[发明专利]基于四元数卷积神经网络的近红外光谱并行融合定量检测方法

说明书

本申请公开了一种基于四元数卷积神经网络的近红外光谱并行融合定量检测方法。该方法包括以下步骤：获得国际公开玉米近红外光谱和四种成分数据库数据；由原始光谱求出一阶导数和二阶导数光谱并进行归一化；基于四元数理论对三种归一化光谱数据进行四元数空间嵌入并行表示；建立四元数卷积神经网络模型并优化模型参数完成玉米成分定量模型建立。本发明利用四元数和深度学习算法将近红外光谱及其导数光谱进行并行表示和并行特征提取，充分挖掘原始光谱数据和导数光谱数据的并行融合特征，建立性能更优的近红外光谱定量分析模型。

技术领域

本发明属于近红外光谱分析领域，尤其涉及一种基于四元数卷积神经网络的近红外光谱并行融合定量检测方法。

背景技术

近红外光谱分析技术具有无需前处理、简便快捷、适用样品范围广、多组分同时检测等优点，因此在食品、农业、医药、石油等领域得到了广泛的应用。化学计量学方法是近红外光谱分析技术中的重要工具。近年来，近红外光谱检测技术结合化学计量学广泛的应用于物质的定性和定量分析。

然而，传统近红外光谱定量建模时只单独采用原始光谱进行建模，得到的模型只能挖掘出单一特征信息，利用该模型进行物质(如，玉米)的定量分析时，不能得到准确的定量预测结果。

发明内容

本发明的发明目的是：提出一种基于四元数卷积神经网络对近红外光谱并行融合定量建模的新方法，以提高定量模型的预测精度。

为实现上述目的，本发明提供一种基于四元数卷积神经网络的近红外光谱并行融合定量检测方法，包括以下步骤：

步骤1、基于公开数据库获得样本的原始光谱数据；

步骤2、基于样本的原始光谱数据，采用导数光谱法获得原始光谱的一阶导数光谱和二阶导数光谱；

步骤3、将原始光谱数据、一阶导数光谱和二阶导数光谱进行归一化；并按照波数对齐光谱数据，分别对应四元数的i，j，k三个虚部，四元数实部为零，将经过归一化的原始光谱数据、经过归一化的一阶导数光谱和经过归一化的二阶导数光谱嵌入四元数空间表示成纯四元数光谱矩阵形式；

步骤4、在一维卷积神经网络模型基础上，以所述纯四元数光谱矩阵作为输入数据，建立四元数卷积神经网络模型；

步骤5、对所述四元数卷积神经网络模型进行训练优选地，包括：

将原始光谱数据、一阶导数光谱、二阶导数光谱组成的四元数矩阵及对应样本的水分和蛋白质真值随机划分为60％训练集、20％验证集和20％测试集；

利用所述训练集训练所述四元数卷积神经网络模型，通过参数寻优，得到最优参数，确定模型参数；所述参数至少包括：四元数卷积核的个数、池化层的尺寸、学习率的大小、全连接层神经元个数；

利用所述验证集验证所述四元数卷积神经网络模型的性能；

利用所述测试集测试所述四元数卷积神经网络模型，使用预测均方根误差和预测相关系数作为模型的评价指标；

步骤6、根据训练好的四元数卷积神经网络模型进行样本的成分定量预测，得到样本的成分定量预测结果。

优选地，所述样本为玉米，玉米原始光谱数据为240＊700矩阵形式，包括240行，每行代表一条光谱，每一条光谱包括按列存储的700个吸光度值，水分、蛋白质的真值数据为80＊2矩阵形式，包括80行，每行代表一个玉米样本的水分和蛋白质含量，包括2列，一列为水分含量，另一列为蛋白质含量，水分真值范围为9.377％～10.993％，蛋白质真值范围为7.654％～9.711％。

优选地，一阶导数光谱为240＊699，二阶导数光谱数据共为240＊698；将所述一阶导数光谱和所述二阶导数光谱均扩展为240＊700形式，所缺元素用0补全。