本发明涉及小麦品质的检测方法，尤其一种基于DS证据理论的小麦品质THz光谱分类方法。
背景技术：
国内外对仓储小麦品质的检测方法的报道主要有：化学方法(测量主要成分)、电子鼻、机器视觉、光谱检测(红外光谱)等方法，这些方法费时费力，对样品和试剂消耗大，检测能力有限。THz由于其单光子能量低和谱“指纹性”等独特优势，是一种有效的分析物质内部组成信息的非接触测量手段。THz-TDS是目前最具有代表性的THz技术，在生物医学、材料科学、国防安全和质量控制等领域具有重要应用。
THz波在物质的定性与定量分析方面，许多学者围绕着物质在THz波段的光学与光谱特征，开展了物质的THz吸收系数、折射率系数的测量与单光学参数的分析工作。Ogawa、Nishikiori、Zhang zhuoyong、Qin jianyuan、Geoff Smith等报道了结合THz光谱和化学计量学方法(主成分分析、偏最小二乘、支持向量机等)实现对物质的定量分析，同时也取得了较好的结果。文献采用THz-TDS技术获得不同小麦样品的THz光学参数，利用PCR、PLS、BP神经网络和PCA-SVM模型对样品进行了识别，使用小麦样品THz吸收光谱建立小麦品质识别模型对不同品质小麦的识别率为分别为50％、58.33％、83.33％和93.33％。正常小麦和发芽小麦的识别率相对比较高，而误判断的样品中大多为发霉小麦和虫蚀小麦，不同模型进行分类识别率差别较大。
技术实现要素：
针对上述技术问题，本发明设计开发了一种识别精度更高的基于DS证据理论的小麦品质THz光谱分类方法。
本发明提供的技术方案为：
一种基于DS证据理论的小麦品质THz光谱分类方法，所述方法包括：
步骤一、建立针对不同品质小麦吸收光谱的小麦分类概率输出：建立不同品质的小麦样品的吸收光谱SVM分类器，从而计算不同品质小麦样品的训练集和测试集的概率输出；
步骤二、建立针对不同品质小麦折射率光谱的小麦分类概率输出：建立不同品质的小麦样品的折射率光谱SVM分类器，从而计算不同品质小麦样品训练集和测试集的概率输出；
步骤三、建立DS证据融合规则：
假设DS融合模型的识别框架为Θ＝{α1,α2,α3,α4,U}，其中α1,α2,α3,α4分别表示不同品质的小麦样品，U表示不确定的小麦，U可以为4种小麦样品中任何一种；设Bel吸收和Bel折射分别表示同一Θ下的小麦样品的吸收光谱SVM分类器对样本集的信任函数以及折射率光谱SVM分类器对样本集的信任函数；m吸收和m折射分别为吸收光谱SVM分类器对小麦样品训练集的基本概率赋值函数以及折射率光谱SVM分类器对小麦样品训练集的基本概率赋值函数；M吸收和M折射分别为吸收光谱SVM分类器对小麦样品测试集的基本概率指派函数和折射率光谱SVM分类器对小麦样品测试集的基本概率指派函数；Mc为吸收光谱SVM分类器和折射率光谱SVM分类器经过DS证据理论融合后的融合概率函数；
融合规则如下：
M吸收(A)＝m吸收(A)Bel吸收(A)；
M折射(A)＝m折射(A)Bel折射(A)；
其中，A∈Θ；
决策规则为：设并且满足：
若满足条件其中ε1和ε2分别表示判定阈值，则可将A1判定为最终的决策结果。
优选的是，所述的基于DS证据理论的小麦品质THz光谱分类方法中，所述步骤一中，以前10个主成分特征组合为光谱特征集，以RBF核函数最优参数γ为3.5，C为1.6时的SVM模式识别方式，来建立不同品质的小麦样品的吸收光谱SVM分类器。
优选的是，所述的基于DS证据理论的小麦品质THz光谱分类方法中，所述步骤二中，以前8个主成分特征组合为光谱特征集，以RBF核函数最优参数γ为3，C为0.92时的SVM模式识别方式，来建立不同品质的小麦样品的折射率光谱SVM分类器。
优选的是，所述的基于DS证据理论的小麦品质THz光谱分类方法中，所述步骤一中，以正常小麦、发芽小麦、发霉小麦和虫蚀小麦这4种小麦样品作为识别对象；所述步骤三中，α1,α2,α3,α4分别表示正常小麦、发芽小麦、发霉小麦和虫蚀小麦。
本发明所述的基于DS证据理论的小麦品质THz光谱分类方法采用多元信息融合技术，将不同品质小麦样品的吸收光谱和折射率光谱信息进行融合，建立基于多源信息融合技术的小麦品质无损检测模型，采用DS证据理论对子分类器的输出结果进行融合，并对其进行验证，用于品质鉴别分析，进而为THz技术应用到储粮品质检测中奠定基础。本发明提高了对不同品质小麦样品的识别率。
具体实施方式
下面对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。
本发明提供一种基于DS证据理论的小麦品质THz光谱分类方法，所述方法包括：
步骤一、建立针对不同品质小麦吸收光谱的小麦分类概率输出：建立不 同品质的小麦样品的吸收光谱SVM分类器，从而计算不同品质小麦样品的训练集和测试集的概率输出；
步骤二、建立针对不同品质小麦折射率光谱的小麦分类概率输出：建立不同品质的小麦样品的折射率光谱SVM分类器，从而计算不同品质小麦样品训练集和测试集的概率输出；
步骤三、建立DS证据融合规则：
假设DS融合模型的识别框架为Θ＝{α1,α2,α3,α4,U}，其中α1,α2,α3,α4分别表示不同品质的小麦样品，U表示不确定的小麦，U可以为4种小麦样品中任何一种；设Bel吸收和Bel折射分别表示同一Θ下的小麦样品的吸收光谱SVM分类器对样本集的信任函数以及折射率光谱SVM分类器对样本集的信任函数；m吸收和m折射分别为吸收光谱SVM分类器对小麦样品训练集的基本概率赋值函数以及折射率光谱SVM分类器对小麦样品训练集的基本概率赋值函数；M吸收和M折射分别为吸收光谱SVM分类器对小麦样品测试集的基本概率指派函数和折射率光谱SVM分类器对小麦样品测试集的基本概率指派函数；Mc为吸收光谱SVM分类器和折射率光谱SVM分类器经过DS证据理论融合后的融合概率函数；
融合规则如下：
M吸收(A)＝m吸收(A)Bel吸收(A)； (1)
M折射(A)＝m折射(A)Bel折射(A)； (2)
其中，A∈Θ；
决策规则为：设并且满足：
若满足条件其中ε1和ε2分别表示判定阈值，则可将A1判定为最终的决策结果。
优选的是，所述的基于DS证据理论的小麦品质THz光谱分类方法中，所述步骤一中，以前10个主成分特征组合为光谱特征集，以RBF核函数最优参数γ为3.5，C为1.6时的SVM模式识别方式，来建立不同品质的小麦样品的吸收光谱SVM分类器。
优选的是，所述的基于DS证据理论的小麦品质THz光谱分类方法中，所述步骤二中，以前8个主成分特征组合为光谱特征集，以RBF核函数最优参数γ为3，C为0.92时的SVM模式识别方式，来建立不同品质的小麦样品的折射率光谱SVM分类器。
优选的是，所述的基于DS证据理论的小麦品质THz光谱分类方法中，所述步骤一中，以正常小麦、发芽小麦、发霉小麦和虫蚀小麦这4种小麦样品作为识别对象；所述步骤三中，α1,α2,α3,α4分别表示正常小麦、发芽小麦、发霉小麦和虫蚀小麦。
以下提供一个实施例，说明本发明的技术方案的技术效果。
以正常小麦、发芽小麦、发霉小麦和虫蚀小麦样品为研究对象，结合小麦样品的吸收光谱和折射率光谱，建立基于DS证据理论的不同品质小麦分类融合模型，训练集中，对4种小麦样品的识别率均达到了100％，对其测试集的识别率相对较低，为96.25％。表1给出了不同品质小麦样品的识别率和误判断数量。
表1 DS小麦分类模型决策层融合模型建模结果
由表1可得，本发明的DS证据理论融合模型对训练集中各种小麦样品的识别率比较高，达到了100％，而对其测试集正常小麦和发芽小麦样品的识别率分别为100％，对发霉小麦和虫蚀小麦样品的识别相对较低，只有95.24％和91.3％。实验结果表明，与单纯根据小麦样品吸收光谱或者折射率光谱构建的模型识别率相比，本发明所述的DS证据理论融合模型对不同品质小麦样品的识别率有了一定的提高，特别是对发霉和虫蚀小麦样品，样品识别率的提高比较明显。
尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节。