(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111639832.4 (22)申请日 2021.12.2 9 (71)申请人 四川启睿 克科技有限公司 地址 610000 四川省成 都市中国 （四川） 自 由贸易试验区成都高新区天府四街 199号1栋33层 (72)发明人 刘浩　贾利红　张国宏　王毅　 李光尧　 (74)专利代理 机构 成都虹桥专利事务所(普通 合伙) 51124 代理人 吴中伟 (51)Int.Cl. G06F 30/27(2020.01) G06F 17/17(2006.01) G06K 9/62(2022.01)G01N 21/359(2014.01) (54)发明名称 一种基于不同偏好光谱模型的拟合预测方 法 (57)摘要 本发明涉及近红外光谱分析技术， 其 公开了 一种基于不同偏好光谱模型的拟合预测方法， 解 决传统便携式近红外光谱分析方法随机性大， 预 测效果不稳定， 准确率低的问题。 该方法包括以 下步骤： S1、 导入原始光谱样本数据， 并按照不同 偏好对光谱样本数据进行划分； S2、 基于不同偏 好划分的光谱样本数据训练对应偏好光谱模型， 获得对应偏好的稳定光谱模型； S3、 利用对应偏 好的稳定光谱模型分别对待预测光谱数据进行 预测， 获得各自对应的预测结果； S4、 对各个偏好 的稳定光谱模 型的预测结果进行拟合， 获得最终 的预测结果。 权利要求书3页 说明书6页 附图1页 CN 114282446 A 2022.04.05 CN 114282446 A 1.一种基于不同偏好 光谱模型的拟合预测方法， 其特 征在于， 包括以下步骤： S1、 导入原 始光谱样本数据， 并按照不同偏好对光谱样本数据进行划分； S2、 基于不同偏好划分的光谱样本数据训练对应偏好光谱模型， 获得对应偏好的稳定 光谱模型； S3、 利用对应偏好的稳定光谱模型分别对待预测光谱数据进行预测， 获得各自对应的 预测结果； S4、 对各个偏好的稳定光谱 模型的预测结果进行拟合， 获得最终的预测结果。 2.如权利要求1所述的一种基于不同偏好 光谱模型的拟合预测方法， 其特 征在于， 步骤S1中， 所述导入原始光谱样本数据， 并按照不同偏好对光谱样本数据进行划分， 具 体包括： 导入400条原始光谱样本数据， 按照三种偏好对光谱样本数据进行划分： 其中， 对于第一偏好， 采用时间顺序划分的方式分为训练集及测试集， 将前期采集的 300条光谱数据划分为训练集， 将后期采集的10 0条光谱数据划分为测试集； 对于第二偏好， 采用时间顺序划分的方式分为折中训练集、 折中验证集及测试集， 将前 期采集的200条光谱 数据划分为折中训练集， 将中期采集的100条光谱数据划分为折中验证 集， 将后期采集的10 0条光谱数据划分为测试集； 对于第三偏好， 采用时间顺序以及部分随机的方式进行数据划分为随机折中训练集、 随机折中验证集及测试集； 将前期的300条光谱数据进行随机打乱， 从中随机抽取200条光 谱数据作为随机折中训练集， 剩余的100条光谱数据作为随机折中验证集， 将后期采集的 100条谱数据划分为测试集。 3.如权利要求2所述的一种基于不同偏好 光谱模型的拟合预测方法， 其特 征在于， 步骤S2中， 所述基于不同偏好划分的光谱样本数据训练对应偏好光谱模型， 获得对应 偏好的稳定光谱 模型， 具体包括： 利用第一偏好划分的光谱样本数据训练第一偏好 光谱模型； 利用第二偏好划分的光谱样本数据训练第二偏好 光谱模型； 利用第三偏好划分的光谱样本数据训练第三偏好 光谱模型。 4.如权利要求3所述的一种基于不同偏好 光谱模型的拟合预测方法， 其特 征在于， 所述利用第一偏好划分的光谱样本数据训练第一偏好 光谱模型， 具体包括： (1)光谱预处 理： 对300条训练集 光谱数据进行高斯平 滑、 去趋势处 理； (2)光谱建模： 将预处理之后的3 00条训练集 光谱数据采用PLS进行光谱建模； (3)模型选择： 将不同参数预处理方法与不同主成分建模方法进行组合， 获得相应数量的组合模型， 通过留一法交叉验证， 获取每种组合下对应的RMSECV值， 选择RMSECV值最小的光谱模型作 为第一偏好 光谱模型； (4)模型测试： 采用测试集中的100条光谱数据对第一偏好光谱模型进行测试， 验证模型的性能， 获得 第一偏好的稳定光谱 模型。权　利　要　求　书 1/3 页 2 CN 114282446 A 25.如权利要求3所述的一种基于不同偏好光谱模型的拟合预测方法， 其特征在于， 所述 利用第二偏好划分的光谱样本数据训练第二偏好 光谱模型， 具体包括： (1)光谱预处 理： 对200条折中训练集中的光谱数据进行高斯平 滑、 去趋势处 理； (2)光谱建模： 将预处理之后的20 0条折中训练集 光谱数据采用PLS进行光谱建模； (3)模型获取： 将不同参数 预处理方法与不同主成分 建模方法进行组合， 获得对应数量的组合模型； (4)准确率计算： 采用各个组合模型对100条折中验证集光谱数据进行预测， 计算出各个组合模型对折 中验证集的预测准确率； (5)准确率筛 选： 从各个组合模型中筛 选出预测准确率大于预设阈值的组合模型； (6)模型选择： 通过留一法交叉验证， 获取筛选出来的组合模型对应的RMSECV值， 选择RMSECV值最小 的光谱模型为第二偏好 光谱模型； (7)模型测试： 利用测试集中的100条光谱数据对第二偏好光谱模型进行测试， 验证模型的性能， 获得 第二偏好的稳定光谱 模型。 6.如权利要求3所述的一种基于不同偏好光谱模型的拟合预测方法， 其特征在于， 所述 利用第三偏好划分的光谱样本数据训练第三偏好 光谱模型， 具体包括： (1)光谱预处 理： 对200条随机折中训练集 光谱数据进行高斯平 滑、 去趋势处 理； (2)光谱建模： 将预处理之后的20 0条随机折中训练集 光谱数据采用PLS进行光谱建模； (3)模型获取： 将不同参数 预处理方法与不同主成分 建模方法进行组合， 获得对应数量的组合模型； (4)RMSECV筛选： 通过留一法交叉验证,获取每种组合模型下对应的RMSECV值， 筛选出RMSECV值小于预 设阈值的组合模型； (5)准确率计算： 采用筛选出来的组合模型对100条随机折中验证集光谱数据进行预测， 计算出各个组 合模型对随机折中验证集的预测准确率； (6)模型选择： 选择预测准确率 最高值的组合模型为第三偏好 光谱模型； (7)模型测试： 利用测试集中的100条光谱数据对第三偏好光谱模型进行测试， 验证模型的性能， 获得 第三偏好的稳定光谱 模型。 7.如权利要求1 ‑6任意一项所述的一种基于不同偏好光谱模型的拟合预测方法， 其特权　利　要　求　书 2/3 页 3 CN 114282446 A 3