CN103198331A - 基于pca_lda分析的多谱图特征融合识别方法 - Google Patents
基于pca_lda分析的多谱图特征融合识别方法 Download PDFInfo
- Publication number
- CN103198331A CN103198331A CN2013100983075A CN201310098307A CN103198331A CN 103198331 A CN103198331 A CN 103198331A CN 2013100983075 A CN2013100983075 A CN 2013100983075A CN 201310098307 A CN201310098307 A CN 201310098307A CN 103198331 A CN103198331 A CN 103198331A
- Authority
- CN
- China
- Prior art keywords
- pca
- rightarrow
- centerdot
- matrix
- samples
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004458 analytical method Methods 0.000 title claims abstract description 22
- 238000005267 amalgamation Methods 0.000 title abstract 7
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 230000004927 fusion Effects 0.000 claims description 42
- 238000001228 spectrum Methods 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000006185 dispersion Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 239000000203 mixture Substances 0.000 abstract description 6
- 238000001069 Raman spectroscopy Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 5
- 239000000126 substance Substances 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 150000002500 ions Chemical class 0.000 description 4
- 238000001871 ion mobility spectroscopy Methods 0.000 description 3
- 238000004949 mass spectrometry Methods 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000001237 Raman spectrum Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000003891 environmental analysis Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000001819 mass spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000005481 NMR spectroscopy Methods 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 239000007864 aqueous solution Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000003889 chemical engineering Methods 0.000 description 1
- 238000004587 chromatography analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004186 food analysis Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000002329 infrared spectrum Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 235000012736 patent blue V Nutrition 0.000 description 1
- 238000005191 phase separation Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 235000015096 spirit Nutrition 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于PCA_LDA分析的多谱图特征融合识别方法,包括:利用PCA_LDA方法提取所有样本的谱图特征,并将提取得所有样本的多谱图特征融合为多谱融合特征矩阵;建立多谱融合SVM分类器;利用多谱融合SVM分类器样本进行识别;本发明所设计的基于PCA_LDA分析的多谱图特征融合识别方法能够快速的对复杂混合物整体特征进行准确分析识别。
Description
技术领域
本发明涉及一种基于PCA_LDA分析的多谱图特征融合识别方法,特别是一种快速的复杂混合物整体特征的谱图分析方法。
背景技术
模式识别结合光谱、色谱、离子迁移谱、质谱、核磁共振等分析技术广泛应用于各类食品质量控制上。拉曼光谱是一种散射光谱。拉曼光谱分析法是基于印度科学家C.V.拉曼所发现的拉曼散射效应,对与入射光频率不同的散射光谱进行分析以得到分子振动、转动方面信息,并应用于分子结构研究的一种分析方法。拉曼光谱的主要特点是快速、简单、样品无需前处理、信号重复性好。此外由于水的拉曼散射很微弱,因此拉曼光谱可以进行水溶液中的物质测量检测,大大扩展了进行研究检测范围。
