CN118603930B 油品种类定性判别的近红外光谱方法、系统、介质及装置 （中国计量科学研究院）

号油品种类定性判别的近红外光谱方法、系本发明提供油品种类定性判别的近红外光性判别模型的输出为属于各油品种类的概率或/红外光谱数据输入定性判别模型判别每个待测燃油样品属于各油品种类的概率或/和属于各牌号的概率，将待测燃油样品属于油品种类或/和属于各牌号的最高概率作为所述待测燃油样品的油品种类或/和属于牌号。本发明不受不同种类燃油之间光谱信息的干扰，提高了油品种类2通过神经网络构建定性判别模型，所述定性判别模型的输入为近定性判别模型的输出为属于各油品种类的概率或/将多个待测燃油样品的近红外光谱数据输入定性判别模型判别每个待测燃油样品属牌号的最高概率作为所述待测燃油样品的油品种类或/和属于获得多个训练样本的真实标签，所述真实标签为训练样本的所属油品种类或/和所属对训练集使用贝叶斯正则化引入先验知识设定超参数的范围，所述对训练集使用贝叶斯正则化引入先验知识设定超参数的范围根据训练集的训练样本的近红外光谱数据和真实概率矩阵获得先验分布满足正态分3初始化先验分布，根据先验分布初始化在超参数的根据训练集的训练样本的近红外光谱数据和概率通过下式(2)更新练集训练后的输出层的权重矩阵和偏置向量，Oc是在待测燃油样品第c个油品类别上的预从训练集中随机择多个训练样本构成剔除异常训练通过公式(4)获得剔除异常训练集的光谱矩阵的每一个波长处的光谱值均值，通过公用剔除异常训练集的光谱矩阵的每一个波长处的光谱值均值和光谱值标准差对光谱矩阵4理后的第i个训练样本的在第j个波长处的标准光谱值,LS,为标准光谱矩阵，LS,=按照特征值由大到小的顺序选择与降维要达到的维度数对应数量的特征向通过公式(10)将标准光谱矩阵通过投影矩阵变获得降维光谱矩阵中每个训练样本对应的向量的马氏距离，将所述马氏距离作为T统查找T统计量临界值，将与T统计量临界值的差值大于第一差值范围的T统计量对应的训练将剔除异常训练集的标准指标矩阵和降维光谱矩阵输入定性判别模型进行矩阵获得真实概率和预测概率的残差构成的残差指标矩阵，通过F统计构建残差指标矩阵中查找第二临界值，将与第二临界值的差值大于第二差值范围的F统计量对应的训练样本5对剔除异常训练样本之后的正常训练样本的近红外光谱进行剔除训练集中的异常训练样本之后的正常训练样本的近红外光谱进行基线校正的步骤包对正常训练样本的光谱矩阵进行导数处理，获得导数值构成的导数其中，基线校正后的训练集包括正常训练样本的光谱值的导对多个训练样本的光谱矩阵进行导数处理，获得导数值构成的导数其中，基线校正后的训练集包括训练样本的光谱值14.根据根据权利要求11或13任一项所述的油品种类定性判别的近红外光谱方法，其模型构建模块，通过神经网络构建定性判别模型，所述定性判别定性判别模块，将光谱采集模块采集的多个待测燃油样品判别模型判别每个待测燃油样品属于各油品种类的概率或/和属于各牌号的概率，将待测燃油样品属于油品种类或/和属于各牌号的最高概率作为所述待测燃油样品的油品种类真实标签采集子模块，获得训练样本采集子模块采集的多个训练样各油品种类或/和属于各牌号的真实概率构成的训练集构建子模块，构建训练集，所述训练集包括定性判别模型建立子模块，对训练集构建子模块构建的训练6所述对训练集使用贝叶斯正则化引入先验知识设定超参数的范围根据训练集的训练样本的近红外光谱数据和真实概率矩阵获得先验分布满足正态分定性判别的近红外光谱程序，所述油品种类定性判别的近红外光谱程序被处理器执行时，实现如权利要求1_14中任一项所述的油品种类定性判别的近红外现如权利要求1_14中任一项所述的油品种类定性判别的近红外光谱7[0001]本发明涉及油品检测技术领域，尤其涉及油品种类定性判别的近红外光谱方法、[0005]通过神经网络构建定性判别模型，所述定性判别模型的所述定性判别模型的输出为属