CN107292087A - 一种基于分子光谱分析的定性模型评估方法和*** - Google Patents
一种基于分子光谱分析的定性模型评估方法和*** Download PDFInfo
- Publication number
- CN107292087A CN107292087A CN201710329931.XA CN201710329931A CN107292087A CN 107292087 A CN107292087 A CN 107292087A CN 201710329931 A CN201710329931 A CN 201710329931A CN 107292087 A CN107292087 A CN 107292087A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mtd
- negative sample
- positive sample
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
Landscapes
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于分子光谱分析的定性模型评估方法和***,其中,基于分子光谱分析的定性模型评估方法,包括,对定性模型的正样本数量进行评估;对定性模型的负样本数量进行评估;对定性模型的正样本识别率进行评估;对定性模型的负样本识别率进行评估;基于正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,并对评分结果进行分析,从而完成分子光谱分析的步骤。基于分子光谱分析的定性模型***,包括,正样本数量评估模块、负样本数量评估模块、正样本识别率评估模块、负样本识别率评估模块、定性模型评分模块和评分结果分析模块。实现简单快速的得出分析结果及综合考虑到评估方法全面性的优点。
Description
技术领域
本发明涉及分子光谱分析领域,尤其涉及一种基于分子光谱分析的定性模型评估方法和***。
背景技术
目前,分子光谱分析技术在实际应用过程中,经常遇到只需要知道样品的类别或质量等级,并不需要知道样品中含有的组分数和含量的问题,即定性分析问题,这是需要用到化学计量学中的模式识别方法。通过光谱数据可对不同样本按某些共同的特征进行分类识别,从而发现被量测样本之间的内在联系,获得决策性的信息。
建立模式识别(或称定性模型)的步骤一般由四部分组成,包括数据获取、预处理、特征提取和选择以及分类决策。
而对于模式识别(或定性模型)性能的评价则通常采用以下参数对模型识别的性能进行评价:真正类TP:真样本被识别为真样本;假正类FP:真样本被识别为伪样本;真负类TN:伪样本被识别为伪样本;假负类FP:伪样本被识别为真样本;真正率TPR=TP/(TP+FN);真负率TNR=TN/(FP+TN);假正率FPR=1-TNR;正确分类率NER=(TP+TN)/n;误分类率ER=(FP+FN)/n;此处n为样本总数。从上述参数可知,当TPR=1、FPR=0时,所有样本都得到了正确分类。
但现有技术存在以下问题:
1.现有方法中的评价参数无法体现建模时校正集样品数量对模型产生的影响,仅用现在常用的TPR及FPR等参数并不能很好的观测出模型的好坏,由数量较小的样本集进行模型创建也能得到很好的TPR及FPR评估。2.各类模型评价参数相互独立,无法对模型进行较为全面的综合评价。不熟悉化学计量学的人员难以简便地通过现有评价参数得知模型优劣。
发明内容
为了克服现有技术的不足,本发明的目的在于实现简单快速的得出分析结果及综合考虑到评估方法全面性的优点。
本发明的目的采用如下技术方案实现:
一种基于分子光谱分析的定性模型评估方法,包括,
对定性模型的正样本数量进行评估的步骤;
对定性模型的负样本数量进行评估的步骤;
对定性模型的正样本识别率进行评估的步骤;
对定性模型的负样本识别率进行评估的步骤;
基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,并对评分结果进行分析,从而完成分子光谱分析的步骤。
进一步地,上述对定性模型的正样本数量进行评估的步骤,具体为:
其中,n为正样本数量,amountP表示正样本数量评估结果,若正样本数量大于500,则amountP将给出100分。
进一步地,上述对定性模型的负样本数量进行评估的步骤,具体为:
其中,n’为负样本数量,amountN为负样本数量评估结果,若负样本数量大于500,则amountN将给出100分。
进一步地,上述对定性模型的正样本识别率进行评估的步骤,具体为:
其中,ncorrect为校正集交互验证过程中被预测为正样本的样本个数,n为正样本数量,rateP为正样本识别率评估结果。
进一步地,上述对定性模型的负样本识别率进行评估的步骤,具体为:
其中,n′correct为校正集交互验证过程中被预测为负样本的样本个数,n’为负样本数量,rateN为负样本识别率评估结果。
进一步地,上述基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,具体为:
其中,m=n+n’即m为正样本量和负样本量的和。
本发明的目的还采用如下技术方案实现:
一种基于分子光谱分析的定性模型评估***,包括,
正样本数量评估模块:对定性模型的正样本数量进行评估;
负样本数量评估模块:对定性模型的负样本数量进行评估;
正样本识别率评估模块:对定性模型的正样本识别率进行评估;
负样本识别率评估模块:对定性模型的负样本识别率进行评估;
定性模型评分模块:基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分;
评分结果分析模块:对定性模型评分模块的评分结果进行分析,从而完成分子光谱分析。
进一步地,所述正样本数量评估模块对定性模型的正样本数量进行评估,具体为:
其中,n为正样本数量,amountP表示正样本数量评估结果,若正样本数量大于500,则amountP将给出100分。
进一步地,所述负样本数量评估模块对定性模型的负样本数量进行评估,具体为:
