公开(公告)号：CN104020135A

公开(公告)日：2014-09-03

申请号：CN201410272819.3

申请日：2014-06-18

Applicant: 中国科学院重庆绿色智能技术研究院

Inventor： 徐泽宇 ,  刘永福 ,  何国田 ,  赵健 ,  林远长 ,  朱晓强 ,  何骥鸣 ,  吴娇娇 ,  何瑞英

IPC: G01N21/359

Abstract: 本发明提供一种基于近红外光谱的校正模型建模方法，包括：步骤1，根据近红外光谱数据的预处理结果，获取全谱权重值；步骤2，以全谱波长的权重值为阀值，将全谱滤长划分为相关波长集、无关波长集和噪声波长集；步骤3，将浓度数据、相关波长集和无关波长集作为RBF神经网络的输入，同时将RBF神经网络的隐节点数设置为训练集的样本个数，训练RBF神经网络；步骤4，利用RBF神经网络的输出值与浓度数据通过偏最小二乘算法得出主成分个数；步骤5，根据训练集中的各样本的贡献值和贡献率的大小确定RBF神经网络的隐含层节点。本发明降低了校正模型的复杂度、校正模型的复杂度，有效提高了校正模型的精确度。

公开(公告)号：CN104020135B

公开(公告)日：2016-09-21

申请号：CN201410272819.3

申请日：2014-06-18

Applicant: 中国科学院重庆绿色智能技术研究院

Inventor： 徐泽宇 ,  刘永福 ,  何国田 ,  赵健 ,  林远长 ,  朱晓强 ,  何骥鸣 ,  吴娇娇 ,  何瑞英

IPC: G01N21/359

Abstract: 本发明提供一种基于近红外光谱的校正模型建模方法，包括：步骤1，根据近红外光谱数据的预处理结果，获取全谱权重值；步骤2，以全谱波长的权重值为阀值，将全谱滤长划分为相关波长集、无关波长集和噪声波长集；步骤3，将浓度数据、相关波长集和无关波长集作为RBF神经网络的输入，同时将RBF神经网络的隐节点数设置为训练集的样本个数，训练RBF神经网络；步骤4，利用RBF神经网络的输出值与浓度数据通过偏最小二乘算法得出主成分个数；步骤5，根据训练集中的各样本的贡献值和贡献率的大小确定RBF神经网络的隐含层节点。本发明降低了校正模型的复杂度、校正模型的复杂度，有效提高了校正模型的精确度。