專利名稱：高精度分辨中藥材品種、產(chǎn)地及生長方式的紅外光譜特征提取方法
技術(shù)領(lǐng)域：
本發(fā)明屬于對中藥材品種、產(chǎn)地及生長方式的自動識別方法的技術(shù)領(lǐng)域。
背景技術(shù)：
中藥是中華民族在悠久的歷史進程中與疾病斗爭的科學(xué)結(jié)晶和向人類貢獻的璀璨
瑰寶，療效突出。然而由于當(dāng)代全球醫(yī)療科技的迅猛發(fā)展，中藥的傳統(tǒng)優(yōu)勢地位正在 受到?jīng)_擊。目前我國中藥市場上存在著的一些質(zhì)量問題，已對中醫(yī)藥的信譽、療效和 人們的生命健康帶來了不良的后果。
中藥材的質(zhì)量是中藥質(zhì)量的基礎(chǔ)，中藥材質(zhì)量鑒別在中藥療效、安全及發(fā)展中扮演 著極其重要的作用。目前，中藥材的鑒別主要有二大方法(1)基于經(jīng)驗的性狀鑒別， 及(2)理化鑒別方法。前者主要直接透過觀察藥材的形狀、顏色、氣味、尺寸及剖面 而鑒定其質(zhì)量，因此對觀察者要求極其嚴格，必須經(jīng)過長期的經(jīng)驗積累。但即使這樣， 此方法人為誤差依然較大。相比之下，理化鑒別以分離或以微區(qū)分析為基礎(chǔ)，如色譜 指紋圖譜的應(yīng)用對于解決質(zhì)量的整體控制起到了一定的作用。但這種技術(shù)相對復(fù)雜、 費時、成本高，而且屬于靈敏、精細的微觀方法，重復(fù)性較差。因此，這種方法不適 合從宏觀角度，定性的快速鑒定中藥材質(zhì)量。
中藥材的質(zhì)量決定于所含化學(xué)成分和各成分的比例，因而與它的產(chǎn)地及生長方式有 著密不可分的關(guān)系。通過找出中藥材的真實來源地及生長方式，從宏觀上為中藥材質(zhì) 量鑒別提供了一條快速而簡易的可行方法。中藥材種類、產(chǎn)地及生長方式的不同，將 會造成中藥材紅外光譜的差異。我們知道，用紅外光譜鑒定化合物，其優(yōu)點是簡便、 迅速和可靠；同時樣品用量少、可回收；對樣品也無特殊要求，無論氣體、液體和固體均可進行檢測。而自從20世紀70年代后期傅里葉變換技術(shù)引入紅外光譜領(lǐng)域以來， 化合物紅外光譜的獲得已變得相當(dāng)容易、快速和精確，這就為通過紅外光譜鑒定中藥 材質(zhì)量提供了一個嶄新的平臺。將紅外光譜法與計算機和模式識別技術(shù)相結(jié)合，將 使中藥材質(zhì)量鑒定手段產(chǎn)生巨大的飛躍。根據(jù)模式識別原理，通過紅外頻譜識別中藥 材的品種、產(chǎn)地及生長方式的過程可分為訓(xùn)練及判別二個基本階段。在訓(xùn)練階段中， 先利用紅外光譜儀獲取相當(dāng)數(shù)量的巳知真實產(chǎn)地和生長方式的中藥材樣本的紅外光譜 圖，再利用信號處理技術(shù)對各光譜圖進行預(yù)處理、特征提取和選擇。經(jīng)過訓(xùn)練階段， 這些中藥材樣本的紅外光譜原始測量數(shù)據(jù)映像為高維空間中的特征向量，不同種類、 產(chǎn)地和生長方式的中藥材樣本的特征向量應(yīng)形成不同的集群。在判別階段中，送檢 的中藥材紅外光譜進行一系列與訓(xùn)練階段一致的處理，被映像到訓(xùn)練樣本集的特征空 間中，再用分類算法判別其種類、產(chǎn)地和生長方式。上述方法的核心關(guān)鍵是如何從中 藥材紅外光譜圖提取有效特征，更具體地說，是從紅外光譜的哪些頻率(波數(shù))點處 對光譜幅度進行抽樣用以提取有效特征。目前已有一些科學(xué)工作者在這方面作了有益 的探索，例如憑藥物理論知識和經(jīng)驗在某些特征峰所在處提取特征，或者通過貪婪搜
索法搜索特征譜段提取特征。這些方法有下列局限需要有關(guān)人員具有較高的藥物知
識水平和豐富的經(jīng)驗積累，效率不高而缺少普遍適用性，不便于推廣到品種、產(chǎn)地及 生長方式較多情況下的中藥材鑒別。
為了使基于紅外頻譜的對多種中藥材的品種、產(chǎn)地及生長方式的自動識別技術(shù)盡 早推廣應(yīng)用，異常迫切需要尋找出一個既具有普遍適用性，又能服務(wù)于高精度鑒別中 藥材品種、產(chǎn)地及生長方式的紅外光譜特征提取方法。

發(fā)明內(nèi)容
技術(shù)問題
本發(fā)明的目的是給出一個既具有普遍適用性，又能服務(wù)于高精度鑒別多種中藥材 品種、產(chǎn)地及生長方式的紅外光譜特征提取方法，建立一個操作方便、顯示內(nèi)容豐富、 有利于開發(fā)新算法的紅外光譜識別系統(tǒng)。為了使初始特征提取有利于紅外光譜分類， 本發(fā)明提出了一個能綜合反映紅外光譜中各頻率(波數(shù))點處的類間樣本差異與類內(nèi) 樣本差異的"類間類內(nèi)差異比"譜函數(shù)(也稱為VoM/MoV函數(shù))。為了有利于在特 征空間中采用簡單而高效的算法判別送檢樣本的類別，本發(fā)明提出了一個實現(xiàn)訓(xùn)練樣 本特征向量在多維空間中分布最優(yōu)化的迭代算法。 技術(shù)方案s
本發(fā)明以下列條件作基礎(chǔ)對于要求鑒別的每一種中藥材(例如丹參、人參等)， 己經(jīng)獲取了用傅里葉變換紅外光譜儀測得的、己知產(chǎn)地和生長方式的相當(dāng)數(shù)量樣本的 紅外光譜。
對于要求鑒別的每一種中藥材，根據(jù)獲取的紅外光譜的特點進行數(shù)據(jù)的預(yù)處理(包
括歸一化，去噪，求導(dǎo)等)，然后求取類間類內(nèi)差異比譜函數(shù)(VoM/MoV函數(shù))；根據(jù) VoM/MoV函數(shù)指示的位置，從紅外光譜的指紋區(qū)抽取經(jīng)過預(yù)處理的波形幅度值作為初 始特征；再通過K-L變換進行維數(shù)壓縮并通過一種迭代算法實現(xiàn)訓(xùn)練樣本特征向量在 多維空間中的分布最優(yōu)化。對送檢的中藥材紅外光譜，進行一系列與每一種中藥材訓(xùn) 練階段一致的處理，使之映像到訓(xùn)練樣本集的特征空間中，再用分類算法判別該中藥 材的種類、產(chǎn)地和生長方式。為了操作方便、顯示內(nèi)容豐富、有利于開發(fā)新算法，本 發(fā)明專門研制一套由Visual 〔++語言編寫的軟件系統(tǒng)。該軟件系統(tǒng)不但使紅外光譜數(shù)據(jù)文件的調(diào)用、轉(zhuǎn)換和處理非常容易，而且具有科學(xué)計算可視化的功能，可以將每一歩 驟的結(jié)果以彩色圖形的方式及時顯示。
本發(fā)明提供一個既具有普遍適用性，又能高精度分辨中藥材品種、產(chǎn)地及生長方 式的紅外光譜特征提取方法?？梢愿呔?、快速且同時檢測多品種中藥材的產(chǎn)地及生 長方式，從而可從宏觀上定性檢測藥材的質(zhì)量及真假。
基于所發(fā)明的紅外光譜特征提取方法，可將在訓(xùn)練歩驟中的分類結(jié)果存于遠程服
務(wù)器數(shù)據(jù)庫，并對受測藥材光譜特征進行網(wǎng)上査詢，可開發(fā)出基于Web的快速及有效的
中藥材品種、產(chǎn)地及生長方式在線檢測系統(tǒng)。
給定相當(dāng)數(shù)量的已知質(zhì)量級數(shù)的中藥材紅外光譜圖，本發(fā)明可快速測定受檢未知
藥材的真假及質(zhì)量級數(shù)。
本發(fā)明可用于對食品及飲品類的真、劣、假進行快速準(zhǔn)確的檢測。


圖1是丹參的訓(xùn)練集樣本的產(chǎn)地及生長方式顯示。
圖2是丹參的測試集樣本的產(chǎn)地及生長方式顯示。
圖3是丹參訓(xùn)練集樣本在30維特征空間中A -x2平面上的投影顯示。
圖4是對丹參某個測試樣本的識別結(jié)果。
圖5是圖4結(jié)果在30維特征空間中x7 -^平面上的投影顯示。
圖6是系統(tǒng)對丹參錯誤識別的整體顯示。
圖7是對人參的某個樣本的識別結(jié)果。
圖8是對不在識別范圍內(nèi)(其品種未對系統(tǒng)進行過訓(xùn)練)的某個樣本的測試結(jié)果。 圖9是圖8的測試樣本與人參訓(xùn)練集樣本在30維特征空間中A -x2平面上的投影
10顯示。與其它對系統(tǒng)進行過訓(xùn)練的中藥材相比，在特征空間中人參與該樣本最接近。
圖10是丹參訓(xùn)練集樣本紅外光譜經(jīng)歸一化和平滑之后的一階導(dǎo)數(shù)譜的"類間類內(nèi)
差異比譜函數(shù)"的一段。此段包含了指紋區(qū)。其余部分已被切除。
圖11是實現(xiàn)訓(xùn)練樣本特征向量在多維空間中分布最優(yōu)化的算法流圖。
具體實施例方式