其中,n’为负样本数量,amountN为负样本数量评估结果,若负样本数量大于500,则amountN将给出100分;
所述正样本识别率评估模块对定性模型的正样本识别率进行评估,具体为:
其中,ncorrect为校正集交互验证过程中被预测为正样本的样本个数,n为正样本数量,rateP为正样本识别率评估结果;
所述负样本识别率评估模块对定性模型的负样本识别率进行评估,具体为:
其中,n′correct为校正集交互验证过程中被预测为负样本的样本个数,n’为负样本数量,rateN为负样本识别率评估结果。
进一步地,所述定性模型评分模块:基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,具体为:
其中,m=n+n’即m为正样本量和负样本量的和。
相比现有技术,本发明的有益效果在于:
本技术方案引入模型评分的概念,选取对定性模型具有评价意义的参数进行数学变换及加权融合,从而给出一个易于理解的百分制模型评分,一定程度上消除了样品间测量尺度不同、数据量纲差异对常用模型评价参数的影响。达到简单快速的得出分析结果及综合考虑到评估方法全面性的目的。
附图说明
图1为发明实施例一基于分子光谱分析的定性模型评估方法的流程图;
图2为发明实施例二基于分子光谱分析的定性模型评估***的原理框图;
图3为发明基于分子光谱分析的定性模型评估方法和***中n与正样本数量评估结果的曲线图;
图4为发明基于分子光谱分析的定性模型评估方法和***中n’与负样本数量评估结果的曲线图;
图5为发明基于分子光谱分析的定性模型评估方法和***中与正样本识别率评估结果的曲线图;
图6为发明基于分子光谱分析的定性模型评估方法和***中与负样本识别率评分结果的曲线图;
图7为发明采用基于分子光谱分析的定性模型评估方法和***在样本数量为10时的模型评分雷达图;
图8为发明采用基于分子光谱分析的定性模型评估方法和***在样本数量为50时的模型评分雷达图;
图9为发明采用基于分子光谱分析的定性模型评估方法和***在样本数量为100时的模型评分雷达图;
图10为发明采用基于分子光谱分析的定性模型评估方法和***在样本数量为657时的模型评分雷达图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
实施例一:
如图1所示一种基于分子光谱分析的定性模型评估方法,包括,
对定性模型的正样本数量进行评估的步骤;
对定性模型的负样本数量进行评估的步骤;
对定性模型的正样本识别率进行评估的步骤;
对定性模型的负样本识别率进行评估的步骤;
基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,并对评分结果进行分析,从而完成分子光谱分析的步骤。
对评分结果进行分析即将得到的参数罗列后,得出雷达图,雷达图能快速方便的显示出分子光谱分析结果。
对定性模型的正样本数量进行评估的步骤,具体为:
其中,n为正样本数量,amountP表示正样本数量评估结果,若正样本数量大于500,则amountP将给出100分,即满分。
对定性模型的负样本数量进行评估的步骤,具体为:
其中,n’为负样本数量,amountN为负样本数量评估结果,若负样本数量大于500,则amountN将给出100分,即满分。
对定性模型的正样本识别率进行评估的步骤,具体为:
其中,ncorrect为校正集交互验证过程中被预测为正样本的样本个数,n为正样本数量,rateP为正样本识别率评估结果。
对定性模型的负样本识别率进行评估的步骤,具体为:
其中,n′correct为校正集交互验证过程中被预测为负样本的样本个数,n’为负样本数量,rateN为负样本识别率评估结果。
基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,具体为:
其中,m=n+n’即m为正样本量和负样本量的和。若m小于100,数量评分将会占有较大权重,从而扣掉足够的分数。
实施例二:
如图2所示,一种基于分子光谱分析的定性模型评估***,包括,
正样本数量评估模块:对定性模型的正样本数量进行评估;
负样本数量评估模块:对定性模型的负样本数量进行评估;
正样本识别率评估模块:对定性模型的正样本识别率进行评估;
负样本识别率评估模块:对定性模型的负样本识别率进行评估;
定性模型评分模块:基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分;
评分结果分析模块:对定性模型评分模块的评分结果进行分析,从而完成分子光谱分析。
正样本数量评估模块对定性模型的正样本数量进行评估,具体为:
其中,n为正样本数量,amountP表示正样本数量评估结果,若正样本数量大于500,则amountP将给出100分。
负样本数量评估模块对定性模型的负样本数量进行评估,具体为:
其中,n’为负样本数量,amountN为负样本数量评估结果,若负样本数量大于500,则amountN将给出100分;
正样本识别率评估模块对定性模型的正样本识别率进行评估,具体为:
其中,ncorrect为校正集交互验证过程中被预测为正样本的样本个数,n为正样本数量,rateP为正样本识别率评估结果;
负样本识别率评估模块对定性模型的负样本识别率进行评估,具体为:
其中,n′correct为校正集交互验证过程中被预测为负样本的样本个数,n’为负样本数量,rateN为负样本识别率评估结果。
定性模型评分模块:基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,具体为:
其中,m=n+n’即m为正样本量和负样本量的和。
采用实施例一和实施例二基于分子光谱分析的定性模型评估方法和***中n与样本数量评估结果的曲线图如图3所示,图中n为横坐标,正样本数量评估结果为纵坐标。
基于分子光谱分析的定性模型评估方法和***中n’与负样本数量评估结果的曲线图如图4所示,图中n’为横坐标,负样本数量评估结果为纵坐标。
基于分子光谱分析的定性模型评估方法和***中与正样本识别率评估结果的曲线图如图5所示,图中为横坐标,正样本识别率评估结果为纵坐标。
基于分子光谱分析的定性模型评估方法和***中与负样本识别率评分结果的曲线图如图6所示,图中为横坐标,负样本识别率评分结果为纵坐标。
基于上述公开的技术方案,对于同一批近红外光谱及测量数据,分别使用10条抽取样本,50条抽取样本,100条抽取样本,657条全样本进行定性模型创建,得到如表1至表4的评分结果。
评价参数 | 分值 |
amountP | 28.831415 |
amountN | 25.897657 |
rateP | 100 |
rateN | 100 |
score | 63.682268 |
表1、样本数量为10模型评分结果表;
基于表1得到的雷达图如图7所示。
评价参数 | 分值 |
amountP | 52.42642 |
amountN | 63.267475 |
rateP | 100 |
rateN | 100 |
Score | 78.923474 |
表2、样本数量为50模型评分结果表;
基于表2得到的雷达图如图8所示。
评价参数 | 分值 |
amountP | 63.267475 |
amountN | 63.267475 |
rateP | 100 |
rateN | 100 |
score | 81.633738 |
表3、样本数量为100模型评分结果表;
基于表3得到的雷达图如图9所示。
评价参数 | 分值 |
amountP | 94.758637 |
amountN | 91.672611 |
rateP | 100 |
rateN | 100 |
score | 98.643125 |
表4、样本数量为657模型评分结果表;
基于表4得到的雷达图如图10所示。
光谱结合化学计量学方法用于定性分析大都是采用同样一种模式,即基于一组已知样品建立校正模型。这一组已知样品称为校正集样品或训练集样品,通过这组样品的光谱及其对应基础数据(理化数据),利用多元矫正或模式识别方法建立校正或识别模型。对于待测样品,只需测定其光谱,根据已建的模型便可快速给出定性结果。
本技术方案有以下特点:
1.引入了建模时训练集的样品数量对模型的影响,训练集样品数量应足够多,以能有效提取出光谱与待测组分之间的数学关系,对于数量不达标的模型将被扣分。
2,解决此问题:上述SEP会受训练集的理化数据影响,理化值大的样品集所建的模型,其SEP相对大,从而导致不同样品模型之间的SEP无可比性。
3,优质模型的训练集基础数据(理化数据)需具有代表性,其组成应包含以后待测样品所包含的所有化学组分,其变化范围应大于待测样品对应性质的变化范围。对此,引入变异系数(标准差/均值),并通过数学手段进行转换,从而对样本的代表性进行评分。
4.将各类影响因素进行加权融合,给出模型的综合评分,该评分使用百分制展现,让不懂化学计量学的人员也能直观了解定标模型的优劣。
5.解决以下问题:仅用现在常用的SEP及RP值并不能很好的观测出模型的好坏,由数量较小的样本集进行模型创建也能得到很好的SEP及RP评估。
上述实施方式仅为本发明的优选实施方式,不能以此来限定本发明保护的范围,本领域的技术人员在本发明的基础上所做的任何非实质性的变化及替换均属于本发明所要求保护的范围。
Claims (10)
1.一种基于分子光谱分析的定性模型评估方法,其特征在于:包括,
对定性模型的正样本数量进行评估的步骤;
对定性模型的负样本数量进行评估的步骤;
对定性模型的正样本识别率进行评估的步骤;
对定性模型的负样本识别率进行评估的步骤;
基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,并对评分结果进行分析,从而完成分子光谱分析的步骤。
2.如权利要求1所述的基于分子光谱分析的定性模型评估方法,其特征在于:上述对定性模型的正样本数量进行评估的步骤,具体为:
<mrow>
<msub>
<mi>amount</mi>
<mi>P</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mi>n</mi>
</mrow>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mn>500</mn>
</mrow>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo><</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>&GreaterEqual;</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,n为正样本数量,amountP表示正样本数量评估结果,若正样本数量大于500,则amountP将给出100分。
3.如权利要求2所述的基于分子光谱分析的定性模型评估方法,其特征在于:上述对定性模型的负样本数量进行评估的步骤,具体为:
<mrow>
<msub>
<mi>amount</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mn>500</mn>
</mrow>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
<mo><</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
<mo>&GreaterEqual;</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,n’为负样本数量,amountN为负样本数量评估结果,若负样本数量大于500,则amountN将给出100分。
4.如权利要求3所述的基于分子光谱分析的定性模型评估方法,其特征在于:上述对定性模型的正样本识别率进行评估的步骤,具体为:
<mrow>
<msub>
<mi>rate</mi>
<mi>P</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>r</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
