原文传递
基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法
| 专利名称： | 基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法 |
| 摘要： | 本发明提供了一种基于PCA‑Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法。本发明针对拉曼峰相似的两种食源性致病菌——大肠杆菌0157:H7以及布鲁氏菌S2株识别精度不足的问题，提出一种基于PCA‑Stacking的拉曼集成分类算法，找到了鲁棒性更好的数学统计模型和计算方法。针对拉曼光谱中存在的毛刺，基线漂移问题，使用Savitzky‑Golay滤波器和非对称最小二乘实现光谱的预处理。通过网格搜索模型参数，证明了Stacking集成算法相比于K近邻、逻辑回归、支持向量机单一算法模型有更高的分类准确率。 |
| 专利类型： | 发明专利 |
| 国家地区组织代码： | 上海;31 |
| 申请人： | 上海应用技术大学 |
| 发明人： | 史如晋;夏钒曾;夏志平;曾万聃;曲晗;李乾学;杨瑞君 |
| 专利状态： | 有效 |
| 申请日期： | 2019-02-11T00:00:00+0800 |
| 发布日期： | 2019-05-21T00:00:00+0800 |
| 申请号： | CN201910111235.0 |
| 公开号： | CN109781706A |
| 代理机构： | 上海汉声知识产权代理有限公司 |
| 代理人： | 胡晶 |
| 分类号： | G01N21/65(2006.01);G;G01;G01N;G01N21 |
| 申请人地址： | 200235 上海市徐汇区漕宝路120-121号 |
| 主权项： | 1.一种基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法，其特征在于，包括： 对原始大肠杆菌O157：H7、布鲁氏菌S2株的拉曼光谱进行归一化处理，对所述拉曼光谱去噪并扣除荧光背景； 对去噪并扣除荧光背景后的拉曼光谱提取主成分； 对提取主成分后的数据集进行X：Y比例的划分，其中，x+Y＝100，X％作为测试集，Y％作为训练集； 基于所述训练集训练多个基础层次模型，基于每个基础层次模型的输出训练各个对应的元模型，将各个元模型聚合为Stacking模型； 采所述测试集验证所述Stacking模型的准确率。 2.如权利要求1所述的基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法，其特征在于，使用Savitzky-Golay滤波器和非对称最小二乘对所述拉曼光谱去噪。 3.如权利要求1所述的基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法，其特征在于，对去噪并扣除荧光背景后的拉曼光谱提取主成分，包括： 对去噪并扣除荧光背景后的拉曼光谱进行PCA降维处理，计算特征贡献率，根据所述特征贡献率提取所述拉曼光谱的主成分。 4.如权利要求3所述的基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法，其特征在于，根据所述特征贡献率提取所述拉曼光谱的主成分，包括： 根据所述特征贡献率得到对应的帕累托图，根据所述帕累托图提取所述拉曼光谱的主成分。 5.如权利要求1所述的基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法，其特征在于，所述基础层次模型包括有K近邻、逻辑回归和支持向量机中的任两种以上单一分类器。 6.如权利要求1所述的基于PCA-Stacking建立的食源性致病菌拉曼光谱识别模型的训练方法，其特征在于，所述的X＝30，Y＝70。 |
| 所属类别： | 发明专利 |
检索历史
应用推荐
