基于jade和elm的近红外光谱分析鉴别苹果货架期的方法
【技术领域】
[0001]本发明涉及红外无损检测技术领域，尤其涉及一种基于特征矩阵联合近似对角化(JADE)和极限学习机(ELM)的近红外光谱分析鉴别苹果货架期的方法。
【背景技术】
[0002]苹果是我国北方盛产的主要水果，苹果采收后内部某些酶的活性变强，水果呼吸速率和乙烯释放速率变大，致腐性微生物繁殖加快，导致品质下降最终腐烂并失去商业价值。因此，加强苹果在贮藏、运输、销售环节中货架期的监测，有利于减少苹果鲜果的损耗并确保鲜果在货架期间的食用品质，提高经济效益。
[0003]现代近红外光谱分析法是一种快速无损的检测方法，其原理为对有机物中的含氢基团X-H的倍频合频产生吸收，通过化学计量方法测得有机物的理化指标，用有效的数学算法将理化指标与光谱建立函数关系，它已经被广泛应用于农产品的定量分析中。目前存在的基于近红外光谱法的水果货架期鉴别方法，建模所需样品基数大、训练时间久，大量样品理化值的获取耗时耗力。对此情况，急需一种普适性较强的模型，有效的鉴别苹果的货架期。
[0004]由于近红外光谱可以视作多种主要成分光谱的线性组合，近些年，有学者将“盲源分离(BBS)”问题引入近红外光谱分析方法中，试图将这些主要成分的光谱从复杂的混合光谱中分离出来。JADE算法是一种数值稳定、鲁棒性强的代数独立分量分析方法，适用于光谱的分解。同时，结合极限学习机建模，ELM是一种针对单隐含层前馈神经网络的新算法，该算法随机产生输入层与隐含层的连接权值及隐含层神经元的阈值，且在训练过程中无需调整，只需设置隐含层神经元个数，便可获得唯一的最优解，具有学习速度快、泛化能力好等优点。
[0005]本发明采用了JADE和极限学习机分类结合的方法，使近红外光谱分析法可以有效的鉴别苹果货架期，丰富了化学计量方法并为近红外光谱分析领域中农作物货架期鉴别提供了理论前提和技术支持。
【发明内容】
[0006]本发明的目的在于针对现有技术的不足，提供一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法。
[0007]本发明是通过以下技术方案实现的:一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法，包括以下步骤:
[0008](I)收集样品，包括货架期为η天样品、货架期为m天样品和待鉴别样品，其中，m和η均小于30，且η与m差值大于等于7;采集三种样品的近红外光谱，并对这三种近红外光谱进行离散小波变换处理，得到三种压缩后的近红外光谱数据矩阵；
[0009](2)将步骤(I)得到的三种压缩后的近红外光谱数据矩阵进行特征矩阵联合近似对角化(JADE)分解，得到三种解混阵；
[0010](3)使用极限学习机(ELM)方法，建立初始极限学习机分析模型，将货架期为η天样品和货架期为m天样品的实际货架期以及由步骤(2)得到的货架期为η天样品和货架期为m天样品的解混阵作为初始极限学习机分析模型的模型输入，进而得到最佳极限学习机分析丰旲型;
[0011]4)将待鉴别样品的解混阵输入最佳极限学习机分析模型，得到待鉴别样品的货架期。
[0012]进一步的，所述步骤(I)具体实现如下:
[0013]使用近红外光谱仪对三种样品进行扫描，得到三种样品的近红外光谱，使用K-S算法按3:1的数量比将货架期为η天样品和货架期为m天样品随机分为训练集样品和预测集样品，其中，校正集样品用于模型训练，预测集样品用于模型的质量评价;将三种样品的近红外光谱进行离散小波变换处理，离散小波变换选择小波母函数为dbn，n为消失矩，消失矩取2，分解至3层，得到三种压缩后的近红外光谱数据矩阵。
[0014]进一步的，所述步骤(3)具体实现如下:将货架期为η天样品和货架期为m天样品的实际货架期以及它们的解混阵作为极限学习机分析模型，使用极限学习机方法建立初始极限学习机分析模型;在得到最佳极限学习机分析模型过程中，采用“Sigmoidal”作为极限学习机分析模型中的隐含层激励函数，将隐含层神经元个数初始化设定为5，并以5为步长依次增加至50，在各隐含神经元取值下重复训练20次，得到最佳极限学习机分析模型的模型参数，从而获得最佳极限学习机分析模型。
[0015]本发明的有益效果是:利用JADE算法，选取最优独立分量数建立校正模型；采用ELM算法建立模型，需设置参数少，易于快速训练，提高模型精度，选取最优模型。与现有技术相比，如多元线性回归、主成分回归等，经JADE算法得到的独立分量更加接近实际光谱，所建模型更具实际意义。整个测量过程不消耗化学试剂，测试快速，节省人力物力，批量测试时结果准确，大大提高检测效率。本方法可以在果商贮藏、运输、销售等环节推广使用。
【附图说明】
[0016]图1为本发明货架期方法流程图；
[0017]图2为本发明货架期不同的两个样品原始光谱图。
【具体实施方式】
[0018]本发明提供了一种苹果货架期准确鉴别的近红外光谱分析法。下面结合附图1、附图2以及实施例对本发明进一步说明。实施例为本发明举例，并非对该发明限定。
[0019]本发明的技术方案为，收集样品和采谱，对原始光谱预处理，首先用离散小波变换对近红外光谱数据进行有效压缩，得到数据量适中的矩阵，对该矩阵使用JADE算法分解，得到独立分量矩阵和解混阵，将解混阵作为模型输入，通过极限学习机算法建模。整个方案流程图如附图1所示。
[0020]由近红外光谱仪直接获取的原始光谱，数据量庞大，重复性高，冗余信息重，并受噪声干扰。利用小波变换方法，压缩光谱数据，并去除光谱噪声，保留了光谱的主要信息且大大减小了数据量，实践证明，就概率密度而言，小波变换后的小波系数比原始信号的超高斯性更强，更适用于盲源分离，此步骤需选择合理的小波函数及小波分解层数。
[0021]JADE算法用于分解小波压缩后数据。JADE算法是盲源分离算法的一种，目的是将混合信号中的独立成分分离出来，该方法鲁棒性好，通常可以获得较稳定的源估计结果。用于光谱数据矩阵分解时，可以得到独立成分和相应的解混阵。独立成分矩阵的每一行相当于一种统计独立成分的光谱信息，及混合物样品中的纯物质信息，与其对应的解混阵反映了该物质在原始数据中所占比重，即该独立分量对整个样品近红外光谱的贡献。
[0022]极限学习机算法是由单隐含层前馈神经网络(SLFN)发展起来的一种新型神经网络算法，克服了传统人工神经网络训练过程中需要不断演算、调整各层之间的连接权值、隐含层神经元数目以及隐含层神经元阈值的缺点。极限学习机网络的隐含层神经元数目需要在训练前确定，输入层