</mrow>
</msub>
<mi>n</mi>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>;</mo>
</mrow>
其中,ncorrect为校正集交互验证过程中被预测为正样本的样本个数,n为正样本数量,rateP为正样本识别率评估结果。
5.如权利要求4所述的基于分子光谱分析的定性模型评估方法,其特征在于:上述对定性模型的负样本识别率进行评估的步骤,具体为:
<mrow>
<msub>
<mi>rate</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>r</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mi>n</mi>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>;</mo>
</mrow>
其中,n′correct为校正集交互验证过程中被预测为负样本的样本个数,n’为负样本数量,rateN为负样本识别率评估结果。
6.如权利要求5所述的基于分子光谱分析的定性模型评估方法,其特征在于:上述基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,具体为:
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>e</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>amount</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>+</mo>
<msub>
<mi>amount</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mo><</mo>
<mn>100</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>amount</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.1</mn>
<mo>+</mo>
<msub>
<mi>amount</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.1</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.4</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.4</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mo>&GreaterEqual;</mo>
<mn>100</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
1
其中,m=n+n’即m为正样本量和负样本量的和。
7.一种基于分子光谱分析的定性模型评估***,其特征在于:包括,
正样本数量评估模块:对定性模型的正样本数量进行评估;
负样本数量评估模块:对定性模型的负样本数量进行评估;
正样本识别率评估模块:对定性模型的正样本识别率进行评估;
负样本识别率评估模块:对定性模型的负样本识别率进行评估;
定性模型评分模块:基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分;
评分结果分析模块:对定性模型评分模块的评分结果进行分析,从而完成分子光谱分析。
8.如权利要求7所述的基于分子光谱分析的定性模型评估***,其特征在于:所述正样本数量评估模块对定性模型的正样本数量进行评估,具体为:
<mrow>
<msub>
<mi>amount</mi>
<mi>P</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mi>n</mi>
</mrow>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mn>500</mn>
</mrow>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo><</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>n</mi>
<mo>&GreaterEqual;</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,n为正样本数量,amountP表示正样本数量评估结果,若正样本数量大于500,则amountP将给出100分。
9.如权利要求8所述的基于分子光谱分析的定性模型评估***,其特征在于:所述负样本数量评估模块对定性模型的负样本数量进行评估,具体为:
<mrow>
<msub>
<mi>amount</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mfrac>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
</mrow>
<mrow>
<msub>
<mi>log</mi>
<mn>10</mn>
</msub>
<mn>500</mn>
</mrow>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
<mo><</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>100</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
<mo>&GreaterEqual;</mo>
<mn>500</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
其中,n’为负样本数量,amountN为负样本数量评估结果,若负样本数量大于500,则amountN将给出100分;
所述正样本识别率评估模块对定性模型的正样本识别率进行评估,具体为:
<mrow>
<msub>
<mi>rate</mi>
<mi>P</mi>
</msub>
<mo>=</mo>
<mfrac>
<msub>
<mi>n</mi>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>r</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
</mrow>
</msub>
<mi>n</mi>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>;</mo>
</mrow>
其中,ncorrect为校正集交互验证过程中被预测为正样本的样本个数,n为正样本数量,rateP为正样本识别率评估结果;
所述负样本识别率评估模块对定性模型的负样本识别率进行评估,具体为:
<mrow>
<msub>
<mi>rate</mi>
<mi>N</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<msup>
<mi>n</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>r</mi>
<mi>e</mi>
<mi>c</mi>
<mi>t</mi>
</mrow>
</msub>
</mrow>
<mi>n</mi>
</mfrac>
<mo>*</mo>
<mn>100</mn>
<mo>;</mo>
</mrow>
其中,n′correct为校正集交互验证过程中被预测为负样本的样本个数,n’为负样本数量,rateN为负样本识别率评估结果。
10.如权利要求9所述的基于分子光谱分析的定性模型评估***,其特征在于:所述定性模型评分模块:基于上述正样本数量、负样本数量、正样本识别率和负样本识别率的评估结果对定性模型进行评分,具体为:
<mrow>
<mi>s</mi>
<mi>c</mi>
<mi>o</mi>
<mi>r</mi>
<mi>e</mi>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>amount</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>+</mo>
<msub>
<mi>amount</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.25</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mo><</mo>
<mn>100</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>amount</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.1</mn>
<mo>+</mo>
<msub>
<mi>amount</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.1</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>P</mi>
</msub>
<mo>*</mo>
<mn>0.4</mn>
<mo>+</mo>
<msub>
<mi>rate</mi>
<mi>N</mi>
</msub>
<mo>*</mo>
<mn>0.4</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>m</mi>
<mo>&GreaterEqual;</mo>
<mn>100</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>;</mo>
</mrow>
2
其中,m=n+n’即m为正样本量和负样本量的和。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710329931.XA CN107292087A (zh) | 2017-05-11 | 2017-05-11 | 一种基于分子光谱分析的定性模型评估方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710329931.XA CN107292087A (zh) | 2017-05-11 | 2017-05-11 | 一种基于分子光谱分析的定性模型评估方法和*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107292087A true CN107292087A (zh) | 2017-10-24 |
Family
ID=60093966
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710329931.XA Pending CN107292087A (zh) | 2017-05-11 | 2017-05-11 | 一种基于分子光谱分析的定性模型评估方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107292087A (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837492A (zh) * | 2014-02-24 | 2014-06-04 | 西北农林科技大学 | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 |
