一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法与流程

技术特征：
1.一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述方法包括：采集得到不同产地的全缘叶绿绒蒿样品；对所述不同产地的全缘叶绿绒蒿样品进行nir光谱采集，得到nir光谱数据，对所述不同产地的全缘叶绿绒蒿样品进行atr光谱采集，得到atr光谱数据；将所述nir光谱数据和atr光谱数据进行融合，得到初级融合数据；利用多种分类方法分别对初级融合数据进行建模，并比较不同模型的分类效果，得出分类效果最好的分类方法；利用python软件提取初级融合数据中每个光谱数据的特征值，计算每个特征值的贡献度，并抽取贡献度大的特征值进行融合，得到中级融合数据；根据所述中级融合数据结合所述分类效果最好的分类方法建立判别模型，并利用所述判别模型对全缘叶绿绒蒿进行产地判别。2.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述方法还包括：选取分类效果靠前的几种分类方法分别对所述中级融合数据进行建模，将多种模型的输出结果进行高级融合，所述高级融合包括：对多种模型的输出结果分别赋予权重，构建出一种新的决策方式，并根据所述决策方式对样品分子的理化性质进行分析。3.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述采集不同产地的全缘叶绿绒蒿样品，包括：采集青海省内14个不同产地的、共631份全缘叶绿绒蒿全草样品。4.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述对所述不同产地的全缘叶绿绒蒿样品进行nir光谱采集，包括：将所述全缘叶绿绒蒿样品置于样品杯内，进行摊平和压实的预处理；对预处理后的样品进行nir光谱扫描：扫描范围为10000-4000cm-1
，分辨率为8cm-1
，扫描64次；取所述nir光谱扫描后的平均谱图做分析，得到样品的一维近红外谱图。5.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述对所述不同产地的全缘叶绿绒蒿样品进行atr光谱采集，包括：将所述全缘叶绿绒蒿样品置于atr红外探头上，采集atr一维红外谱图，其中，扫描范围为4000-400cm-1
，分辨率为4cm-1
，扫描32次。6.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述将所述nir光谱数据和atr光谱数据进行融合，包括：利用python软件将所述nir光谱数据和atr光谱数据进行串联。7.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，利用逻辑斯谛回归计算每个特征值的贡献度。8.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述抽取贡献度大的特征值进行融合，得到中级融合数据，包括：将每个光谱数据中贡献度大的特征值提取出来，形成一个新的csv数据集，所述csv数
据集用tqanalyst软件打开。9.根据权利要求1所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，所述根据所述中级融合数据结合所述分类效果最好的分类方法建立判别模型，包括：利用python软件采用支持向量机的分类方法建立定性判别模型。10.根据权利要求2所述一种基于python数据融合的藏药全缘叶绿绒蒿产地判别方法，其特征在于，采用支持向量机、adaboost、随机森林、极限树和k近邻算法进行高级融合。

技术总结
本发明公开了一种基于Python数据融合的藏药全缘叶绿绒蒿产地判别方法，属于药材检测领域，方法对不同产地的全缘叶绿绒蒿样品进行NIR光谱采集和ATR光谱采集，将采集到的NIR光谱数据和ATR光谱数据进行初级融合；利用多种分类方法分别对初级融合得到的数据进行建模，并比较不同模型的分类效果；利用Python软件进行特征值融合，得到中级融合数据；根据中级融合数据结合分类效果最好的分类方法建立中级判别模型，根据初级融合分类效果较好的多种方法决策形成高级判别模型，并利用判别模型对全缘叶绿绒蒿进行产地判别。本发明首次利用红外光谱技术结合Python数据融合方法分析全缘叶绿绒蒿，实现了全缘叶绿绒蒿产地的快速准确的溯源，有效提升产地判别准确率。有效提升产地判别准确率。有效提升产地判别准确率。


技术研发人员：孙菁 李朵 李佩佩 龙若兰 冯丹 孟晓萍
受保护的技术使用者：中国科学院西北高原生物研究所
技术研发日：2021.10.18
技术公布日：2022/2/28