由于所獲取的紅外光譜原始數(shù)據(jù)文件有可能是以不同的格式存儲的(例如*.asc或 氣sp)，并且存儲的光譜幅度值可能是"百分透過率(percenttransmission)",也可能是"吸 光度(absorbance)"。為了方便后續(xù)處理，本方案第一步是將用于訓(xùn)練的每個數(shù)據(jù)文件 中的光譜幅度值讀取出來按統(tǒng)一的格式保存到單獨的文件目錄中(保存前，如果某幅 度值是吸光度，則轉(zhuǎn)換為百分透過率)，并將中藥材的品種、產(chǎn)地和生長方式信息以統(tǒng) 一規(guī)定的代碼添加到文件名中。
為了突出譜線的變化部分，消除各譜線基線不同帶來的影響，我們吸取了別人的經(jīng) 驗，對所有紅外光譜求取一階導(dǎo)數(shù)，然后從一階導(dǎo)數(shù)譜中提取特征。由于各個原譜在 縱軸方向的幅度范圍也往往有明顯差異，而且往往迭加上了很多并不代表樣本特征的 很稠密的小幅度波紋。因此在求取一階導(dǎo)數(shù)前我們對原譜進行某種歸一化以及平滑化 操作。
假定某一品種中藥材按產(chǎn)地和生長方式可分為K類，第k類的樣本數(shù)為Nh每個 紅外光譜圖的波數(shù)數(shù)目為n。(如果這種中藥材紅外光譜圖的波數(shù)范圍不完全一致，例 如有的譜圖的波數(shù)范圍為4000cm—1 □ 400cm—1 ，另外的譜圖的波數(shù)范圍為 4000cm—1 □ 650ctT'，則取其公有范圍內(nèi)的光譜圖數(shù)據(jù)作為后續(xù)處理的信號。在上述情 況下，"=4000-650 + 1 = 3351 )。我們用d(^,A)表示紅外光譜圖經(jīng)過預(yù)處理后第k類中的第j個譜圖的第z'個幅度值，其中，hl，2,…,"；7' = l,2，一,7Vi; A-l,2,…，《
總的訓(xùn)練樣本數(shù)為
<formula>formula see original document page 12</formula>(1)
為了導(dǎo)出"類間類內(nèi)差異比"譜函數(shù)的定義，我們先給出幾個術(shù)語:
第k類均值譜
<formula>formula see original document page 12</formula>(2)
第k類方差譜:
<formula>formula see original document page 12</formula>(3)
類內(nèi)方差均值譜(MoV，艮卩Mean of Variances):
<formula>formula see original document page 12</formula>(4)
類內(nèi)均值方差譜 (VoM，艮卩Variance of Means):
<formula>formula see original document page 12</formula>(5)
式中，
由式(4)和(5)，我們可以針對該中藥材定義一種特殊的譜圖-
<formula>formula see original document page 12</formula>(6)
:類間類內(nèi)差異比'
譜函數(shù)(或者稱為VoM/MoV函數(shù)):
<formula>formula see original document page 12</formula>(7)
更一般地，定義V0M/M0V函數(shù)為<formula>formula see original document page 13</formula> (8)
其中p和q為大于0的整數(shù)，根據(jù)分類效果選取。在統(tǒng)計的意義上，)^(/)和M,(0分 別描述了這種中藥材的紅外光譜在點Z處的類間差異和類內(nèi)差異的大小。從分類的目的 出發(fā)，^(0越大越好，M「(0越小越好。在VoM/MoV函數(shù)值較大的z'處取紅外光譜幅 度值來提取特征，將可以使特征空間中不同類別間的特征向量平均距離大而相同類別 間的特征向量平均距離小，有利于分類。我們目前的方案是在求出VoMMoV函數(shù)之后， 用一種算法尋找出它在紅外光譜指紋區(qū)的若干個局部極大點、,4,…人，取這些點處的
光譜幅度值，將每個光譜圖轉(zhuǎn)化為",維特征向量。 一般取w,為60至90。.'