离子迁移谱是在20世纪70年代初出现的一种新的气相分离和检测技术。它以离子漂移时间的差别来进行离子的分离定性,借助类似于色谱保留时间的概念,起初被称为等离子体色谱。离子迁移谱是一种高效的分离分析技术,已广泛应用在石油化工、环境分析、食品分析等领域。质谱是通过对被测样品离子的质荷比的测定来进行分析的一种分析方法。由于质谱分析具有灵敏度高,样品用量少,分析速度快,分离和鉴定同时进行等优点,因此,质谱技术也广泛的应用于化学化工、环境分析,医药分析等领域。
随着假冒伪劣技术的快速更迭,目前我国公共产品特别是食品质量安全中的各类风险与忧患日益增加,对产品质量安全信息的科学、快速获取技术与设备的需求日益迫切。近年来,在国际范围内特别是国内发生的一系列食品安全恶性事件,表明采取以某一项或者某几项特征值来判断产品质量的弊端也越来越显著,采用整体信息对产品进行定性定量判定正在成为研究的焦点。
对于复杂的化合物体系,单张谱图难以全面地反映出产品的化学组成特征,需要联用多谱图信息,即将反映产品不同化学信息的各种谱图信息融合在一起,综合表征产品的化学组成特性,使得各种信息进行有效地互补,增强数据的可信任度,提高预测精度、可靠性和鲁棒性,这对食品的整体信息判定具有重要的研究意义。尽管多谱图信息融合的研究取得了一定的成果,在色-质联用、气-红联用等分析仪器中有一些简单的数据融合,但是对物质整体定性/定量判定方面依赖于质谱、红外光谱。没有在联用***内部实现谱图信息融合,更没有实现不同联用***之间的信息融合。
发明内容
本发明所要解决的技术问题在于克服现有技术的不足,提供一种能够快速的对复杂混合物整体特征进行准确分析识别的基于PCA_LDA分析的多谱图特征融合识别方法。
本发明具体采用以下技术方案解决上述技术问题:本发明设计了一种基于PCA_LDA分析的多谱图特征融合识别方法,包括如下具体步骤:
步骤(1):采集n个样本,设定n个样本属于c种类别,对每一个样本选取m个不同谱图,利用PCA_LDA方法提取所有样本的谱图特征,并将提取得所有样本的谱图特征融合为多谱融合特征矩阵;
步骤(2):利用步骤(1)中的多谱融合特征矩阵建立多谱融合SVM分类器;
步骤(3):利用步骤(2)中建立的多谱融合SVM分类器对步骤(1)中采集的样本进行识别。
作为本发明的一种优化方法:所述步骤(1)包括如下具体处理:
步骤(12):利用步骤(21)中的原始数据矩阵X和如下公式计算类内离差矩阵Sw:
步骤(13):利用步骤(21)中的原始数据矩阵X和如下公式计算类间离差矩阵Sb:
步骤(15):对步骤(24)中的投影矩阵WLDA进行PCA降维处理,得到PCA投影矩阵WPCA,再将PCA投影矩阵WPCA投影到q维空间中,得到q维空间特征矩阵XPCA,其中,XPCA=X·WPCA;
步骤(16):将WLDA、WPCA和XPCA利用如下公式完成最终的特征提取:
步骤(17):利用公式将第i个样本的不同图谱投影后特征矩阵进行融合处理得到第i个样本的多谱融合特征矢量,并对所有的样本进行同样的融合处理,得到所有样本的多谱融合特征矩阵其中,定义投影后的特征矩阵矢量,为θf定义为第f种图谱的组合系数,f=1,2,3…m。
作为本发明的一种优化方法:所述步骤(2)包括如下具体处理:
步骤(23):步骤(22)得到的偏执量b* z和支持向量代入如下函数中:
本发明与现有技术相比具有如下优点:
本发明能够将不同类型谱图数据进行多维特征融合,能够有效应用于基于谱图分析复杂混合物分类识别。
附图说明
图1为本发明中多谱图特征融合方法流程图;
图2为本发明中的训练样本在特征空间分布图。
具体实施方式
下面结合附图对本发明作进一步的详细说明:
本发明设计了一种基于PCA_LDA分析的多谱图特征融合识别方法,包括如下具体步骤:
步骤(1):采集n个样本,设定n个样本属于c种类别,对每一个样本选取m个不同谱图,利用PCA_LDA方法提取所有样本的谱图特征,并将提取得所有样本的谱图特征融合为多谱融合特征矩阵;
步骤(2):利用步骤(1)中的多谱融合特征矩阵建立多谱融合SVM分类器;
步骤(3):利用步骤(2)中建立的多谱融合SVM分类器对步骤(1)中采集的样本进行识别。
如图1所示,作为本发明的一种优化方法:所述步骤(1)包括如下具体处理:
步骤(12):利用步骤(21)中的原始数据矩阵X和如下公式计算类内离差矩阵Sw:
步骤(13):利用步骤(21)中的原始数据矩阵X和如下公式计算类间离差矩阵Sb:
步骤(15):对步骤(24)中的投影矩阵WLDA进行PCA降维处理,得到PCA投影矩阵WPCA,再将PCA投影矩阵WPCA投影到q维空间中,得到q维空间特征矩阵XPCA,其中,XPCA=X·WPCA;
步骤(16):将WLDA、WPCA和XPCA利用如下公式完成最终的特征提取:
步骤(17):利用公式将第i个样本的不同图谱投影后特征矩阵进行融合处理得到第i个样本的多谱融合特征矢量,并对所有的样本进行同样的融合处理,得到所有样本的多谱融合特征矩阵其中,定义投影后的特征矩阵矢量,为θf定义为第f种图谱的组合系数,f=1,2,3…m。
作为本发明的一种优化方法:所述步骤(2)包括如下具体处理:
在具体实施例中,我们的实验分别对50个天之蓝酒样和50个海之蓝酒样采集拉曼光谱图、质谱图和离子迁移谱图。
拉曼光谱图采集实验如下:
用毛细管吸取酒样,加入到进样口,在红光632.8nm的条件下进行谱图采集,采集过程中室内保持黑暗状态,以免可见光对实验的影响。
质谱图采集实验如下:
采用室温下大气压毛细管直接顶空采样进行分析。主要参数条件:1)电离方式:单光子电离;2)电离区气压稳定在约15.50Pa;3)加速区电压为2650V,250微米毛细管直接进样,无加热措施;4)每张TOF全谱图信号累计时间为15s;5)顶空体积约10ml。
图2给出了通过PCA_LDA特征提取和多谱图特征融合后测试样本集在特征空间的分布情况。由图2可明显看出测试样本集在融合后的特征空间里呈现非常好的分离性,天之蓝样本和海之蓝样本在特征空间中聚集在三维空间中两个不同的区域内,说明本发明提出的PCA_LDA特征提取和多谱图特征融合算法对提取不同等级白酒的内在特征是有效的。
