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