實際上我們能夠獲得的訓(xùn)練集樣本數(shù)不多。在此情況下，為了解決模式識別技術(shù)中 所謂的維數(shù)災(zāi)難問題，本方案采用K-L變換將n,維特征向量降維為^維特征向量(取 =30左右)。在此過程中，我們得到一個 xq的變換矩陣。
使訓(xùn)練樣本特征向量在多維空間中分布最優(yōu)化，以便能在特征空間中采用簡單而高 效的算法對未知類別的樣本進行分類，是本發(fā)明除"類間類內(nèi)差異比"譜函數(shù)之外的 另一創(chuàng)新點。
假定我們用鄧力表示經(jīng)過降維后第k類中的第j個特征向量，其中，
<formula>formula see original document page 13</formula>f是各類協(xié)方差矩陣的以(A^/AO加權(quán)的平均的協(xié)方差矩陣。它的各特征值往往彼 此相差很大，各類訓(xùn)練樣本在特征空間中呈現(xiàn)很扁平的分布，使得樣本間的歐氏距離 難以反映樣本間的相似性。我們通過一種迭代算法對特征向量進行變換。在有限的幾 歩迭代后就可以使新5的各特征值幾乎完全相等。這時，從平均意義上就可以認為各 類樣本在特征空間中的分布是優(yōu)化的。樣本數(shù)越多的類，其樣本越呈"球形分布"。這 樣就可以在對未知類別的樣本進行分類操作時用簡單的分類算法。迭代過程將產(chǎn)生一 個"2>< 2的變換矩陣。
對送檢的中藥材紅外光譜，進行與每一種中藥材訓(xùn)練階段一致的處理，使之映像到 每個訓(xùn)練樣本集的特征空間中。然后，用合適的分類算法判別該中藥材的種類、產(chǎn)地 和生長方式。本方案目前采用的分類算法是改進了的近鄰法。
本發(fā)明在Wsual 0++6.0編程的軟件系統(tǒng)中具體實施。該系統(tǒng)具有科學(xué)計算可視化 功能，有友好用戶界面。
我們先后共取得丹參、人參、天麻和淫羊霍4種中藥材的中紅外光譜圖，該系統(tǒng) 目前可全部鑒別它們。其中丹參的樣本數(shù)最多.，紅外光譜圖也較規(guī)范，因此下面主要 以丹參為例來說明具體實施方式
。我們獲得了 940個丹參樣本的中紅外光譜。這些樣 本來自27個產(chǎn)地，生長條件分為采挖野生(有些又進一步細分為陰坡和陽坡)，野生 莖葉，采挖栽培(有些又進一步細分為一年和二年)，栽培莖葉，購買野生，購買栽培 等。我們的任務(wù)是既要對丹參的產(chǎn)地進行區(qū)分，又要對同一產(chǎn)地的丹參生長條件進 行區(qū)分。類別總數(shù)有49類。訓(xùn)練樣本總數(shù)與類別總數(shù)相比是很少的，而且各類樣本數(shù) 目嚴重不均。因此，必須在信號的預(yù)處理和特征提取上狠下功夫，盡可能使同一類別 的特征向量相距較近而不同類別的特征向量相距較遠，然后針對小樣本情況考慮分類方法。
我們將樣本劃分為870個訓(xùn)練樣本和70個測試樣本。圖1及圖2顯示了丹參的訓(xùn)練集 樣本和測試集樣本的某些信息。圖l在地圖上顯示了不同訓(xùn)練集樣本的產(chǎn)地，該地圖的 下方有丹參樣本的其它數(shù)據(jù)，如生長條件等。圖2顯示了用于測試的丹參樣本的產(chǎn)地、 生長條件及紅外光譜的文件名稱。
對于870個訓(xùn)練樣本，我們進行下列操作
預(yù)處理對各樣本光譜的幅度進行歸一化，用長度為13的三角形窗進行平滑，再求 一階導(dǎo)數(shù)譜。
求一階導(dǎo)數(shù)譜的"類間類內(nèi)差異比譜函數(shù)"，將此函數(shù)的幅度歸一化后，切去對分類 無意義的部分，保留包含了紅外光譜圖指紋區(qū)的部分，如圖10所示。
