基于径向基神经网络的光谱分析模型转移技术的制作方法
【专利摘要】本发明公开了一种基于径向基神经网络的光谱分析模型转移技术，主要涉及了径向基神经网络在光谱分析模型转移技术上的应用，这种引入径向基神经网络来实现光谱转移的技术能够消除量测光谱间的非线性差异和光谱分段直接校正中出现的奇异锐峰，简化光谱模型转移的参数选择，整个操作过程精确、可靠。
【专利说明】
基于径向基神经网络的光谱分析模型转移技术
技术领域
[0001] 本发明设及一种光谱分析模型转移技术，具体是指基于径向基神经网络的光谱分 析模型转移技术。
【背景技术】
[0002] 模型转移技术就是将一台仪器上建立的定性或定量校正模型可靠地移植到其它 相同或类似的仪器上使用，或将在某一条件建立的模型用于同一台仪器另一条件采集的光 谱;为节省建模费用，在行业分析中，实现模型库共享，进而实现校正模型的可移植转换就 非常有意义。
[0003] 虽然模型转移后预测集的预测标准差与主仪器上直接建模的预测标准差存在一定 的差异，运可能是由于CCD光谱仪与傅立叶变化光谱仪之间的差异有关，另外在PDS模型转 移过程中，由于算法内部的局部模型利用化S或PCR对信息的有限提取计算来转换系数和， 运可能导致一部分信息的丢失，或是窗口光谱段的特征值交换化igenvalus Swapping)出 现奇异锐峰(Arti化cts)，从而导致模型转移效果的降低。
[0004] 图4所示是在PDS模型转移中，部分光谱段出现的奇异锐峰，运可能是由于局部模 型计算转换系数而时，由于因子数确定不准而导致窗口光谱段的特征值交换出现奇异锐 峰。通常，一般在模型转移过程中预先设定阔值来控制局部模型的主因子数。然而当局部模 型的主因子数过大时，导致数据的过拟合，从而引起奇异锐峰的出现。在标准化前后对一个 独立样品光谱的分析和验证，来发现和减少PDS转移奇异锐峰。当转移光谱与原始光谱之间 存在大的残差时，意味着在PDS模型转移中存在不正确的局部主因子数。对于运些出现高残 差的波长区域，适当降低局部主因子数的大小来构造新的PDS转移模型。对局部主因子数的 不正确选取，从而导致窗口光谱段的特征值交换，并且导致在PDS转移光谱中出现不连续的 现象。同时可W观察到，在运些出现相似的特征值交换的光谱片断，光谱数据的微小变动都 将使所建立的模型与临近窗口光谱段出现大的差异。运种模型构造中突然的变动，将使光 谱产生不连续的现象。为了更好的研究奇异锐峰的出现，引入径向基神经网络(RBF-AN)代 替化S或PCR求取转换系数bKPDS-ΑΓ^Ν算法)无疑是非常精确、可靠的技术方法，它能消除因 特征值变换引起的奇异锐峰，并试图消除从仪器的随机噪音、解决主仪器和从仪器信号间 的复杂非线性问题。
【发明内容】
[0005] 本发明所要解决的技术问题在于克服现有技术的缺陷而提供一种能够消除量测 光谱间的非线性差异和光谱分段直接校正中出现的奇异锐峰，简化光谱模型转移参数选择 的基于径向基神经网络的光谱分析模型转移技术。
[0006] 本发明的技术问题通过W下技术方案实现： 一种基于径向基神经网络的光谱分析模型转移技术，其包括如下步骤： 步骤一、通过径向基神经网络的训练创建两部分训练集，一部分为校正集，预测误差反 向传输，用于调节权重；另一部分为监控集，不参与训练，预测误差平方和用于控制网络的 训练;设定一个终止阔值时，网络停止训练； 步骤二、利用径向基神经网络进行光谱模型间的转移，从结构上看，径向基神经网络属 于多层前向神经网络，包括输入层、隐含层和输出层，其基本思想是：用径向基函数作为隐 含层的"基"，构成隐含空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高 维空间，使得在低维空间内的线性不可分问题在高维空间内可分； 步骤Ξ、根据程序默认的参数进行径向基神经网络的训练，选取平方和误差参数为 0.02,展开常量为1，W输入层向量的数目作为隐含层基函数的个数；W标样数和窗口宽度 与训练集的预测标准差作图，来确定合适的标样数和径向基神经网络的窗口宽度； 步骤四、通过去检验来比较光谱模型转移前后的预测能力。
[0007]与现有技术相比，本发明主要是引入径向基神经网络来实现光谱的转移，运种转 移技术能够消除量测光谱间的非线性差异和光谱分段直接校正中出现的奇异锐峰，简化光 谱模型转移的参数选择，整个操作过程精确、可靠。
【附图说明】
[000引图1为基于神经网络的PDS模型转移结构示意图。
[0009]图2为经PDS-RBF算法模型转移前后的部分光谱区域。
[0010]图3为数据集'bj3"的预测集经PDS-RBF处理后的预测标准差(RMSEP)随标样数和 窗口宽度。
[00川图4为PDS算法模型转移中光谱部分区域出现的奇异锐峰。
【具体实施方式】
[0012] 下面将按上述附图对本发明实施例再作详细说明。
[0013] 基于径向基神经网络的光谱分析模型转移技术，如图1所示，主要设及了径向基神 经网络在光谱分析模型转移技术上的应用。
[0014] 其中，人工神经网络是由大量简单的处理单元广泛互连而形成的复杂网络系统； 常用的人工神经网络为BP(Back-Propagation)神经网络，其结构一般分为3层:输入层、隐 含层及输出层。输入层输入的变量经权重加和后进入隐含层进行非线性变换，隐含层的输 出经权重加和后进入输出层，经线性变换得到输出结果。在网络训练过程中，输出的预测值 (带)与期望值(束)相比较，所得误差经反向传输，调整权重，使目标变量史=权-玄)f(y-索I 为最小(T为矩阵的转置），最终得到的权重用于人工神经网络的预测。
[0015] 3层BP神经网络可任意精度拟合任意连续函数，因而具有强大的非线性建模 能力。为解决过拟合问题，本发明设及的转移技术是将训练集分为两部分，一部分为校正 集，预测误差反向传输，用于调节权重;另一部分为监控集，不参与训练，预测误差平方和用 于控制网络的训练。一般设定一个终止阔值时，网络停止训练。
[0016] 先采用目前应用最广的3层BP-A順网络，输入层的节点数随窗口大小的变化和变 化，用BP算法进行训练，如图1所示，所采用的网络训练方法为Levenberg-Marquardt算法， 网络中隐层转移函数为双曲正切函数;考虑到待测成分与近红外光谱间可能具有一定的线 性关系，故输出层神经元分别采用线性(purelin)函数，均方差目标为0.01，对于每个光谱 点用不同的网络权重，由网络自动调节;选择了测试集的平均绝对误差(MAE)和所建立数学 模型的相关系数(R)来比较对神经网络的影响。
[0017] 根据标样数目、窗口大小W及神经网络的拓扑结果来优选参数，但BP网络的训练 速度慢，程序运行时间过长，并且在BP神经网络中存在各种参数的设定W及优化，例如隐含 层数及隐含层神经元的选择、训练集与确证集的数目及选择，学习规则、学习效率、势态因 子、控制误差等参数的选择;要使网络性能达到最佳，防止网络的过度学习及网络泛化能力 降低等现象，由于上述参数的确定均无确定理论依据，目前只能靠反复试验，进行网络训练 来确定。运样，由于PDS-BP模型转移算法运行时间过长，无法用循环优化来选取最优参数， 降低了不同光谱间的转移效果，虽然运用BP神经网络部分解决了 PDS模型转移过程中出现 的奇异锐峰，但降低了模型的预测能力，没有达到运用BP神经网络解决PDS模型转移问题的 最初设想。
[0018] 考虑到利用神经网络进行模型转移的速度和参数选择的复杂性，尝试利用径向基 神经网络（Radial-Basis Function,ΚΒΡ·)进行光谱间的转移。从结构上看，RB巧巾经网络属 于多层前向神经网络，其基本思想是：用径向基函数(RBF)作为隐含层的"基"，构成隐含空 间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高维空间，使得在低维空间 内的线性不可分问题在高维空间内可分。因此，具有网络结构简单、训练简洁而且学习收敛 速度快，能够逼近任意非线性函数等特点。
[0019] 根据程序默认的参数进行RBF网络的训练，选取平方和误差参数为0.02,展开常量 为1，W输入层向量的数目作为隐含层基函数的个数。W标样数和窗口宽度与预测集的预测 标准差(RMSEP)作图，来确定合适的标样数和RB巧巾经网络的窗口宽度。