Claims (3)
1.一种基于PCA_LDA分析的多谱图特征融合识别方法,其特征在于,包括如下具体步骤:
步骤(1):采集n个样本,设定n个样本属于c种类别,对每一个样本选取m个不同谱图,利用PCA_LDA方法提取所有样本的谱图特征,并将提取得所有样本的谱图特征融合为多谱融合特征矩阵;
步骤(2):利用步骤(1)中的多谱融合特征矩阵建立多谱融合SVM分类器;
步骤(3):利用步骤(2)中建立的多谱融合SVM分类器对步骤(1)中采集的样本进行识别。
2.根据权利要求1所述的基于PCA_LDA分析的多谱图特征融合识别方法,其特征在于,所述步骤(1)包括如下具体处理:
步骤(12):利用步骤(21)中的原始数据矩阵X和如下公式计算类内离差矩阵Sw:
步骤(13):利用步骤(21)中的原始数据矩阵X和如下公式计算类间离差矩阵Sb:
步骤(15):对步骤(24)中的投影矩阵WLDA进行PCA降维处理,得到PCA投影矩阵WPCA,再将PCA投影矩阵WPCA投影到q维空间中,得到q维空间特征矩阵XPCA,其中,XPCA=X·WPCA;
步骤(16):将WLDA、WPCA和XPCA利用如下公式完成最终的特征提取:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310098307.5A CN103198331B (zh) | 2013-03-25 | 2013-03-25 | 基于pca_lda分析的多谱图特征融合识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310098307.5A CN103198331B (zh) | 2013-03-25 | 2013-03-25 | 基于pca_lda分析的多谱图特征融合识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103198331A true CN103198331A (zh) | 2013-07-10 |
CN103198331B CN103198331B (zh) | 2017-02-08 |
Family
ID=48720862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310098307.5A Active CN103198331B (zh) | 2013-03-25 | 2013-03-25 | 基于pca_lda分析的多谱图特征融合识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103198331B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440292A (zh) * | 2013-08-16 | 2013-12-11 | 新浪网技术(中国)有限公司 | 基于比特向量的多媒体信息检索方法和*** |
CN109974835A (zh) * | 2018-12-29 | 2019-07-05 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和*** |
CN113138248A (zh) * | 2021-04-25 | 2021-07-20 | 贵州中烟工业有限责任公司 | 特征图谱提取方法及料液配制质量稳定性的检测方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040042500A (ko) * | 2002-11-14 | 2004-05-20 | 엘지전자 주식회사 | 얼굴 검출방법 및 그 장치 |
US20050123202A1 (en) * | 2003-12-04 | 2005-06-09 | Samsung Electronics Co., Ltd. | Face recognition apparatus and method using PCA learning per subgroup |
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN102479320A (zh) * | 2010-11-25 | 2012-05-30 | 康佳集团股份有限公司 | 一种人脸识别方法、装置及移动终端 |
CN102982322A (zh) * | 2012-12-07 | 2013-03-20 | 大连大学 | 基于pca图像重构和lda的人脸识别方法 |
-
2013
- 2013-03-25 CN CN201310098307.5A patent/CN103198331B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20040042500A (ko) * | 2002-11-14 | 2004-05-20 | 엘지전자 주식회사 | 얼굴 검출방법 및 그 장치 |
US20050123202A1 (en) * | 2003-12-04 | 2005-06-09 | Samsung Electronics Co., Ltd. | Face recognition apparatus and method using PCA learning per subgroup |
CN101093539A (zh) * | 2007-07-27 | 2007-12-26 | 哈尔滨工程大学 | 手指静脉特征提取与匹配识别方法 |
CN102479320A (zh) * | 2010-11-25 | 2012-05-30 | 康佳集团股份有限公司 | 一种人脸识别方法、装置及移动终端 |
CN102982322A (zh) * | 2012-12-07 | 2013-03-20 | 大连大学 | 基于pca图像重构和lda的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