求這一段中的局部極大點(此例中有64個)，將其保存。在這些局部極大點處提取一 階導(dǎo)數(shù)譜的幅度，得到870個64維的特征向量。
求出這些特征向量總體的協(xié)方差矩陣及其特征向量和特征值，按K-L變換降維的原則 構(gòu)造出一個30x64的變換矩陣，將各特征向量降到30維。(之所以是30， 一是因為變換后 的新的特征向量總體的協(xié)方差矩陣的主對角線元素之和下降不多，僅比變換前下降6%左 右；二是可以保證對70個測試樣本有較高的正確識別率)。
對于降維后的訓(xùn)練樣本特征向量，用圖ll所示的迭代算法實現(xiàn)其在多維空間中的 分布最優(yōu)化。每次迭代循環(huán)中包含下列歩驟(1)由訓(xùn)練集所有樣本的特征向量計算出 每一類的均值向量及協(xié)方差矩陣;(2)將每一類的協(xié)方差矩陣以'樣本數(shù)的比率加權(quán)后求 和，得到平均協(xié)方差矩陣；(3)計算出該平均協(xié)方差矩陣的各個本征值及對應(yīng)的本征向 量；(4)將最大本征值和最小本征值的差與一個既定的微小閾值(此例中是0.001)比較;(5)如果最大本征值和最小本征值的差小于該既定閾值，則轉(zhuǎn)向歩驟(6);否則，將 各本征值的倒數(shù)組成的對角矩陣左乘本征向量矩陣的轉(zhuǎn)置矩陣，構(gòu)成一個變換矩陣；(6) 利用此變換矩陣對各特征向量進行線性變換，所得結(jié)果作為新的特征向量，轉(zhuǎn)向歩驟 (1); (7)結(jié)束迭代，將各中間過程的變換矩陣相乘得到總的變換矩陣。
圖3顯示了經(jīng)過空間分布優(yōu)化的30維的丹參訓(xùn)練集樣本特征向量在一個平面上
的投影。圖中用連線標(biāo)出了某個類別的五個樣本?？梢钥闯觯悇e的樣本在特征空 間里的距離是較近的。
訓(xùn)練集樣本特征向量經(jīng)過空間分布優(yōu)化后，即可利用一定的分類算法對未知類別 的樣本進行識別了。如果系統(tǒng)對樣本的正確識別率高，則將處理過程和對分類有用的 數(shù)據(jù)保存?zhèn)溆谩７駝t，要重新考慮從預(yù)處理到分類算法的各個環(huán)節(jié)。
本發(fā)明采用的分類算法是改進的近鄰法。圖4顯示了對丹參某個測試樣本的識
別結(jié)果。圖的右上方可以看到該樣本的紅外光譜。圖的下方顯示了最接近該測試樣本
的二十個訓(xùn)練集樣本。圖5顯示了這個測試樣本的特征向量及其二十個最接近的訓(xùn)練 集樣本的特征向量在一個平面上的投影。
圖6顯示了系統(tǒng)對中藥丹參的錯誤識別率。對于未參與訓(xùn)練的70個不同產(chǎn)地、不 同生長條件的丹參測試樣本，只有4個被錯誤識別。這說明本發(fā)明提供的特征提取和 分類方法是有效的。
圖7顯示了系統(tǒng)對人參的某個樣本的識別結(jié)果。結(jié)果是正確的。 圖8和圖9顯示了系統(tǒng)對一個在丹參、人參、天麻和淫羊霍4種中藥材范圍之外 的某個樣本的識別結(jié)果。由圖8中的數(shù)值可以看出，該樣本與所有品種的訓(xùn)練樣本在 特征空間中的距離都超出了一定范圍，因此本系統(tǒng)將該樣本視作不可識別的。圖9是 該樣本與人參訓(xùn)練集樣本特征向量的2維顯示。與其它三種對系統(tǒng)進行過訓(xùn)練的中藥材相比，在特征空間中人參與該樣本最接近，但距離仍明顯偏大。
一個以紅外光譜特征識別樣本類別的系統(tǒng)可以通過服務(wù)器與互聯(lián)網(wǎng)連接，也可直接 與傅立葉變換紅外光譜儀連接。遠程用戶可將需要識別的紅外光譜數(shù)據(jù)通過互聯(lián)網(wǎng)傳 送至系統(tǒng)。本地用戶可用光譜儀直接將待識別的實物樣品的紅外光譜數(shù)據(jù)輸入系統(tǒng)。 系統(tǒng)中的專用軟件將根據(jù)訓(xùn)練階段建立的數(shù)據(jù)庫和探索出的算法對輸入的紅外光譜進 行一系列處理，最后完成識別任務(wù)，并將結(jié)果以文字和圖形形式顯示給用戶。