[0020] 图3所示为数据集"bj3"的光谱经PDS-RBF转移后预测集的RMSEP随标样数和窗口 宽度的变化趋势图。从图3中可W看出，随标样数的增多，RMSEP逐渐下降，当标样数增至8 时，RMSEP变化趋于平稳，因此选取标样数为8。另外，对与窗口宽度的选择，窗口宽度的加大 反而导致预测效果的变差，运与PDS模型转移算法的结果是一致的，说明两台仪器之间并不 存在大的波长漂移；当窗口宽度取5(2 X 2 +1 = 5)时，RMSEP最小。
[0021] 表1分别为模型经PDS-RBF转移前后"bjl"，"bj2"，"bj3"预测集的预测标准差 (RMSEP)。由结果可W看出，虽然对于3台从仪器之间的转移效果存在一定的差异，但与原始 光谱相比，转移之后的RMS邸得到很大程度的改善，收到了初步满意的效果。
[0022] 表1模型转移前后预测集的预测标准偏差
注:表1中的(*)及(**)分别表示基于BP神经网络和径向基神经的模型转移算法 通过护检验、即方差齐性检验来比较模型转移前后的预测能力。根据^^检验，在曰= 0.025水平上，刮〇-975化：1巧=3淵:，将叩扣'，"^2"，"^3";个数据集的图谱经口05，口05- BP，PDS-RBF算法校正后的预测结果与在分别各自仪器上重建模型的预测效果相比，其矿 检验值如表2所示。在α = 〇.025水平上，除个别数据(*)与模型转移算法外，护检验二者差异 均不显著，说明PDS、PDS-BF和PDS-RBF模型转移算法将"bj3"上的图谱转移后，其预测效果 与在"从仪器"上重新建模的效果相当。
[0023] 表2模型转移前后的F检验值
从表1，表2中的实验最终的RMSEP值和F检验值可知，对于W上3个不同的从仪器数据 集"bjl"，"bj2"，"bj3"，应用神经网络的思想进行光谱之间的转移，虽然消除了转移光谱中 的奇异锐峰，但并没有得到比PDS更好的模型转移效果。运说明，在主仪器与从仪器之间并 没有大的非线性差异，一般只需通过线性的PDS-化討莫型转移算法就能达到较为满意的转 移效果。
[0024] 本发明所述实施例仅用于说明本发明而不用于限制本发明的范围。此外还应理 解，在阅读了本发明讲授的内容之后，本领域技术人员可W对本发明作各种改动或修改，运 些等价形式同样落于本申请所附权利要求书所限定的范围内。
【主权项】
1. 一种基于径向基神经网络的光谱分析模型转移技术，其包括如下步骤： 步骤一、通过径向基神经网络的训练创建两部分训练集，一部分为校正集，预测误差反 向传输，用于调节权重；另一部分为监控集，不参与训练，预测误差平方和用于控制网络的 训练;设定一个终止阈值时，网络停止训练； 步骤二、利用径向基神经网络进行光谱模型间的转移，从结构上看，径向基神经网络属 于多层前向神经网络，包括输入层、隐含层和输出层，其基本思想是：用径向基函数作为隐 含层的"基"，构成隐含空间，隐含层对输入矢量进行变换，将低维的模式输入数据变换到高 维空间，使得在低维空间内的线性不可分问题在高维空间内可分； 步骤三、根据程序默认的参数进行径向基神经网络的训练，选取平方和误差参数为 0.02,展开常量为1，以输入层向量的数目作为隐含层基函数的个数；以标样数和窗口宽度 与训练集的预测标准差作图，来确定合适的标样数和径向基神经网络的窗口宽度； 步骤四、通过·Τ检验来比较光谱模型转移前后的预测能力。
【文档编号】G06N3/08GK106067065SQ201610396494
【公开日】2016年11月2日
【申请日】2016年6月7日 公开号201610396494.9, CN 106067065 A, CN 106067065A, CN 201610396494, CN-A-106067065, CN106067065 A, CN106067065A, CN201610396494, CN201610396494.9
【发明人】王豪, 林振兴, 邬蓓蕾, 徐善浩, 袁丽凤, 罗川
【申请人】宁波检验检疫科学技术研究院