一种基于卷积神经网络的近红外光谱波长选择方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN113686810A(43)申请公布日2021.11.23(21)申请号202110975121.8(22)申请日2021.08.24(71)申请人重庆城市管理职业学院地址401331重庆市沙坪坝区虎溪大学城南二路151号(72)发明人梅青平胡媛莉董引娣丁允超翁代云汪忆何娇(74)专利代理机构重庆蕴博君晟知识产权代理事务所(普通合伙)50223代理人王玉芝(51)Int.Cl.G01N21/359(2014.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书1页说明书7页附图3页(54)发明名称一种基于卷积神经网络的近红外光谱波长选择方法(57)摘要本发明提供一种基于卷积神经网络的近红外光谱波长选择方法，包括以下步骤，S1搭建CNN卷积神经网络；S2采用检测目标近红外光谱标样训练CNN模型，更新CNN卷积神经网络超参数；S3模拟正向传播过程，获取波长点权重大小。本发明优选波长后的模型性能明显由于全波长的情况，与iPLS相比，特征波长数更少，性能相当，略有优势。由于本专利为波长点选择算法，当阈值间隔粒度取值更小时，可以获得更高精度的特征波长选择结果。CN113686810ACN113686810A权利要求书1/1页1.一种基于卷积神经网络的近红外光谱波长选择方法，包括以下步骤，S1搭建CNN卷积神经网络；S2采用检测目标近红外光谱标样训练CNN模型，更新CNN卷积神经网络超参数；S3模拟正向传播过程，计算所有卷积核对每个波长点的全路径传播过程所得的系数，系数为正时判定该波长点吸光度对于预测值有正向贡献，对应波长点的权重加1，得到每个波长点的权重大小。2.如权利要求1所述的一种基于卷积神经网络的近红外光谱波长选择方法，其特征在于，所述步骤S2包括，S21)初始化超参数；S22)随机初始化向量kk，F，H；S23)输入光谱矩阵和对应待测成分浓度值向量；S24)卷积运算，求卷积层、全连接层各单元输出；S25)求目标值和浓度值的偏差E；S26)求误差梯度，更新权值和偏置；S27)重复步骤S23)‑S26)，直到E小于设定阈值；S28)得到卷积核权重kk＝(kk1,kk2,…,kksize)，下标k＝1,2,…,knum，knum表示卷积核数量，size表示卷积核大小，kk表示第k个卷积核的权重向量；Flatten层与隐藏层之间权重由矩阵F表示，隐藏层与输出层的权重由向量H表示，H＝(h1…hq)，p为flatten层单元数量，q为隐藏层神经元数量，f表示Flatten层与隐藏层两个神经元之间的连接权重，h表示隐藏层与输出层之间神经元的连接权重。3.如权利要求1所述的一种基于卷积神经网络的近红外光谱波长选择方法，其特征在于，所述步骤S3包括，初始化第i个卷积核对应的波长点权重向量：wi＝(0,0,0,…,0)，wi是n维向量，i＝1,2,…,knum；执行第一循环，第一循环定义变量k的初始值为1，每执行一次第一循环，k的值增加1，直到k的值为knum时结束第一循环；第一循环的内容包括，执行第二循环，第二循环定义变量i的初始值为1，每执行一次第二循环i的值增加1，直到i的值为n时结束第二循环；第二循环的内容包括，定义变量temp的值为1，执行第三循环，第三循环定义变量j的初始值为i，每执行一次第三循环j的值增加1，直到j的值为i+size时结束第三循环；第三循环的内容包括：定义变量temp的值为1；若wk(j)+kk(temp)*F(a，b)*H(b)的值大于0，则wk(i)的值为1，否则wk(i)的值为0，其中a＝(1,2,…,p)，b＝(1,2,…,q)；变量temp的值增加1。2CN113686810A说明书1/7页一种基于卷积神经网络的近红外光谱波长选择方法技术领域[0001]本发明属于化学工程领域，具体涉及一种基于卷积神经网络的近红外光谱波长选择方法。背景技术[0002]偏最小二乘法(PLS)被认为具有很强的抗干扰能力，是近红外光谱建模中最常用的多元校准方法。在PLS中，主成分满足保留原始光谱信息和最佳解释主导变量的要求。但是，PLS是通过将原始特征空间映射到新空间来构建模型的，无法剔除不相关和冗余的变量。对光谱数据进行处理或变换，可以减少甚至消除各种非目标因素对光谱的影响，尽可能去除不相关的信息变量，能进一步提高校正模型预测能力和稳定性。该法是隐变量建模技术，不利于对待测物质进行谱学解释。[0003]iPLS以及优化算法是主流特征波长提取算法，其原理是将全谱分为若干等宽的区间，通过比较RMSECV和RMSEP选择合适的波长或波长区间进行建模。当检测目标为复杂物质的综合表征时，检测目标近红外光谱数据信息严重耦合，导致待测