1.茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于,包括以下步骤:步骤一:先采集待检测茶叶样本,再获取茶叶样本的近红外光谱数据,并形成原始数据;
步骤二:先获取原始数据,再初始化包含相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η的块稀疏贝叶斯学习方法参数;
步骤三:根据原始数据中的光谱特征,基于一阶偏差和二阶偏差来计算光谱中的吸收峰位置;
步骤四:根据计算得到的吸收峰位置,基于半峰高计算谱峰的峰宽;
步骤五:根据每个块的稀疏度控制系数计算块的对称半正定矩阵、相关性结构矩阵和相关系数;
步骤六:基于代价函数计算原始数据中每个块的误差值,并筛选稀疏块;
步骤七:计算光谱后验概率的期望和方差;
步骤八:利用最小化代价函数求解超参数,并更新初始化参数中的噪声方差λ;
步骤九:计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则转至步骤十,否则转至步骤五;
步骤十:利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。
2.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤二中,块稀疏贝叶斯学习方法优化函数如下:T T T ‑1
L=log|λI+ΩΣ0Ω|+y(λI+ΩΣ0Ω) y其中,I表示单位矩阵,y表示光谱的压缩矩阵, 是测量矩阵, 是所有块的方差矩阵,表示为:Σ0=diag{γ1Β1,…,γiΒi,…,γgΒg}其中,γi表示第i个块的块相关系数,Bi表示第i个块的结构矩阵。
3.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤三中,谱峰位置确定计算如下:Δxj=xj‑xj‑1
2
Δxj=Δxj‑Δxj‑12
s.t.Δxj=0 and Δxj<02
其中,Δxj和Δxj分别是谱峰顶点xj的一阶偏差和二阶偏差。
4.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤四中,谱峰宽度的计算表示如下:其中,n和m分别是xn和xm的索引,相对高度差H表示如下:其中,xi和xk分别是谱峰的起始点和终止点。
5.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤五中,对称半正定矩阵、相关性结构矩阵和相关系数表示如下:其中, 和 di是第i个块的大小。
6.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤六中,代价函数误差计算如下:T T T ‑1
L=log|λI+ΩΣ0Ω|+y(λI+ΩΣ0Ω) y其中, 是测量矩阵, 是所有块的方差矩阵,表示为:其中, 表示第i块在第t步迭代时块的方差矩阵。
7.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤七中,后验概率期望计算如下:T T ‑1
μx=Σ0Ω(λI+ΩΣ0Ω) y其中,y表示为经过测量矩阵Ω得到光谱的压缩矩阵。
8.根据权利要求1所述的茶叶近红外光谱分析中谱峰自动检测与重构方法,其特征在于:所述步骤九中,相对误差判断条件表示如下:(t)
其中,γ 是第t次迭代的相关系数。
9.茶叶近红外光谱分析中谱峰自动检测与重构系统,其特征在于,包括:样本采集模块,用于采集茶叶样本,获取茶叶近红外光谱数据,形成原始数据;
参数初始化模块,用于获取原始数据,并初始化块稀疏贝叶斯学习方法参数,初始化参数包含:相关系数γ、迭代次数Τ、噪声方差λ、对称半正定矩阵A以及相关系数相对误差η;
谱峰位置计算模块,用于根据光谱数据的一阶、二阶偏差确定吸收峰的位置;
谱峰宽度计算模块,用于根据吸收峰的半峰高确定峰宽;
相关系数计算模块,用于计算每个块的稀疏度控制系数,得到相关系数;
筛选模块,用于根据代价函数计算每个块的误差值,并筛选稀疏块;
期望和方差计算模块,用于根据光谱的后验概率分布,得到期望和方差;
噪声方差更新模块,用于根据最小化代价函数求解超参数,得到噪声方差更新;
判断模块,用于计算块相关系数的相对误差及当前迭代次数,若相对误差小于设定误差系数η或当前迭代次数大于设定迭代次数Τ,则退出判断,否则重新调用计算块相关系数和块筛选模块进行稀疏重构的计算;
数据校正模块,用于利用光谱后验概率的期望,确定最终的茶叶稀疏重构数据并输出。