申请/专利权人：北京航空航天大学

申请日：2021-06-18

公开（公告）日：2024-03-26

公开（公告）号：CN113408616B

主分类号：G06F18/24

分类号：G06F18/24;G06F18/2135;G06N3/0499;G06N3/048

优先权：

专利状态码：有效-授权

法律状态：2024.03.26#授权;2021.10.22#实质审查的生效;2021.09.17#公开

摘要：基于PCA‑UVE‑ELM的光谱分类方法，所述PCA‑UVE‑ELM为综合PCA，UVE，以及ELM的复合算法，PCA指主成分分析算法，UVE指无信息变量剔除算法，ELM指极限学习机算法，通过对样品的拉曼光谱原始数据进行归一化处理，利用PCA算法将归一化数据降至二维平面上的直观可视化投影，在二维平面利用置信椭圆实现初步分类；对于重合率较高的标签的光谱数据利用UVE算法计算其特征拉曼位移，根据分类物质的化学特性，对其特征化学键拉曼位移的所测强度进行增强处理以进行优化分类；将数据集按照训练集与测试集3:1的比例对ELM模型进行训练，利用ELM算法寻找最优参数，实现最优分类，从而实现光谱鉴别的多分类，提高鉴别分类的效率和精确度。

主权项：1.基于PCA-UVE-ELM的光谱分类方法，其特征在于：将原始不同样品类的拉曼光谱数据利用主成分分析PCA算法对数据进行降维，实现直观的可视化投影，利用置信椭圆实现初步分类；在初步分类的基础上，利用无信息变量消除UVE算法筛选出为特征拉曼位移的变量以简化后续的计算；将筛选出的拉曼位移与测量物质化学键对应拉曼位移比对，将共性拉曼位移进行增强以提高后续分类的准确性；利用超限学习机ELM算法，对输入特征拉曼位移的光谱数据进行分类；具体包括如下步骤：步骤S1，输入检测系统测得的不同样品的原始数据，去除基线，降低噪声，设定好不同样品的标签；步骤S2，将数据归一化后，利用主成分分析PCA算法，将数据降至二维，保留原光谱的主要特征，实现二维平面的可视化绘图，对每一个标签绘制置信椭圆，实现初步分类；步骤S3，对于降到二维无法直接分类的数据，将所有的原始数据提取出来重新构成一个数据集；步骤S4，利用UVE算法计算新数据集不同标签的光谱的特征拉曼位移；步骤S5，对选取的特征位移进行筛选，同时对和物质特征化学键相关的信号强度进行增强，作为ELM算法的输入；步骤S6，将原始数据随机打乱后，按照训练集与测试集3:1的比例对ELM模型进行训练；步骤S7，选取不同的激活函数和隐藏层结点数量，寻找优化参数以优化分类，提高分类的准确率；所述步骤S4中的UVE算法是基于偏最小二乘回归系数建立的一种波长的选择方法，将原始的数据集Xn×m与制造的噪声矩阵Rn×m合并XRn×2m后与标签进行偏最小二乘回归，计算回归系数矩阵的标准偏差与平均值向量对应的比值，取XR矩阵中[m+1,2m]列中最大值为衡量参数，筛选去除XR矩阵中[1,m]列内小于该参数的变量，得到光谱的特征拉曼位移，其中n和m分别表示数据集X或噪声矩阵R均具有n行和m列，n和m均为大于2的正整数；所述步骤S5中的筛选包括去除UVE算法中间隔过小的变量，同时根据查找样品物质特有化学键的拉曼位移，引入增强因子δ作为对应强度信号的增强系数，得到新的数据集。

全文数据：

权利要求：

百度查询： 北京航空航天大学 基于PCA-UVE-ELM的光谱分类方法

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