一种适于橄榄油掺杂识别的二维相关光谱多尺度建模方法
【技术领域】
[0001] 本发明涉及一种建模方法，具体涉及一种适于橄揽油渗杂识别的二维相关光谱多 尺度建模方法。
【背景技术】
[0002] 橄揽油产自地中海沿海诸国，至今已经有几千年的历史，被西方誉为"植物油皇 后"，它不仅能促进血液循环、改善内分泌系统、不仅具有丰富的营养，还有一定的美容功 效，因此赢得了越来越多消费者的青睐。橄揽油的价值远超其他种类的植物油，不法商贩为 了追求高额利润，在橄揽油中勾兑大量廉价的植物油一起进行压棒提取，如葵花巧油、大豆 油、擦子油。送些劣质渗杂油一旦流入市场可能会对人体健康产生严重的威胁，所W需要一 种能够快速简便准确检测橄揽油渗杂的方法。
[0003] 尽管每一种橄揽油组成都是极其复杂的体系，但是每一种原油都具有相对固定的 组成体系，送一体系就像人的指纹一样具有各自的特征性，充分利用送些"指纹"的差异性 有望实现橄揽油的渗杂识别。然而由于橄揽油的拉曼谱峰复杂且重叠严重，尤其是所渗杂 的各类油脂拉曼谱峰特性相近，导致传统的拉曼光谱对橄揽油渗杂识别分辨率较差。因此， 我们引入二维相关光谱技术，着力提高拉曼光谱的表观分辨率。二维相关光谱分析通过对 待测样品施加外部微扰，记录微扰作用状态下样品相应的动态光谱，然后对一系列的动态 光谱进行相关分析，再把结果W二维等高线或Η维图形的形式表示出来，具备了许多常规 一维光谱不具备的特点。该技术可W有效提高光谱的分辨率，并在掲示分子内、分子间的相 互作用及判断分子中各官能团反应的先后顺序的研究中发挥了重要的作用，对于橄揽油渗 杂识别具有重大意义。
[0004] 多尺度建模通过多尺度分解和数据融合，巧妙利用了信号的时频多尺度特性，准 确提取光谱的特征信息，并有效实现了数据预处理与多元校正的一体化运算W提取橄揽油 的二维相关光谱中的信息，运用NPLS对所获得的信息进行建模，W协同利用信号的时频多 尺度特性W准确提取光谱特征信息，且避免信息丢失。
【发明内容】
[0005] 为解决上述问题，本发明提供了一种适于橄揽油渗杂识别的二维相关光谱多尺度 建模方法，结合多尺度建模方法对橄揽油的二维相关拉曼光谱信号进行处理，用于筛查橄 揽油中渗杂油脂种类，能够自适应的提取二维相关光谱中的最佳信息用于渗杂物的定性定 量模型建立，进而显著提升模型的精确度和预测效果。
[0006] 为实现上述目的，本发明采取的技术方案为：
[0007] -种适于橄揽油渗杂识别的二维相关光谱多尺度建模方法，包括如下步骤：
[0008] S1、采集不同橄揽油样品的原始光谱；
[0009] S2、生成步骤S1采集原始光谱的二维相关光谱；
[0010] S3、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱 进行二维小波多尺度分解，得二维小波系数；
[0011] S4、对步骤S3所得的二维小波系数进行图像重构；
[0012] S5、对每一层重构的光谱图像分别进行多维偏最小二乘建模，得子模型，并得相应 组别渗杂浓度预测值，W及每一层重构图像建模的渗杂浓度均方根误差；
[0013] S6、使用权值将步骤S5所得的子模型进行模型融合，并计算RMSEP值和相关系数 来评价模型预测效果。
[0014] 所述步骤S1中所采集的原始光谱是对同一样品在不同温度条件下采集同一仪器 的光谱，其中的变化的温度条件对于不同的样品需要保证相同。
[0015] 所述步骤S2中的二维相关光谱由W下公式生成：
[001引式中；y(v)为输入光谱矩阵，Φ(ν1，ν。为生成的同步相关光谱图像矩阵， Ψ (VI，v2)为生成的异步相关光谱图像矩阵。
[0019] 所述步骤S4中重构是指对同一样品的二维相关光谱的分解后的每一层小波系数 分别进行重构。
[0020] 所述步骤S5中的均方根误差为RMSECV，公式如下：
[0021]
[0022] 式中；(；ικ是样品的某一实际属性，一般为浓度；Ckw为预测出的样品属性。
[002引所述步骤S6中的RMSEP为预测均方根误差，由W下公式得到：
[0024]
[002引式中；η是样品数，Cww是样品的某一实际属性，一般为浓度；Ckw为预测出的样品 属性。
[0026] 所述步骤S6中的相关系数为R，由W下公式得到：
[0027]
[002引式中；η是样品数，Cww是样品的某一实际属性，一般为浓度；Ckw为预测出的样品 属性。
[0029] 所述步骤S6中的模型融合是指对每一层二维小波变换系数重构图像进行NPLS建 模，得到预测结果和预测均方根误差。
[0030] 所述步骤S6中的权值由W下公式得到：
[0031]
[0032] 其中，MSECVi是第i个子模型交叉验证后的预测均方根误差。所述步骤S6通过 W下公式将子模型融合在一起：
[0033]
[0034] 式中；CiKw是子模型的预测结果，m是分解的尺度，C为模型融合后的预测结果，即 最终的模型预测最终结果。
[0035] 其中，步骤S3中所述的选择最佳小波基，是对小波基数学特性进行分析，得到具 有对称性、紧支性、正交性及高阶消失矩的小波基函数，有Daubechies、Symlets、Coiflets 等；步骤S5中所述的多维偏最小二乘算法（Multi-way partial least square, N-PLS)，是 基于偏最小二乘基础上的多维数据模型算法，可W得到与各维直接相关的载荷向量，有利 于对模型的各维做出独立解释。
[0036] 本发明具有W下有益效果：
[0037] 本发明首先选择最佳二维小波基对二维相关光谱进行多尺度分解并各层分别重 构；其次应用NPLS对重构的每一层相关光谱进行建模预测并得到交叉验证的均方根误 差；接着通过计算出的权值进行子模型融合；最后通过预测均方根误差和相关系数对多尺 度-二维相关光谱模型的结果和性能进行评价。本方法相较于常规模型，显著提升常规拉 曼光谱分析模型的精度和可靠性，不仅提挖掘出了样品光谱中新的表征信息，而且避免了 信息的丢失，使得拉曼光谱分析更加简单，可靠，有望在复杂体系光谱分析中得到广泛的应 用。
【具体实施方式】
[0038] 为了使本发明的目的及优点更加清楚明白，W下结合实施例对本发明进行进一步 详细说明。应当理解，此处所描述的具体实施例仅仅用W解释本发明，并不用于限定本发 明。
[0039] 本发明实施例提供了一种适于橄揽油渗杂识别的二维相关光谱多尺度建模方法， 其特征在于，包括如下步骤：
[0040] S1、采集不同橄揽油样品的原始光谱；所采集的原始光谱是对同一样品在不同温 度条件下采集同一仪器的光谱，其中的变化的温度条件对于不同的样品需要保证相同；
[0041] S2、生成步骤S1采集原始光谱的二维相关光谱；所述的二维相关光谱由W下公式 生成：
[0044] 式中；y(v)为输入光谱矩阵，Φ(ν1，ν2)为生成的同步相关光谱图像矩阵， Ψ(ν1，ν2)为生成的异步相关光谱图像矩阵。
[0045] S3、结合二维小波变换和二维相关光谱的特性，选择最佳小波基对二维相关光谱 进行二维小波多尺度分解，得二维小波系数；所述的选择最佳小波基，是对小波基数学特性 进行分析，得到具有对称性、紧支性、正交性及高阶消失矩的小波基函数，有Daubechies、 Symlets、Coiflets 等；
[0046] S4、对步骤S3所得的二维小波系数进行图像重构；所述的重构是指对同一样品的 二维相关光谱的分解后的每一层小波系数分别进行重构。
[0047] S5、对每一层重构的光谱图像分别进行多维偏最小二乘建模，得子模型，并得相应 组别渗杂浓度预测值，W及每一层重构图像建模的渗杂浓度均方根误差；所述的多维偏最 小二乘算法（Multi-way parti