1權(quán)利要求
1. 一種提取一個對象品種的紅外光譜特征的方法，包括以下步驟(1)根據(jù)最少一個分類條件，將該品種的對象分成多個類別，并提供屬于該品種的多個已知類別的樣本；(2)將該多個樣本以隨機方式分成一個訓(xùn)練樣本集及一個測試樣本集，該訓(xùn)練樣本集包括多個訓(xùn)練樣本，該測試樣本集包括多個測試樣本；(3)測定該多個樣本的紅外光譜；(4)對該多個訓(xùn)練樣本的紅外光譜進行一系列預(yù)處理，獲得該多個訓(xùn)練樣本的一階導(dǎo)數(shù)譜；(5)從該多個訓(xùn)練樣本的一階導(dǎo)數(shù)譜，計算該品種的類間類內(nèi)差異比譜函數(shù)；(6)將該類間類內(nèi)差異比譜函數(shù)歸一化；(7)求該類間類內(nèi)差異比譜函數(shù)的多個局部極大點；(8)在該多個局部極大點提取該多個訓(xùn)練樣本的一階導(dǎo)數(shù)譜的幅度值，作為該多個訓(xùn)練樣本的原始特征向量；(9)對該多個訓(xùn)練樣本的原始特征向量進行降維處理，得到一個降維矩陣；(10)對該多個降維后的特征向量進行在多維特征空間中的分布優(yōu)化，得到一個總的變換矩陣，從而獲得該對象品種的紅外光譜特征；(11)確定距離閾值，設(shè)計分類算法，并根據(jù)該距離閾值及該分類算法對該多個測試樣本進行試分類；以及(12)調(diào)節(jié)該距離閾值及該分類算法，重復(fù)步驟(4)到步驟(11)，直至該試分類所測得的正確識別率高過一個既定的比率，然后將該類間類內(nèi)差異比譜函數(shù)及其多個局部極大點、該降維矩陣、該總的變換矩陣、該距離閾值及該分類算法儲存。
2. 如權(quán)利要求1所述的方法，其特征在于所述對象為中藥材，并且所述分類條件至少 包括產(chǎn)地及生長條件。
3. 如權(quán)利要求l所述的方法，其特征在于所述分類算法為改進了的近鄰法。
4. 如權(quán)利要求1所述的方法，其特征在于所述類間類內(nèi)差異比譜函數(shù)的計算，包括 以下歩驟(1) 從該品種各類訓(xùn)練樣本的一階導(dǎo)數(shù)譜的幅度值，計算出該品種的類內(nèi)均值方差 譜及類內(nèi)方差均值譜；(2) 將該類內(nèi)均值方差譜進行乘方運算，其指數(shù)為大于零的整數(shù)，并根據(jù)分類效果 選取；(3) 將該類內(nèi)方差均值譜進行乘方運算，其指數(shù)為大于零的整數(shù)，并根據(jù)分類效果選??；以及(4) 將歩驟(2)所得結(jié)果除以步驟(3)所得結(jié)果，計算出類間類內(nèi)差異比譜函數(shù)。
5. 如權(quán)利要求1所述的方法，其特征在于所述降維處理為K-L變換法。
6. 如權(quán)利要求1所述的方法，其特征在于所述預(yù)處理包括歸一化、平滑運算及求導(dǎo)運算。
7. 如權(quán)利要求l所述的方法，其特征在于所述特征向量分布優(yōu)化處理,包括以下步驟(1) 由該多個訓(xùn)練樣本的特征向量計算出該多個類別的均值向量及協(xié)方差矩陣；(2) 將該每一個類別的協(xié)方差矩陣以樣本數(shù)的比率加權(quán)后求和，得到平均協(xié)方差矩陣；(3) 計算出該平均協(xié)方差矩陣的多個本征值及對應(yīng)的本征向量；(4) 將最大本征值和最小本征值的差與一個既定的微小閾值進行比較；(5) 如果最大本征值和最小本征值的差小于該既定的微小閾值，則轉(zhuǎn)向步驟(8);否則，將'各本征向量合并成為一個本征向量矩陣，并用相應(yīng)的各本征值的倒數(shù)組成的對角矩陣左乘該本征向量矩陣的轉(zhuǎn)置矩陣，其結(jié)果作為中間過程的變換矩陣；(6) 利用該中間過程的變換矩陣對該多個特征向量進行線性變換，所得結(jié)果作為新的特征向量；(7) 重復(fù)步驟(1)至步驟(6)，直至最大本征值和最小本征值的差比該既定的微小閾值為??；以及 .(8) 將該各中間過程的變換矩陣依次相乘，以最后一個在最左及第一個在最右，得到總的分布優(yōu)化變換矩陣；在步驟(1)至步驟(7)的迭代中，每一次迭代均會產(chǎn)生一個該中間過程變換矩陣，而且均會改善訓(xùn)練集樣本特征向量在該多維特征空間中的分布;這種迭代一直進行到該平均協(xié)方差矩陣的最大本征值和最小本征值的差小于該既定閾值為止。 .
8. —種測別一個待識別對象的品種及類別的方法，包括以下歩驟G)提取多個對象品種的紅外光譜特征；(2) 測定該待識別樣本的紅外光譜并根據(jù)該多個品種提取其紅外光譜特征；以及(3) 將該多個品種的紅外光譜特征，對該待識別樣本的紅外光譜特征分別進行比較與判定。
9. 如權(quán)利要求8所述的方法，其特征在于該多個對象品種中每個品種的紅外光譜特征提取，包括以下步驟(1) 根據(jù)最少一個分類條件，將該品種的對象分成多個類別，并提供屬于該品種的多個已知類別的樣本；(2) 將該多個樣本以隨機方式分成一個訓(xùn)練樣本集及一個測試樣本集，該訓(xùn)練樣本集包括多個訓(xùn)練樣本，該測試樣本集包括多個測試樣本；(3) 測定該多個樣本的紅外光譜；(4) 對該多個訓(xùn)練樣本的紅外光譜進行一系列預(yù)處理，獲得該多個訓(xùn)練樣本的一階導(dǎo)數(shù)譜；(5) 從該多個訓(xùn)練樣本的一階導(dǎo)數(shù)譜，計算該品種的類間類內(nèi)差異比譜函數(shù)；(6) 將該類間類內(nèi)差異比譜函數(shù)歸一化；(7) 求該類間類內(nèi)差異比譜函數(shù)的多個局部極大點；(8) 在該多個局部極大點提取該多個訓(xùn)練樣本的一階導(dǎo)數(shù)譜的幅度值，作為該多個訓(xùn)練樣本的原始特征向量；(9) 對該多個訓(xùn)練樣本的原始特征向量進行降維處理，得到一個降維矩陣；(10) 對該多個降維后的特征向量進行在多維特征空間中的分布優(yōu)化，得到一個總的變換矩陣，從而獲得該對象品種的紅外光譜特征；(11) 確定距離閾值，設(shè)計分類算法，并根據(jù)該距離閾值及該分類算法對該多個測試樣本進行試分類；以及(12) 調(diào)節(jié)該距離閾值及該分類算法，重復(fù)步驟(4)到步驟(11)，直至該試分類所測得的正確識別率高過一個既定的比率，然后將該類間類內(nèi)差異比譜函數(shù)及其多個局部極大點、該降維矩陣、該總的變換矩陣、該距離閾值及該分類算法儲存。
10. 如權(quán)利要求9所述的方法，其特征在于所述對象為中藥材，并且所述分類條件至少包括產(chǎn)地及生長條件。
11. 如權(quán)利要求9所述的方法，其特征在于所述分類算法為改進了的近鄰法。
12. 如權(quán)利要求9所述的方法，其特征在于所述類間類內(nèi)差異比譜函數(shù)的計算,包括以下步驟(1) 從該品種各類訓(xùn)練樣本的一階導(dǎo)數(shù)譜的幅度值，計算出該品種的類內(nèi)均值方差譜及類內(nèi)方差均值譜；(2) .將該類內(nèi)均值方差譜進行乘方運算，其指數(shù)為大于零的整數(shù)，并根據(jù)分類效果選取；(3) 將該類內(nèi)方差均值譜進行乘方運算，其指數(shù)為大于零的整數(shù)，并根據(jù)分類效果 選??；以及(4) 將步驟(2)所得結(jié)果除以歩驟(3)所得結(jié)果，計算出類間類內(nèi)差異比譜函數(shù)。
13. 如權(quán)利要求9所述的方法，其特征在于所述降維處理為K-L變換法。
14. 如權(quán)利要求9所述的方法，其特征在于所述預(yù)處理包括歸一化、平滑運算及求導(dǎo)運 算。
15. 如權(quán)利要求9所述的方法，其特征在于所述特征向量分布優(yōu)化處理包括以下步驟(1) 由該多個訓(xùn)練樣本的特征向量計算出該多個類別的均值向量及協(xié)方差矩陣；(2) 將該每一個類別的協(xié)方差矩陣以樣本數(shù)的比率加權(quán)后求和，得到平均協(xié)方差矩 陣；(3) 計算出該平均協(xié)方差矩陣的多個本征值及對應(yīng)的本征向量；(4) 將最大本征值和最小本征值的差與一個既定的微小閾值進行比較；(5) 如果最大本征值和最小本征值的差小于該既定的微小閾值，則轉(zhuǎn)向步驟(8); 否則，將各本征向量合并成為一個本征向量矩陣，并用相應(yīng)的各本征值的倒數(shù) 組成的對角矩陣左乘該本征向量矩陣的轉(zhuǎn)置矩陣，其結(jié)果作為中間過程的變換 矩陣；(6) 利用該中間過程的變換矩陣對該多個特征向量進行線性變換，所得結(jié)果作為新 的特征向量；(7) 重復(fù)歩驟(1)至步驟(6)，直至最大本征值和最小本征值的差比該既定的微 小閾值為?。灰约?8) 將該各中間過程的變換矩陣依次相乘，以最后一個在最左及第一個在最右，得 到總的分布優(yōu)化變換矩陣；在步驟(1)至歩驟(7)的迭代中，每一次迭代均會產(chǎn)生一個該中間過程變換 矩陣，而且均會改善訓(xùn)練集樣本特征向量在該多維特征空間中的分布;這種迭代 一直進行到該平均協(xié)方差矩陣的最大本征值和最小本征值的差小于該既定閾值 為止。
16. —種以紅外光譜特征分辨中藥材樣本的品種和類別的系統(tǒng)，包括(1) 儲存有多個品種和類別樣本的紅外光譜的數(shù)據(jù)庫；(2) 與該數(shù)據(jù)庫及互聯(lián)網(wǎng)連接的服務(wù)器；(3) 與該服務(wù)器連接的客戶機；以及(4) 安裝于該客戶機的軟件，該軟件具有通過圖像用戶接口傳送數(shù)據(jù)及對紅外光譜 進行調(diào)用、轉(zhuǎn)換、處理和識別的功能；其特征在于用戶能夠通過互聯(lián)網(wǎng)將待識別樣本的紅外光譜傳送至該服務(wù)器進行處理和識別，并可以通過該軟件的圖像用戶接口在互聯(lián)網(wǎng)瀏覽器上看到該識別結(jié)果及相關(guān)的圖表。 '
17.如權(quán)利要求16所述的系統(tǒng)，其特征在于還包括與該數(shù)據(jù)庫連接的傅単葉變換紅外光譜儀，該光譜儀測定該待識別樣本的紅外光譜。
全文摘要
本發(fā)明披露了一種高精度分辨中藥材品種、產(chǎn)地及生長方式的紅外光譜特征提取方法。此方法取得每個品種的中藥材樣本的紅外光譜后再將其預(yù)處理，根據(jù)產(chǎn)地及生長方式將樣本分類，并計算該品種的類間類內(nèi)差異比譜函數(shù)，取得該多個樣本的特征向量，再將該特征向量降維及進行分布優(yōu)化，以獲得該品種的紅外光譜特征。
文檔編號G01N21/25GK101498661SQ200810005068
公開日2009年8月5日 申請日期2008年1月30日 優(yōu)先權(quán)日2008年1月30日
發(fā)明者張曉明, 王太君 申請人:香港浸會大學(xué)