中的最佳信息用于滲雜物的定性定 量模型建立,進而顯著提升模型的精確度和預(yù)測效果。
      [0006] 為實現(xiàn)上述目的,本發(fā)明采取的技術(shù)方案為:
      [0007] -種適于橄攬油滲雜識別的二維相關(guān)光譜多尺度建模方法,包括如下步驟:
      [0008] S1、采集不同橄攬油樣品的原始光譜;
      [0009] S2、生成步驟S1采集原始光譜的二維相關(guān)光譜;
      [0010] S3、結(jié)合二維小波變換和二維相關(guān)光譜的特性,選擇最佳小波基對二維相關(guān)光譜 進行二維小波多尺度分解,得二維小波系數(shù);
      [0011] S4、對步驟S3所得的二維小波系數(shù)進行圖像重構(gòu);
      [0012] S5、對每一層重構(gòu)的光譜圖像分別進行多維偏最小二乘建模,得子模型,并得相應(yīng) 組別滲雜濃度預(yù)測值,W及每一層重構(gòu)圖像建模的滲雜濃度均方根誤差;
      [0013] S6、使用權(quán)值將步驟S5所得的子模型進行模型融合,并計算RMSEP值和相關(guān)系數(shù) 來評價模型預(yù)測效果。
      [0014] 所述步驟S1中所采集的原始光譜是對同一樣品在不同溫度條件下采集同一儀器 的光譜,其中的變化的溫度條件對于不同的樣品需要保證相同。
      [0015] 所述步驟S2中的二維相關(guān)光譜由W下公式生成:
      [001引式中;y(v)為輸入光譜矩陣,Φ(ν1,ν。為生成的同步相關(guān)光譜圖像矩陣, Ψ (VI,v2)為生成的異步相關(guān)光譜圖像矩陣。
      [0019] 所述步驟S4中重構(gòu)是指對同一樣品的二維相關(guān)光譜的分解后的每一層小波系數(shù) 分別進行重構(gòu)。
      [0020] 所述步驟S5中的均方根誤差為RMSECV,公式如下:
      [0021]
      [0022] 式中;(;ικ是樣品的某一實際屬性,一般為濃度;Ckw為預(yù)測出的樣品屬性。
      [002引所述步驟S6中的RMSEP為預(yù)測均方根誤差,由W下公式得到:
      [0024]
      [002引式中;η是樣品數(shù),Cww是樣品的某一實際屬性,一般為濃度;Ckw為預(yù)測出的樣品 屬性。
      [0026] 所述步驟S6中的相關(guān)系數(shù)為R,由W下公式得到:
      [0027]
      [002引式中;η是樣品數(shù),Cww是樣品的某一實際屬性,一般為濃度;Ckw為預(yù)測出的樣品 屬性。
      [0029] 所述步驟S6中的模型融合是指對每一層二維小波變換系數(shù)重構(gòu)圖像進行NPLS建 模,得到預(yù)測結(jié)果和預(yù)測均方根誤差。
      [0030] 所述步驟S6中的權(quán)值由W下公式得到:
      [0031]
      [0032] 其中,MSECVi是第i個子模型交叉驗證后的預(yù)測均方根誤差。所述步驟S6通過 W下公式將子模型融合在一起:
      [0033]
      [0034] 式中;CiKw是子模型的預(yù)測結(jié)果,m是分解的尺度,C為模型融合后的預(yù)測結(jié)果,即 最終的模型預(yù)測最終結(jié)果。
      [0035] 其中,步驟S3中所述的選擇最佳小波基,是對小波基數(shù)學(xué)特性進行分析,得到具 有對稱性、緊支性、正交性及高階消失矩的小波基函數(shù),有Daubechies、Symlets、Coiflets 等;步驟S5中所述的多維偏最小二乘算法(Multi-way partial least square, N-PLS),是 基于偏最小二乘基礎(chǔ)上的多維數(shù)據(jù)模型算法,可W得到與各維直接相關(guān)的載荷向量,有利 于對模型的各維做出獨立解釋。
      [0036] 本發(fā)明具有W下有益效果:
      [0037] 本發(fā)明首先選擇最佳二維小波基對二維相關(guān)光譜進行多尺度分解并各層分別重 構(gòu);其次應(yīng)用NPLS對重構(gòu)的每一層相關(guān)光譜進行建模預(yù)測并得到交叉驗證的均方根誤 差;接著通過計算出的權(quán)值進行子模型融合;最后通過預(yù)測均方根誤差和相關(guān)系數(shù)對多尺 度-二維相關(guān)光譜模型的結(jié)果和性能進行評價。本方法相較于常規(guī)模型,顯著提升常規(guī)拉 曼光譜分析模型的精度和可靠性,不僅提挖掘出了樣品光譜中新的表征信息,而且避免了 信息的丟失,使得拉曼光譜分析更加簡單,可靠,有望在復(fù)雜體系光譜分析中得到廣泛的應(yīng) 用。
      【具體實施方式】
      [0038] 為了使本發(fā)明的目的及優(yōu)點更加清楚明白,W下結(jié)合實施例對本發(fā)明進行進一步 詳細(xì)說明。應(yīng)當(dāng)理解,此處所描述的具體實施例僅僅用W解釋本發(fā)明,并不用于限定本發(fā) 明。
      [0039] 本發(fā)明實施例提供了一種適于橄攬油滲雜識別的二維相關(guān)光譜多尺度建模方法, 其特征在于,包括如下步驟:
      [0040] S1、采集不同橄攬油樣品的原始光譜;所采集的原始光譜是對同一樣品在不同溫 度條件下采集同一儀器的光譜,其中的變化的溫度條件對于不同的樣品需要保證相同;
      [0041] S2、生成步驟S1采集原始光譜的二維相關(guān)光譜;所述的二維相關(guān)光譜由W下公式 生成:
      [0044] 式中;y(v)為輸入光譜矩陣,Φ(ν1,ν2)為生成的同步相關(guān)光譜圖像矩陣, Ψ(ν1,ν2)為生成的異步相關(guān)光譜圖像矩陣。
      [0045] S3、結(jié)合二維小波變換和二維相關(guān)光譜的特性,選擇最佳小波基對二維相關(guān)光譜 進行二維小波多尺度分解,得二維小波系數(shù);所述的選擇最佳小波基,是對小波基數(shù)學(xué)特性 進行分析,得到具有對稱性、緊支性、正交性及高階消失矩的小波基函數(shù),有Daubechies、 Symlets、Coiflets 等;
      [0046] S4、對步驟S3所得的二維小波系數(shù)進行圖像重構(gòu);所述的重構(gòu)是指對同一樣品的 二維相關(guān)光譜的分解后的每一層小波系數(shù)分別進行重構(gòu)。
      [0047] S5、對每一層重構(gòu)的光譜圖像分別進行多維偏最小二乘建模,得子模型,并得相應(yīng) 組別滲雜濃度預(yù)測值,W及每一層重構(gòu)圖像建模的滲雜濃度均方根誤差;所述的多維偏最 小二乘算法(Multi-way parti
      當(dāng)前第1頁1 2 
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1