与隐含层之间的权值以及隐含层神经元的偏置只需随机设定，且训练过程无需调整。因此网络训练前先确定隐含层神经元数目，实施中，可将隐含层神经元数目初始化为5，并以5为步长增加到训练集样品数目，来确定最佳的隐含层神经元数目。本发明中以Sigmoidal函数为ELM网络隐含层神经元的激励函数。
[0023]实施例
[0024]1.样品收集与光谱采集
[0025]供试苹果为红富士苹果，产地山东省，适合鲜食，但货架期短，易在贮藏、运输等过程中受到损害。挑选中等大小，色泽相近且无病虫害和机械损伤的苹果80个，采摘当日即运往实验室室温下(25°C，RH50%-60%)贮藏。由于苹果从采摘后来到室温下，需要一个平衡过程，成分变化较大，贮藏两天，进行第一次光谱采集。采谱完成后，将样品继续贮藏，七天后，进行第二次光谱采集。如附图2所示，图中虚线为某一样品第一次采集的光谱，实线为其第二次采集的光谱，从图中可以看出，不同货架期的样品近红外光谱存在着差异。两次采集共得到160条光谱数据，包括两种货架期类别，将所有数据用Kennard/Stone (Κ/S)算法按3:1数量比划分为训练集样品和预测集样品，Κ/S算法是根据样品间光谱欧氏距离来计算样品差异的，据此可得到最具代表性的训练集样品。光谱采集仪器为美国Thermo Nicolet公司生产的Nexus870型傅里叶近红外光谱仪，带有用于漫反射的Smart near-1R附件。谱区采集范围:800nm-1850nm，实验均在室温下进行。实验中对每个样品沿赤道进行12次不同位置的扫描，使用BaSO4化片做为参比样品，取其平均光谱。为避免杂散光的干扰，采集光谱时使用了1.5mm垫片遮光。模型建立软件基于Matlab2013a进行。
[0026]2.光谱数据处理
[0027]为压缩近红外光谱数据，对采集到的原始光谱进行离散小波变换，小波基函数选择db2，分解至3层，压缩后数据约占原数据量的12%，且压缩后数据包含了原始数据的大部分信息。
[0028]用JADE算法分解压缩后矩阵。JADE算法中需设置独立分量数，该值代表了待分解矩阵中独立成分的个数，关系到JADE算法的有效性和建模速度与精度。将独立分量数的初始值设为5，为找到最佳独立分量数，以I为步长依次将独立分量数增加至10，并进行分析，得到独立分量最优值为7。根据独立分量值，使用JADE算法分解压缩后矩阵得到了独立分量矩阵和与其对应的解混阵。
[0029]3.建立极限学习机分析模型
[0030]极限学习机建模分析中，单隐层神经元个数的选取对模型的分类识别至关重要。本实施例中，先分别选取“Sigmoidal”、“Sine”、和“Hardlim”函数作为ELM模型隐含层激励函数。经试验可知，当隐含层激励函数选为“Sigmoidal”函数时，模型判别性能较为稳定，且具有较高的判别精度。为得到最佳模型参数，将隐含层神经元个数设为5，以5为步长依次增加至60，在各神经元取值下重复训练10次，最终将ELM隐层神经元数确定为30。以经JADE分解后得到的解混阵作为模型输入，模型内部交叉验证考察极限学习机模型的泛化能力，模型交叉验证准确率为98.75%。将预测集样品的40条光谱导入模型，对其货架期预测，经验证，预测结果与实际情况有极好的线性关系，预测准确率达97.5%，从而验证了极限学习机分析模型的正确性。
[0031]4.待鉴别样品的货架期鉴别
[0032]将待鉴别样品的光谱采集后，逐步使用离散小波变换、JADE分解方法做预处理，输入至极限学习机分析模型中，输出待鉴别样品货架期。
【主权项】
1.一种基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法，其特征在于，包括以下步骤: (1)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； (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； (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模型； 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。2.根据权利要求1所述的基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法，其特征在于，所述步骤(I)具体实现如下: 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，η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。3.根据权利要求1所述的基于JADE和ELM的近红外光谱分析鉴别苹果货架期的方法，其特征在于，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。
【专利摘要】本发明公开了一种基于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：(1)收集样品，采集样品光谱，得到样品近红外漫反射光谱数据，并使用离散小波变换压缩原始近红外光谱数据；(2)将压缩光谱数据使用特征矩阵联合近似对角化算法分解，得到独立分量矩阵和解混阵；(3)使用极限学习机方法，将解混阵作为模型输入，对应的货架期作为输出，建立极限学习机分析模型；(4)模型的质量评价，对待鉴别样品的货架期测定。本发明能够快速鉴别苹果货架期，丰富了化学计量学方法，具有良好的应用前景。
【IPC分类】G01N21/359
【公开号】CN105651727
【申请号】
【发明人】林敏 , 焦亮, 刘辉军
【申请人】中国计量学院
【公开日】2016年6月8日
【申请日】2015年12月28日