申请/专利权人：浙江工业大学

申请日：2021-02-07

公开（公告）日：2024-03-26

公开（公告）号：CN113008805B

主分类号：G01N21/25

分类号：G01N21/25;G01N30/02

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2021.07.09#实质审查的生效;2021.06.22#公开

摘要：本发明公开了一种基于高光谱成像深度分析的白芷饮片质量预测方法，包括以下步骤：步骤1、获取白芷粉末样品；步骤2、获取白芷粉末样品的数据信息；步骤3、高光谱数据预处理；步骤4、特征波段选择与异常样本剔除，准备建模数据集；步骤5、划分数据集并建立DBN预测模型；步骤6、模型表现评估。本发明利用深度置信网络与多样化高光谱图像的波长特征选择方法结合进行建模，找到最高效的预测模型，以便于能够对多种白芷饮片中欧前胡素含量进行快速、准确量化，实现高效地中药制剂质量预测，有助于辅助产品分级和生产决策。

主权项：1.一种基于高光谱成像深度分析的白芷饮片质量预测方法，其特征在于，包括以下步骤：步骤1获取白芷粉末样品：首先获得白芷饮片样本，然后用粉碎机粉碎白芷饮片样品，粉末过筛，收集白芷细粉末用于高光谱信息的采集；步骤2获取白芷粉末样品的数据信息：收集白芷细粉末用于高效液相色谱法的欧前胡素含量测定和高光谱信息的采集，从而获取多个白芷样本的不同红外波长下光谱反射率值；步骤3高光谱数据预处理：在测量样本光谱数据的过程中，容易受到仪器或环境的影响产生噪声；在建立定性或定量模型分析时，采用能够消除光谱数据的噪声以及基线漂移的预处理方法；步骤4特征波段选择与异常样本剔除，准备建模数据集：首先，对高光谱数据进行特征波段选择以去除冗余信息并提取有效特征；之后，光谱数据预处理并剔除掉其中的异常样本，将剩余的样本用于后续研究；最终，取每个样本的反射率值作为预测模型的输入变量，欧前胡素含量作为输出变量，构造方法建模用的数据集；所述步骤4的过程为：步骤4.1特征波段的提取：分别采用随机蛙跳RF、竞争性自适应重加权抽样CARS、蒙特卡罗无信息变量消元法MC-UVE、基于反向传播神经网络的平均影响值MIV-BP算法提取特征波段，后续根据不同的特征波段建模以选择最优的建模特征组合；步骤4.2异常样本剔除方法：采用蒙特卡罗方法对异常样本进行检测，并从数据集中删除，将剩余的样本组合成数据集；步骤5划分数据集并建立预测模型将全部的高光谱数据划分为训练集和测试集，预测模型包括底层深度特征提取的深度置信网络DBN架构与监督学习的反向传播神经网络BPNN的顶层架构用于实现回归预测；为了寻找高效的预测模型，选择全波段和不同特征选择方法挑选的特征波长进行建模；所述步骤5的过程为：步骤5.1数据集归一化：为了加快模型的训练速度，对光谱数据进行最大最小归一化处理，具体公式如下所示: 式中表示x′归一化后得到的样本数据；x表示测量数据，xmin表示测量数据中的最小值，xmax表示测量数据中的最大值；步骤5.2采用Kennard-Stone方法划分数据集：Kennard-Stone划分步骤为：假设有一个矩阵，行为样本，作为样本的参数列出，Kennard-Stone算法将从中选择预定数量的样本；由于模型预测时，超参数为固定值，故未分离部分数据作为验证集，使得训练集的数据更加充分：步骤5.3建立基于BPNN的DBN预测模型DBN-BP：DBN是一个概率生成模型，主要由用于接收输入的显性神经元和用于提取特征的隐性神经元构成，生成模型是建立一个观察数据和标签之间的联合分布；在DBN的最后一层设置BPNN，接收受限玻尔兹曼机的输出特征向量作为它的输入特征向量，有监督地训练实体关系分类器，构建好DBN-BP网络模型；在根据RF、CARS、MC-UVE、MIV-BP算法选择的特征波长以及全波长数据集上分别测试，选择最佳性能的预测模型；步骤6模型表现评估：采用预测集相关系数Rpre、剩余预测偏差RPD、预测集均方根误差RMSEP及R2回归分析模型评价指标在测试集上对网络模型的预测性能进行评估。

全文数据：

权利要求：

百度查询： 浙江工业大学 基于高光谱成像深度分析的白芷饮片质量预测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD