一种基于双树复小波分段直接标准化的模型传递方法
【技术领域】
[0001] 本发明设及一种模型传递方法，具体设及一种基于双树复小波分段直接标准化的 模型传递方法。
【背景技术】
[0002] 模型传递也称仪器标准化，是指经过数学处理后，使一台仪器上的模型能够用于 另一台仪器，从而减少重新建模所带来的巨大工作量，实现样品和数据资源的共享。目前应 用最为普遍和最为成功的方法是多变量校正算法，而其中又W分段直接标准化（PD巧算法 W及在其基础上的改进算法效果较好。
[0003] 对于光谱来说，两台仪器光谱之间的差异可W归纳为两个方面，一是X轴方向上 的差异，即波形的移位；另一方面是y轴方向上的差异，即波形的变形。光谱本身是多尺度 的，其包含的信息也是多尺度的。不同光谱仪的光谱之间的差异，可能只存在于一部分频率 域上，其他部分的信息则是相同的。分段直接标准化算法是在对整个光谱层面上进行校正， 没有在频率域对光谱进行划分，运样的模型传递很笼统，不够精细。而在分段直接标准化算 法基础上的小波多尺度分段直接标准化算法，其多尺度校正的特点克服了分段直接标准化 方法的笼统、不够精细的缺点，但小波具有的平移可变性的缺点造成运种方法在校正两台 仪器光谱X轴方向上的漂移的能力很差。
【发明内容】
[0004] 为解决上述问题，本发明提供了一种基于双树复小波分段直接标准化的模型传递 方法，创新性的结合了双树复小波变换和分段直接标准化，精细，精确、高效。 阳〇化]为实现上述目的，本发明采取的技术方案为：
[0006] 一种基于双树复小波分段直接标准化的模型传递方法，包括如下步骤：
[0007] S1、选择并设定两台光谱仪器分别作为主、从仪器，分别采集样品的主、从机仪器 光谱；
[0008] S2、采用Kennard-Stone算法对步骤S1采集的光谱进行优选，剔除掉样品光谱中 异常样品光谱，然后选择并设定训练集和测试集；
[0009] S3、针对步骤S1采集的光谱特性，设定最佳分解层数，并按照最佳分解层数对步 骤S1采集的光谱进行双树复小波变换，得到各层分解系数；
[0010] S4、对步骤S3所得的各层分解系数分别进行重构，得到各层重构的光谱；
[0011] S5、对步骤S4所得的各层重构的光谱，使用直接标准化（PD巧算法对从机光谱进 行校正，然后使用训练集的主机光谱与步骤S1采集光谱的化学真值浓度，建立基于偏最小 二乘法和留一法交叉验证的预测模型，然后将校正后的测试集从机光谱输入该模型得到预 测结果，并得到每个预测模型的交叉验证均方根误差MSECV ;
[0012] S6、通过交叉验证均方根误差计算步骤S5所得的预测模型的权值，使用权值将所 有的步骤S5所得的预测模型进行模型融合，并计算RMSEP值和相关系数来评价模型传递效 果。
[0013] 所述步骤SI中所述的主、从仪器需保证是同一类型号的仪器，采集光谱是对同一 样品在同一测量条件下采集不同仪器的光谱。
[0014] 所述步骤S4中所述的重构是对不同仪器的光谱的分解后的每一层小波系数分别 进行重构。
[0015] 所述步骤S5所述的交叉验证均方根误差为RMSECV，其公式如下：
[0016]
[0017] 式中：η是测试集样品数，CwiK是样品的某一实际属性矩阵，一般为浓度阵；Ckw为 预测出的样品属性矩阵。
[00化]所述步骤S6中所述的RMSEP是预测模型的预测均方根误差，表示模型预测值与化 学真值之间的偏差，用于评价模型的优劣最重要的参数，公式如下：
[0019]
[0020] 式中：η是测试集样品数，CwiK是样品的某一实际属性矩阵，一般为浓度阵；Ckw为 预测出的样品属性矩阵。
[0021] 所述步骤S6中所述的相关系数，表示模型预测值与化学真值之间的相关程度，公 式如下：
[0022]
[002引式中：η是测试集样品数，CwiK是样品的某一实际属性矩阵，一般为浓度阵；Ckw为 预测出的样品属性矩阵。
[0024] 所述步骤S6所述权值由W下公式获得： 阳0巧]
[0026] 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中所 述的模型融合的公式如下：
[0027]
[00測其中，CiKw是预测模型的预测结果，m是分解的尺度，C为预测模型融合后的预测 结果，即最终的模型传递结果。
[0029] 本发明具有W下有益效果：
[0030] 本发明首先采用双树复小波对光谱进行多尺度分解并重构，然后应用分段直接标 准化对重构每一层光谱进行校正，接着建立基于偏最小二乘法和留一法交叉验证的预测模 型，最后通过计算出的权重将所有的预测模型融合并进行评价。本发明采用的双树复小波 与直接标准化相结合的方法，由于双树复小波具有的平移不变性和多尺度特性，克服了现 有模型传递方法的不足，在校正X轴和y轴方向上的漂移的能力都十分出色，同时具有精 细，精确、高效的优点，能广泛应用于近红外和拉曼光谱等领域。
【附图说明】
[0031] 图1 (a)玉米样品的m5仪器光谱。
[0032] 图1化）玉米样品的mp5仪器光谱。 W33] 图2为m5和mp5仪器光谱二者的差异。
[0034] 图3不同分解尺度下的RMSEP和相关系数。
[0035] 图4 (a)每个预测模型的交叉验证均方根误差。
[0036] 图4化）每个预测模型的决策融合权重；
[0037] 图5 (a)常规模型传递方法的结果；
[0038] 图5化）基于双树复小波分段直接标准化的模型传递方法的结果。
【具体实施方式】
[0039] 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。
[0040] 本发明实施例提供了一种基于双树复小波分段直接标准化的模型传递方法，包括 如下步骤：
[0041] S1、选择并设定两台光谱仪器分别作为主、从仪器，分别采集样品的主、从机仪器 光谱；所述的主、从仪器需保证是同一类型号的仪器，采集光谱是对同一样品在同一测量条 件下采集不同仪器的光谱； 阳0创 S2、采用Kennard-stone算法对步骤S1采集的光谱进行优选，剔除掉样品光谱中 异常样品光谱，然后选择并设定训练集和测试集；
[0043] S3、针对步骤S1采集的光谱特性，设定最佳分解层数，并按照最佳分解层数对步 骤S1采集的光谱进行双树复小波变换，得到各层分解系数；
[0044] S4、对步骤S3所得的各层分解系数分别进行重构，得到各层重构的光谱；所述的 重构是对不同仪器的光谱的分解后的每一层小波系数分别进行重构。
[0045] S5、对步骤S4所得的各层重构的光谱，使用直接标准化（PD巧算法对从机光谱进 行校正，然后使用训练集的主机光谱与步骤S1采集光谱的化学真值浓度，建立基于偏最小 二乘法和留一法交叉验证的预测模型，然后将校正后的测试集从机光谱输入该模型得到预 测结果，并得到每个预测模型的交叉验证均方根误差MSECV ;所述的交叉验证均方根误差 为RMSECV，其公式如下：
[0046]
[0047] 式中：η是测试集样品数，CwiK是样品的某一实际属性矩阵，一般为浓度阵；Ckw为 预测出的样品属性矩阵。
[0048] S6、通过交叉验证均方根误差计算步骤S5所得的预测模型的权值，使用权值将所 有的步骤S5所得的预测模型进行模型融合，并计算RMSEP值和相关系数来评价模型传递效 果，