张航: "《基于最优特征子集的葡萄品种识别》", 《中国优秀硕士学位论文全文数据库信息科技辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103440292A (zh) * | 2013-08-16 | 2013-12-11 | 新浪网技术(中国)有限公司 | 基于比特向量的多媒体信息检索方法和*** |
CN103440292B (zh) * | 2013-08-16 | 2016-12-28 | 新浪网技术(中国)有限公司 | 基于比特向量的多媒体信息检索方法和*** |
CN109974835A (zh) * | 2018-12-29 | 2019-07-05 | 无锡联河光子技术有限公司 | 一种基于光纤信号特征的振动检测识别和时空定位方法和*** |
CN113138248A (zh) * | 2021-04-25 | 2021-07-20 | 贵州中烟工业有限责任公司 | 特征图谱提取方法及料液配制质量稳定性的检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN103198331B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104297355B (zh) | 一种基于液相色谱/质谱联用的拟靶标代谢组学分析方法 | |
Pan et al. | Untargeted metabolomic analysis of Chinese red wines for geographical origin traceability by UPLC-QTOF-MS coupled with chemometrics | |
CN105574474B (zh) | 一种基于质谱信息的生物特征图像识别方法 | |
Xin et al. | Rapid identification of plant materials by wooden-tip electrospray ionization mass spectrometry and a strategy to differentiate the bulbs of Fritillaria | |
KR102044211B1 (ko) | 체류 시간 판정 또는 확인을 위한 윈도우가 있는 질량 분석 데이터의 사용 | |
CN106855552B (zh) | 一种利用非靶标代谢组学技术鉴别蜂蜜品种的方法 | |
CN105572212A (zh) | 一种基于可视化质谱信息的生晒参和红参快速识别方法 | |
CN103293141A (zh) | 基于离子迁移谱/质谱/拉曼光谱融合技术的白酒年份识别方法 | |
CN109781918B (zh) | 一种不同企业生产的黄酒的气相离子迁移谱鉴别方法 | |
CN104364641B (zh) | 血清及其它生物基质中的分析物的量化 | |
CN109416342A (zh) | 分析装置 | |
CN111060642A (zh) | 一种对同品种不同产地烟叶分类鉴别的方法 | |
CN109030611B (zh) | 一种基于离子迁移谱的快速、无损的绿茶香气指纹分析及香型判别的方法 | |
CN103198331B (zh) | 基于pca_lda分析的多谱图特征融合识别方法 | |
CN109214423B (zh) | 一种基于动静态数据融合的食品质量判别分析方法 | |
CN107192770B (zh) | 一种鉴别荆条蜜与糖浆掺假荆条蜜的分析方法 | |
CA2975812A1 (en) | Interference detection and peak of interest deconvolution | |
CN103675147A (zh) | 一种饮料中咖啡因的快速测定的方法 | |
Hung et al. | Classification and differentiation of agarwoods by using non-targeted HS-SPME-GC/MS and multivariate analysis | |
Deng et al. | Quality assessment and origin tracing of Guangdong Liangcha granules using direct mass spectrometry fingerprinting | |
Sharma et al. | A laconic review on liquid chromatography mass spectrometry (LC-MS) based proteomics technology in drug discovery | |
CN103235030A (zh) | 基于支持向量机和飞行时间质谱的白酒品牌鉴别方法 | |
CN112067734A (zh) | 一种番茄红素含量的液相色谱-串联质谱检测方法 | |
CN104849392B (zh) | 相对书写时间鉴定方法 | |
JP7380515B2 (ja) | 質量分析を用いた試料分析方法及び試料分析システム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
CB02 | Change of applicant information |
Address after: 210038 Jiangsu city of Nanjing Province Economic and Technological Development Zone No. 12 Chong Xing Ke Lu base room 103 Applicant after: Jiangsu Yipu Technology Co., Ltd. Address before: Baixia Road, Baixia District of Nanjing city of Jiangsu Province, No. 273 210000 Applicant before: Jiangsu Yipu Technology Co., Ltd. |
|
COR | Change of bibliographic data | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |