一种基于烟叶近红外光谱的相似烟叶搜索方法

摘要

一种基于烟叶近红外光谱的相似烟叶搜索方法，所用的基础数据是烟叶的近红外光谱。首先对每种目标烟叶进行分布式取样，进行样品前处理，在近红外光谱仪上扫描得到其近红外光谱，再分别对每一种目标烟叶的多个近红外光谱进行主成分分析(PCA)运算，得到载荷矩阵、特征值和标准化残差，生成每种目标烟叶的数据模型；然后扫描未知烟叶的近红外光谱，用目标烟叶数据模型中的载荷矩阵对未知烟叶近红外光谱进行主成分分解计算，得到未知烟叶的主成分得分与分解残差，计算未知烟叶的主成分得分与目标烟叶数据模型的主成分空间距离，以及未知烟叶分解残差与目标烟叶数据模型中的标准化残差之间的残差距离，用主成分空间距离与残差距离和的平方根来衡量未知烟叶与目标烟叶的距离，距离越小则相似度越高；最后，比较未知烟叶与各个目标烟叶的距离，按距离的大小排序，得到相似烟叶搜索结果。

主权项

一种基于烟叶近红外光谱的相似烟叶搜索方法，其特征在于：首先，对每种目标烟叶进行分布式取样，进行样品前处理，在近红外光谱仪上扫描得到其近红外光谱，进行近红外光谱的前处理，再分别对每一种目标烟叶的多个近红外光谱进行主成分分析(PCA)运算，得到载荷矩阵、特征值对角矩阵和标准化残差，生成每种目标烟叶的数据模型，建立目标烟叶数据模型库；然后，扫描未知烟叶的近红外光谱，未知烟叶样品的前处理方式、近红外光谱扫描条件以及近红外光谱前处理方式与目标烟叶相同；接下来，用目标烟叶数据模型中的载荷矩阵对未知烟叶近红外光谱进行主成分分解计算，得到未知烟叶的主成分得分与分解残差，计算未知烟叶的光谱向量与目标烟叶数据模型的主成分空间距离： DMi = score × X i - 1 × score ′ × ( Mi - 1 ) 其中，score为未知烟叶光谱向量的主成分得分，Xi-1为目标烟叶i数据模型中保存的特征值矩阵Xi的逆矩阵，Mi为目标烟叶i的样品数：利用未知烟叶主成分分解残差计算未知烟叶光谱向量与目标烟叶数据模型的残差距离，即残差距离＝未知烟叶光谱残差/目标烟叶数据模型中保存的标准化残差；用主成分空间距离与残差距离平方和的平方根来衡量未知烟叶与目标烟叶的距离，距离越小则相似度越高；最后，比较未知烟叶与各个目标烟叶的距离，按距离的大小排序，得到相似烟叶搜索结果，距离最小的为最相似的烟叶。