一种基于近红外光谱的物质类别识别方法与流程
本申请涉及香精香料检测,具体涉及一种基于近红外光谱的物质类别识别方法。
背景技术:
1、香精香料种类繁多,在现代生产中被广泛应用于食品、烟草、日化等领域,其品质好坏、产地类别等会直接影响终端产品的质量和口碑,因此严格保证香精香料的质量控制和种类鉴别尤其重要。
2、近红外光谱是一种成熟的间接分析技术,被广泛应用于制药、食品及化工行业的快速定性分析。该技术主要是通过提取光谱特征信息结合化学计量学的方法进行模式识别与数据比对,可实现样品类别判定、质量一致性评价及真伪鉴别等目的。然而现有近红外光谱分析技术由于光谱区域的重叠和叠加效应,导致分析精度较差,不利于复杂样品的精准识别。
技术实现思路
1、本申请提供了一种基于近红外光谱的物质类别识别方法,该方法可实现物质类别尤其是烟草香精香料类别的精准识别。
2、第一方面,本申请提供了一种基于近红外光谱的物质类别识别方法,包括:
3、构建参考矩阵和测试矩阵,其中,参考矩阵是基于参考集中各参考样品的近红外光谱构建的,测试矩阵是基于参考集中各参考样品的近红外光谱和待测集中各待测样品的近红外光谱构建的;
4、基于参考矩阵进行主成分分析,获取参考主成分特征矩阵和测试主成分特征矩阵;
5、基于参考主成分特征矩阵和测试主成分特征矩阵进行交互注意力计算和残差计算,确定加权特征融合矩阵;
6、基于加权特征融合矩阵和参考主成分特征矩阵确定差异矩阵,并基于差异矩阵获取各待测样品的马氏距离;
7、基于各待测样品的马氏距离确定待测样品是否与参考样品类别相同。
8、在本申请的一些实现方式中,基于参考主成分特征矩阵和测试主成分特征矩阵进行交互注意力计算和残差计算,确定加权特征融合矩阵,包括:
9、基于参考主成分特征矩阵和测试主成分特征矩阵进行交互注意力计算,获取融合特征矩阵;
10、基于测试主成分特征矩阵和融合特征矩阵之差确定残差矩阵;
11、对残差矩阵进行加权处理,并基于加权后的残差矩阵和融合特征矩阵确定加权特征融合矩阵。
12、在本申请的一些实现方式中,基于参考主成分特征矩阵和测试主成分特征矩阵进行交互注意力计算,获取融合特征矩阵,包括:
13、以测试主成分特征矩阵为查询,以参考主成分特征矩阵为键和值,获取相似度矩阵;
14、对相似度矩阵进行softmax归一化,获取注意力权重矩阵;
15、基于注意力权重矩阵对参考主成分特征矩阵进行加权融合,获取融合特征矩阵。
16、在本申请的一些实现方式中,对残差矩阵进行加权处理,并基于加权后的残差矩阵和融合特征矩阵确定加权特征融合矩阵,包括:
17、设置权重参数;
18、基于权重参数对残差矩阵进行加权计算;
19、基于加权后的残差矩阵和融合特征矩阵之和确定加权特征融合矩阵。
20、在本申请的一些实现方式中,权重参数为1~5。
21、在本申请的一些实现方式中,基于各待测样品的马氏距离确定待测样品是否与参考样品类别相同,包括:
22、获取识别阈值;
23、将各待测样品的马氏距离和识别阈值进行比较,判断待测样品是否与参考样品类别相同,当待测样品的马氏距离小于识别阈值时,待测样品与参考样品类别相同,否则类别不同。
24、在本申请的一些实现方式中,识别阈值是基于各参考样品的马氏距离的平均值和标准偏差以及残差矩阵的权重参数确定的。
25、在本申请的一些实现方式中,基于加权特征融合矩阵和参考主成分特征矩阵确定差异矩阵,并基于差异矩阵获取各待测样品的马氏距离,包括:
26、获取参考主成分特征矩阵的均值向量和协方差矩阵;
27、将加权特征融合矩阵减去参考矩阵的均值向量,获取差异矩阵;
28、基于差异矩阵和协方差矩阵确定各待测样品的马氏距离。
29、在本申请的一些实现方式中,基于参考矩阵进行主成分分析,获取参考主成分特征矩阵和测试主成分特征矩阵,包括:
30、对参考矩阵进行主成分分析,确定主成分数量d和主成分系数矩阵;
31、基于主成分系数矩阵的前d列构建降维投影矩阵;
32、基于降维投影矩阵分别对参考矩阵和测试矩阵进行投影,获取参考主成分特征矩阵和测试主成分特征矩阵。
33、在本申请的一些实现方式中,该方法应用于卷烟香精香料的类别识别。
34、本申请具有如下的有益效果:
35、本申请首先利用主成分降维有用数据信息,降低后续数据分析量,而后通过交互注意力机制,将参考样品与测试样品的特征交互,直接量化两者相似度,生成融合特征,再通过计算原始特征与融合特征的残差以及对残差进行加权增强处理,获取各待测样品的马氏距离作为类别得分,以实现根据类别得分进行待测样品类别的精准识别。本申请通过主成分降维与交互注意力特征融合,能够精准捕捉待测样品与参考样品的特征偏离,从而实现样品类别的高效识别。
1.一种基于近红外光谱的物质类别识别方法,其特征在于,包括:
2.根据权利要求1所述的基于近红外光谱的物质类别识别方法,其特征在于,基于所述参考主成分特征矩阵和所述测试主成分特征矩阵进行交互注意力计算和残差计算,确定加权特征融合矩阵,包括:
3.根据权利要求2所述的基于近红外光谱的物质类别识别方法,其特征在于,基于所述参考主成分特征矩阵和所述测试主成分特征矩阵进行交互注意力计算,获取融合特征矩阵,包括:
4.根据权利要求2所述的基于近红外光谱的物质类别识别方法,其特征在于,对所述残差矩阵进行加权处理,并基于加权后的残差矩阵和所述融合特征矩阵确定加权特征融合矩阵,包括:
5.根据权利要求4所述的基于近红外光谱的物质类别识别方法,其特征在于,所述权重参数为1~5。
6.根据权利要求2所述的基于近红外光谱的物质类别识别方法,其特征在于,基于各待测样品的所述马氏距离确定所述待测样品是否与所述参考样品类别相同,包括:
7.根据权利要求6所述的基于近红外光谱的物质类别识别方法,其特征在于,所述识别阈值是基于各参考样品的马氏距离的平均值和标准偏差以及所述残差矩阵的权重参数确定的。
8.根据权利要求1所述的基于近红外光谱的物质类别识别方法,其特征在于,基于所述加权特征融合矩阵和所述参考主成分特征矩阵确定差异矩阵,并基于所述差异矩阵获取各待测样品的马氏距离,包括:
9.根据权利要求1所述的基于近红外光谱的物质类别识别方法,其特征在于,基于所述参考矩阵进行主成分分析,获取参考主成分特征矩阵和测试主成分特征矩阵,包括:
10.根据权利要求1所述的基于近红外光谱的物质类别识别方法,其特征在于,所述方法应用于卷烟香精香料的类别识别。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com