-
公开(公告)号：CN111474128A
公开(公告)日：2020-07-31
申请号：CN202010398620.0
申请日：2020-05-12
Applicant: 暨南大学
Abstract: 本发明公开了一种基于光谱分离度的分光波长组合方法，包括以下步骤：测量每个需要判别样品的阴性、阳性样品的光谱；计算全体阴性、阳性样品在每个波长的光谱吸光度的最小值、最大值、均值、标准差；提出阴性、阳性光谱种群的分离度谱、相对分离度谱；确定波长模型的搜索范围，按照分离度值从大到小将波长重新排序，并依次构建波长组合；采用样品的光谱数据进行判别分析，计算识别准确率，并根据总识别准确率确定最优模型。本发明提出的四种分离度从不同角度刻画了光谱种群的分离程度。依据光谱分离度优先选择波长进行分析，可以提升光谱种群的同类相似性和异类差异性特征，从而提高仪器分析的判别准确率。它通常优于没有进行波长选择的全搜索范围模型，显著降低了波长模型复杂度。
-
公开(公告)号：CN112326574A
公开(公告)日：2021-02-05
申请号：CN202011218448.2
申请日：2020-11-04
Applicant: 暨南大学
Abstract: 本发明公开了一种基于贝叶斯分类的光谱波长选择方法：分别收集需要进行光谱判别分析的每类样品；测试所述样品的光谱，用于光谱判别分析的建模和检验；将每一类样品随机/均匀划分为建模集和检验集；建模集随机/均匀划分为定标集和预测集；对任意的波长模型提取相应的光谱数据，用于贝叶斯多分类判别分析。针对任意波长模型的光谱，构建贝叶斯多分类判别分析模型；基于单波长吸光度服从正态分布和概率独立性假设，并采用概率乘法及其对数，计算测量到相应光谱的条件概率，并把样品判断为条件概率的最大值所对应的类别；采用适当的波长模型选择方法，构建所有波长模型，依据贝叶斯多分类判别分析模型的总预测准确率最大兼顾各类预测准确率的标准偏差最小，获得最优波长模型。本发明具有应用范围宽、方法简便、预测效果好等优点。
-
公开(公告)号：CN111474128B
公开(公告)日：2023-03-14
申请号：CN202010398620.0
申请日：2020-05-12
Applicant: 暨南大学
Abstract: 本发明公开了一种基于光谱分离度的分光波长组合方法，包括以下步骤：测量每个需要判别样品的阴性、阳性样品的光谱；计算全体阴性、阳性样品在每个波长的光谱吸光度的最小值、最大值、均值、标准差；提出阴性、阳性光谱种群的分离度谱、相对分离度谱；确定波长模型的搜索范围，按照分离度值从大到小将波长重新排序，并依次构建波长组合；采用样品的光谱数据进行判别分析，计算识别准确率，并根据总识别准确率确定最优模型。本发明提出的四种分离度从不同角度刻画了光谱种群的分离程度。依据光谱分离度优先选择波长进行分析，可以提升光谱种群的同类相似性和异类差异性特征，从而提高仪器分析的判别准确率。它通常优于没有进行波长选择的全搜索范围模型，显著降低了波长模型复杂度。
-
公开(公告)号：CN112326574B
公开(公告)日：2023-11-14
申请号：CN202011218448.2
申请日：2020-11-04
Applicant: 暨南大学
IPC: G01N21/31 , G06F18/2415
Abstract: 本发明公开了一种基于贝叶斯分类的光谱波长选择方法：分别收集需要进行光谱判别分析的每类样品；测试所述样品的光谱，用于光谱判别分析的建模和检验；将每一类样品随机/均匀划分为建模集和检验集；建模集随机/均匀划分为定标集和预测集；对任意的波长模型提取相应的光谱数据，用于贝叶斯多分类判别分析。针对任意波长模型的光谱，构建贝叶斯多分类判别分析模型；基于单波长吸光度服从正态分布和概率独立性假设，并采用概率乘法及其对数，计算测量到相应光谱的条件概率，并把样品判断为条件概率的最大值所对应的类别；采用适当的波长模型选择方法，构建所有波长模型，依据贝叶斯多分类判别分析模型的总预测准确率最大兼顾各类预测准确率的标准偏差最小，获得最优波长模型。本发明具有应用范围宽、方法简便、预测效果好等优点。
-
-
-
Search Results
4
records
(took 0.015 seconds)