于各油品种类的概率或/和属于各[0006]将多个待测燃油样品的近红外光谱数据输入定性判别模型判别每个待测燃油样于各牌号的最高概率作为所述待测燃油样品的油品种[0009]获得多个训练样本的真实标签，所述真实标签为训练样本的所属油品种类或/和[0014]根据训练集的训练样本的近红外光谱数据和真实概率矩阵获得先验分布满足正8L=-⃞1ylog(o)+(1-n)log(1-o),N是训练样本数量，yj是第[0031]其中，D为观测数据，所述观测数据为训练集的训练样本的近红外光谱数据和概过训练集训练后的输出层的权重矩阵和偏置向量，Oc是在待测燃油样品第c个油品类别上9[0042]通过公式(4)获得剔除异常训练集的光谱矩阵的每一个波长处的光谱值均值，通式利用剔除异常训练集的光谱矩阵的每一个波长处的光谱值均值和光谱值标准差对光谱处理后的第i个训练样本的在第j个波长处的标准光谱值,LS′为标准光谱矩阵，LS′=i个训练样本的k为纬度数表中查找T统计量临界值，将与T统计量临界值的差值大于第一差值范围的T统计量对应的[0058]将剔除异常训练集的标准指标矩阵和降维光谱矩阵输入概率矩阵获得真实概率和预测概率的残差构成的残差指标矩阵，通过F统计构建残差指标值表中查找第二临界值，将与第二临界值的差值大于第二差值范围的F统计量对应的训练[0062]根据本发明的一个方面所述对剔除训练集中的异常训练样本之后的正常训练[0067]根据本发明的一个方面所述对多个训练样本的近红外光谱进行基线校正的步红外光谱数据，所述定性判别模型的输出为属于各油品种类的概率或/和属于各牌号的概定性判别模型判别每个待测燃油样品属于各油品种类的概率或/和属于各牌号的概率，将待测燃油样品属于油品种类或/和属于各牌号的最高概率作为所述待测燃油样品的油品种[0077]真实标签采集子模块，获得训练样本采集子模块采集的多个训练样本的真实标本属于各油品种类或/和属于各牌号的真实概率构成[0082]根据训练集的训练样本的近红外光谱数据和真实概率矩阵获得先验分布满足正[0086]本发明通过贝叶斯正则化结合后验分布优化神经网络的超参数建立能够有效利不同样本的y向量方向(即数据参考值维度方向)的燃油种类和牌号识别中均表现出了较高的准确度[0090]图1是本发明所述油品种类定性判别的近红外光谱方法的一个实施例的流程示意[0091]图2是本发明所述通过神经网络构建定性判别模型的方法的一个优选实施例的流[0092]图3是本发明所述油品种类定性判别的近红外光谱方法的剔除训练样本的坐标[0093]图4是本发明所述油品种类定性判别的近红外光谱系统一个实施例的构成框图示[0095]图6是本发明所述油品种类定性判别的近红外光谱方法的一个具体实施例中的验[0096]图7是本发明所述油品种类定性判别的近红外光谱方法的一个具体实施例中的[0097]图8(a)是本发明未经过贝叶斯正则化建立定性判别模型的对比例的牌号识别的[0098]图8(b)是本发明所述油品种类定性判别的近红外光谱方法的一个具体实施例中[0101]图1是本发明所述油品种类定性判别的近红外光谱方法的一个实施例的流程示意燃油样品属于各油品种类的概率或/和属于各牌号的概率，将待测燃油样品属于油品种类或/和属于各牌号的最高概率作为所述待测燃油样品的油品种类或/和属于或/和牌号的概率设为0，从而获得多个训练样本属于各油品种类或/和属于各牌号的真实[0110]本发明建立能够有效利用光谱数据间非线性关系信息的近红外光谱的定性判别[0111]在本发明的一些实施例中，步骤S24中对训练集使用贝叶斯正则化引入先验知识[0113]根据训练集的训练样本的近红外光谱数据和真实概率矩阵获得先验分布满足正[0114]将超参数设定比例的置信区间设定为超参数的范围，优选地，所述设定比例为度量了模型预测与真实标签之间的(l)是第i个训练样本对应的第l层的输出也是Xi属于各油品种类或/和各号牌预测概率构成[0129]其中，D为观测数据，所述观测数据为训练集的训练样本的近红外光谱数据和概[0130]如果一个超参数配置在目标函数上表现良好，那么它在似然函数中的值就会很[0131]在本发明的一些实施例中，超参数还包括学习率(LearningRate)、批量大小(BatchSize)、层数(NumberofLayers)和每层的神经元数量(NumberofNeuronsper[0137]在本发明的一些实施例中，步骤S24中所述构建贝叶斯正则化优化反向传播神经通过训练集训练后的输出层的权重矩阵和偏置向量，Oc是在待测燃油样品第c个油品类别[0145]通过公式(4)获得剔除异常训练集的光谱矩阵的每一个波长处的光谱值均值，通式利用剔除异常训练集的光谱矩阵的每一个波长处的光谱值均值和光谱值标准差对光谱处理后的第i个训练样本的在第j个波长处的标准光谱值,LS,为标准光谱矩阵，LS,=i个训练样本的k为纬度数表中查找T统计量临界值，将与T统计量临界值的差值大于第一差值范围的T统计量对应的[0161]将剔除异常训练集的标准指标矩阵和降维光谱矩阵输入概率矩阵获得真实概率和预测概率的残差构成的残差指标矩阵，通过F统计构建残差指标值表中查找第二临界值，将与第二临界值的差值大于第二差值范围的F统计量对应的训练计量筛除了Y轴上预测值偏离真实值较大的异常样本，且采用T统计和F统计自由度结合的[0164]在本发明的一些实施例中，步骤S23中所述剔除训练集中的异常训练样本步骤之[0173]图2是本发明所述通过神经网络构建定性判别模型的方法的一个优选实施例的流[0175]步骤211,从训练样本集中随机择多个训练样本构成剔除异常训练集，通过公式异常训练集的光谱矩阵的每一个波长处的光谱值标准差，通过公式(6)式利用剔除异常训练集的光谱矩阵的每一个波长处的光谱值均值和光谱值标准差对光谱矩阵的光谱值进行[0178]步骤S214,按照特征值由大到小的顺序选择与降维要达到的维度数对应数量的特[0180]步骤S216,获得降维光谱矩阵中每个训练量对应的训练样本作为异常训练样本,如图3所示，横坐标为T统计量，T统计量临界值为8.06240,T统计量临界值对应纵向线右侧的[0182]步骤S218,将剔除异常训练集的标准指标矩阵和降维光谱矩阵输入定性判别模型矩阵和预测概率矩阵获得真实概率和预测概率的残差构成的残差指标矩阵，通过F统计构应的训练样本作为异常训练样本，如图3所示，纵坐标为F统计量，F统计量临界值为[0184]步骤S220,光谱预处理：对剔除异常训练样[0186]步骤S230,对基线校正后的正常训练样本划光谱预处理后的正常训练样本划分校正集与[0188]步骤S250,根据性能评估指标通过验能评估指标包括准确率(Acc)、精确率(PPV)、召回率(TPR)和受试者工作特征曲线(ROC曲系来可视化分类模型的表现ROC曲线下的面积为AUC(AreaunderROCCurve)，AUC一般介[0194]步骤S260,如果步骤S250定性判别模[0195]图4是本发明所述油品种类定性判别的近红外光谱系统一个实施例的构成框图示近红外光谱数据，所述定性判别模型的输出为属于各油品种类的概率或/和属于各牌号的[0198]定性判别模块300，将光谱采集模块采集的多个待测燃油样品的近红外光谱数据输入定性判别模型判别每个待测燃油样品属于各油品种类的概率或/和属于各牌号的概率，将待测燃油样品属于油品种类或/和属于各牌号的最高概率作为所述待测燃油样品的[0201]真实标签采集子模块220，获得训练样本采集子模块采集的多个训练样本的真实样本属于各油品种类或/和属于各牌号的真实概率构成[0203]定性判别模型建立子模块240，对训练集构建子模块构建的训练集使用贝叶斯正[0205]超参数范围获得单元241，对训练集使用贝叶斯正则化引入先验知识获得超参数[0209]先验分布选择子单