CN104657574A (zh) * | 2014-06-13 | 2015-05-27 | 苏州大学 | 一种医疗诊断模型的建立方法及装置 |
CN104764717A (zh) * | 2015-03-25 | 2015-07-08 | 浙江理工大学 | 一种利用近红外光谱分析技术快速测定纺织品中蚕丝含量的方法 |
CN104931454A (zh) * | 2015-06-23 | 2015-09-23 | 浙江理工大学 | 一种利用近红外光谱分析技术快速测定纺织品中莱卡纤维含量的方法 |
CN105260830A (zh) * | 2015-09-30 | 2016-01-20 | 国家电网公司 | 一种局放智能组件性能评估方法 |
-
2017
- 2017-05-11 CN CN201710329931.XA patent/CN107292087A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837492A (zh) * | 2014-02-24 | 2014-06-04 | 西北农林科技大学 | 一种基于近红外光谱技术的猕猴桃膨大果无损检测方法 |
CN104657574A (zh) * | 2014-06-13 | 2015-05-27 | 苏州大学 | 一种医疗诊断模型的建立方法及装置 |
CN104764717A (zh) * | 2015-03-25 | 2015-07-08 | 浙江理工大学 | 一种利用近红外光谱分析技术快速测定纺织品中蚕丝含量的方法 |
CN104931454A (zh) * | 2015-06-23 | 2015-09-23 | 浙江理工大学 | 一种利用近红外光谱分析技术快速测定纺织品中莱卡纤维含量的方法 |
CN105260830A (zh) * | 2015-09-30 | 2016-01-20 | 国家电网公司 | 一种局放智能组件性能评估方法 |
Non-Patent Citations (4)
Title |
---|
尚俊: "基于HOG特征的目标识别算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
褚小立 等: "近红外光谱定量校正模型的建立及应用", 《理化检验-化学分册》 * |
邱坚: "《建设制造强国背景下林业工程 人才培养模式与科研创新》", 29 February 2016 * |
鲍一丹 等: "近红外高光谱成像技术快速鉴别国产咖啡豆品种", 《光学精密工程》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103134767B (zh) | 一种红外光谱校正鉴定白酒品质的方法 | |
CN106018545B (zh) | 一种基于Adaboost-RBF协同的管道缺陷漏磁反演方法 | |
CN105630743A (zh) | 一种光谱波数的选择方法 | |
CN104990894B (zh) | 一种基于加权吸光度及相似样本的汽油性质检测方法 | |
CN104713845B (zh) | 基于太赫兹吸收光谱数据处理的混合物成分识别方法 | |
CN109253985B (zh) | 基于神经网络的近红外光谱识别古筝面板用木材等级的方法 | |
CN105334185B (zh) | 基于光谱投影判别的近红外模型维护方法 | |
KR102613725B1 (ko) | 환경 빅데이터 및 머신 러닝을 기반으로 한 고분자 재료의 사용 수명 예측 방법 | |
CN104596957A (zh) | 基于可见光近红外光谱技术的土壤铜含量估算方法 | |
CN105424641A (zh) | 一种原油种类的近红外光谱识别方法 | |
CN103134850A (zh) | 一种基于特征香气的茶叶品质快速检测装置及检测方法 | |
CN108872129A (zh) | 一种基于偏最小二乘法的绝缘纸近红外光谱解析方法 | |
CN105136736A (zh) | 在线近红外样本量确定方法 | |
CN101339150B (zh) | 基于介电谱技术测定汽油辛烷值的方法 | |
DE102015117468A1 (de) | Verfahren zum Bestimmen von Eigenschaften eines kohlenwasserstoffhaltigen Gasgemisches und Vorrichtung dafür | |
DE102016121226A1 (de) | Verfahren zum Bestimmen von Eigenschaften eines kohlenwasserstoffhaltigen Gasgemisches und Vorrichtung dafür | |
CN102288573A (zh) | 一种利用中红外光谱技术快速识别发动机燃料种类和牌号方法 | |
CN106706558A (zh) | 一种剔除校正集异常样本的方法 | |
CN106126883B (zh) | 油套管质量水平评价方法 | |
CN106248621A (zh) | 一种评价方法与*** | |
CN107132311A (zh) | 一种基于频域特征提取的快速气体识别算法 | |
CN106442474A (zh) | 一种基于偏最小二乘法的水泥生料三率值测量方法 | |
CN104833652A (zh) | 一种混合材料中纤维素硝酸酯含量的快速分析方法 | |
CN104237159A (zh) | 一种近红外光谱分析混合材料中邻苯二甲酸二丁酯含量的方法 | |
CN102338743A (zh) | 一种识别发动机燃料种类和牌号中红外光谱方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171024 |
|
RJ01 | Rejection of invention patent application after publication |