一种基于多元高斯拟合的近红外光谱建模方法技术

本发明专利技术涉及一种基于多元高斯拟合的近红外光谱建模方法。本方法的建模步骤为：1.为每个光谱样本构造一个以该样本作为中心的高斯核函数；2.设置高斯核函数的宽度值的范围；3.根据已有的近红外光谱训练集数据，通过s重交叉验证求得最优的高斯核函数的宽度值和幅度值；4.将这些优化的高斯核函数叠加在一起，作为最终的模型。通过这个模型可以对新的样本的属性值进行预测。经过真实的近红外光谱数据的验证，结果显示本发明专利技术的预测效果比近红外光谱中常用的偏最小二乘法更好。因此本发明专利技术可以作为一种新的，能在实际中应用的近红外光谱建模方法。

【技术实现步骤摘要】
一种基于多元高斯拟合的近红外光谱建模方法
本专利技术属于近红外光谱识别领域，具体是一种基于多元高斯拟合的近红外光谱建模方法。
技术介绍
近红外光谱技术是一种简单、快速、可靠的检测技术。它综合运用了光谱技术、计算机技术、模式识别等多个学科的研究成果，以其独特的优势在多个领域得到了日益广泛的应用，并已逐渐得到大众的普遍接受和官方的认可。近红外光谱分析是一种间接的分析方法，往往需要构造反映近红外光谱数据和待分析样本属性关系的数学模型。对于一个属性未知的样本，只要将其对应的近红外光谱数据带入已构建的数学模型，就可以对这个样本的属性进行定性或者定量的分析。近红外光谱分析中最常用的模型为偏最小二乘模型，建模方法单一，不利于比较和提升。
技术实现思路
本专利技术针对现有的近红外光谱分析建模方法单一的问题，提出了一种基于多元高斯拟合的近红外光谱建模方法。本方法建模思想简单，模型的预测效果好，可以作为一种在实际中应用的近红外光谱建模方法。本专利技术解决技术问题所采用的方案是：一种基于多元高斯拟合的近红外光谱建模方法，包括以下步骤：步骤一，准备用于训练的近红外光谱数据{xi，yi|i＝1，2，…，n}，其中xi，yi分别是第i个样本的光谱数据和属性值，n是样品数；步骤二，为每个训练样本构造相应的高斯核函数，样本{xi，yi}对应的高斯核函数为其中ai，c分别是高斯核函数的幅度值和宽度值，|x-xi|表示x和xi之间的欧式距离，x是需预测样本的近红外光谱数据；步骤三，根据训练集数据构造方程组，作为公式一步骤四，写出幅度值ai的表达式，作为公式二其中λ是一个很小的数，λ∈[10-14，10-6]，I是n×n的单位矩阵；步骤五，初步构造预测模型表达式，作为公式三其中x是需预测样本的光谱数据，y是模型对该样本的属性值的预测值；步骤六，设置参数c的范围c∈[cmin，cmax]，cmin是下限值，cmax是上限值；步骤七，将c离散化，m是对c的采样数，0≤j≤m，m≥1；步骤八，根据公式一、二、三求得cj对应的s重交叉验证误差rmsecvj，方法如下：对于每一个cj，将训练集样本均匀的分成s组，将其中的(s-1)组样本作为训练集，根据公式一、二求得相应的A，将剩下的一组样本作为预测集，根据已求得A和公式三，求出相应的预测值，这个过程循环s次，得到所有训练样本的预测值，第i个样本的属性值yi的预测值记为cj对应的s重交叉验证误差步骤九，选出最小的rmsecvj对应的cj，记为cjop，将其带入公式二，求得相应的步骤十，构造最终的预测模型其中x是需预测样本的光谱数据，y是模型对该样本的属性值的预测值。本专利技术的具有建模思想简单易懂，参数优化方式简单快速的优点；相对于近红外光谱分析中最常用的偏最小二乘模型，本专利技术往往具有更高的预测精度；因此本专利技术可以作为一种新的简单有效的近红外光谱建模方法。附图说明图1为本专利技术的流程图。具体实施方式现结合实例对本专利技术做进一步的描述。步骤一，准备用于训练的近红外光谱数据。本例的近红外光谱数据采用matlab2012a自带的spectra近红外光谱数据，样品是汽油，因变量是样品的辛烷值。原始的样品数据集包含60个样品，每个样品的光谱变量长度是700。为了便于描述，本例只选用第1-3个样本的第1-2个光谱变量数据作为训练样品集的光谱数据矩阵。本例采用的样品集数据由光谱数据矩阵X和因变量矩阵Y构成，分别如下所示，步骤二，为每个训练样本构造相应的高斯核函数，分别如下所示其中ai，c分别是高斯核函数的幅度值和宽度值，是需要优化的参数；步骤三，根据训练集数据构造方程组等式其中x1，x2，x3分别为[-0.0502-0.0459]，[-0.0442-0.0396]，[-0.0469-0.0413]；步骤四，写出幅度值ai的表达式本例子设λ＝10-6，步骤五，初步构造预测模型表达式，步骤六，设置参数c的范围c∈[cmin，cmax]，cmin＝1，cmax＝100；步骤七，将c离散化，m是对c的采样数，0≤j≤m，m＝10；步骤八，根据公式一、二、三求得cj对应的s重交叉验证误差rmsecvj，本例中设s＝3。对于每一个cj，将训练集样本均匀的分成3组。将其中的2组样本作为训练集，根据公式一、二求得相应的A。将剩下的一组样本作为预测集，根据已求得A和公式三，求出相应的预测值。这个过程循环s次，得到所有训练样本的预测值。每个cj对应的rmsecvj分别为8.3363，3,3921，0.4040，2.3618，3.8372，4.7930，5.4053，5.7952，6.0426，6.1992，2.2983；步骤九，选出最小的rmsecvj对应的cjop，将其带入公式二，求得相应的步骤十，构造最终的模型本文档来自技高网...

【技术保护点】
一种基于多元高斯拟合的近红外光谱建模方法，其特征在于：包括以下步骤： 步骤一，准备用于训练的近红外光谱数据{xi,yi|i＝1,2,…,n}，其中xi，yi分别是第i个样本的光谱数据和属性值，n是样品数； 步骤二，为每个训练样本构造相应的高斯核函数，样本{xi,yi}对应的高斯核函数为其中ai，c分别是高斯核函数的幅度值和宽度值，|x‑xi|表示x和xi之间的欧式距离，x是需预测样本的近红外光谱数据；步骤三，根据训练集数据构造方程组，作为公式一 步骤四，写出幅度值ai的表达式，作为公式二 其中 λ是一个很小的数，λ∈[10‑14,10‑6]，I是n×n的单位矩阵； 步骤五，初步构造预测模型表达式，作为公式三 其中x是需预测样本的光谱数据，y是模型对该样本的属性值的预测值； 步骤六，设置参数c的范围c∈[cmin,cmax]，cmin是下限值，cmax是上限值；步骤七，将c离散化，m是对c的采样数，0≤j≤m，m≥1；步骤八，根据公式一、二、三求得cj对应的s重交叉验证误差rm sec vj，方法如下：对于每一个cj，将训练集样本均匀的分成s组，将其中的(s‑1)组样本作为训练集，根据公式一、二求得相应的A，将剩下的一组样本作为预测集，根据已求得A和公式三，求出相应的预测值，这个过程循环s次，得到所有训练样本的预测值，第i个样本的属性值yi的预测值记为cj对应的s重交叉验证误差步骤九，选出最小的rmsecvj对应的cj，记为cjop，将其带入公式二，求得相应的 步骤十，构造最终的预测模型 其中x是需预测样本的光谱数据，y是模型对该样本的属性值的预测值。...

【技术特征摘要】
1.一种基于多元高斯拟合的近红外光谱建模方法，其特征在于：包括以下步骤：步骤一，准备用于训练的近红外光谱数据{xi，yi|i＝1，2，…，n}，其中xi，yi分别是第i个样本的光谱数据和属性值，n是样品数；步骤二，为每个训练样本构造相应的高斯核函数，样本{xi，yi}对应的高斯核函数为其中ai，c分别是高斯核函数的幅度值和宽度值，|x-xi|表示x和xi之间的欧式距离，x是需预测样本的近红外光谱数据；步骤三，根据训练集数据构造方程组，作为公式一步骤四，写出幅度值ai的表达式，作为公式二其中λ是一个很小的数，λ∈[10-14，10-6]，I是n×n的单位矩阵；步骤五，初步构造预测模型表达式，作为公式三其中x是需预测样本的光谱数据，y是模型对该样本的属性值的预测值；步骤六，设置参数c的范围c∈[cmin，cmax]，cmin是下限值，cmax是上限值；...

【专利技术属性】
技术研发人员：陈孝敬，黄光造，朱德华，
申请(专利权)人：温州大学，
类型：发明
国别省市：浙江;33