(19)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 202211032588.X (22)申请日 2022.08.26 (71)申请人 九江职业 技术学院 地址 332000 江西省九江市濂溪区前进东 路881号 （濂溪校区） (72)发明人 陶亮亮　朱虎平　艾迪　梁亚歌　 李辉贤　 (74)专利代理 机构 郑州豫原知识产权代理事务 所(普通合伙) 41176 专利代理师 孙素姗 (51)Int.Cl. G01N 21/3563(2014.01) G01N 21/01(2006.01) (54)发明名称 一种鉴别中药 材地道性的方法及系统 (57)摘要 本发明公开了一种鉴别中药材地道性的方 法及系统， 涉及中药材智 能检测技术领域， 包括 以下步骤： 获取待鉴别的中药材的红外光谱特征 数据； 采用高方差特征选择法、 主成份分析法分 别对红外光谱特征数据进行筛选处理、 降维处 理； 利用随机森 林模型， 及经过筛选处理、 降维处 理后的红外光谱 特征数据预测中药材的类别， 获 得中药材的类别； 采用one ‑hot编码技术对中药 材的类别进行数值化处理， 得到中药材的类别特 征数据， 将经过筛选处理、 降维处理后的红外光 谱特征数据与类别特征数据融合； 利用极限梯度 增强模型， 及融合后的数据预测中药材的产地， 得到中药材的地道性鉴别结果。 本发 明提高了中 药材地道 性鉴别的准确率， 实现了中药材地道性 智能鉴别。 权利要求书2页 说明书7页 附图3页 CN 115406855 A 2022.11.29 CN 115406855 A 1.一种鉴别中药 材地道性的方法， 其特 征在于， 包括以下步骤： 获取待鉴别的中药 材的红外光谱特 征数据； 采用高方差特征选择法对红外光谱特征数据进行筛选处理， 再对筛选处理后的红外光 谱特征数据采用主成份分析法进行降维处 理； 构建随机森林模型， 利用该随机森林模型， 以及经过筛选处理、 降维处理后的红外光谱 特征数据预测中药 材的类别， 获得中药 材的类别； 采用one‑hot编码技术对中药材的类别 进行数值化处理， 得到中药材的类别特征数据， 将经过筛选处理、 降维处 理后的红外光谱特 征数据与类别特 征数据融合； 构建极限梯度增强模型， 利用该极限梯度增强模型， 以及融合后的数据预测中药材的 产地， 得到中药 材的地道性 鉴别结果。 2.根据权利要求1所述的一种鉴别中药材地道性的方法， 其特征在于： 所述获取中药材 的红外光谱特 征数据， 包括以下步骤： 利用红外光谱仪采集中药 材的红外光谱在不同波段吸光度的红外光谱特 征数据； 对所述红外光谱特 征数据进行 预处理。 3.根据权利要求2所述的一种鉴别中药材地道性的方法， 其特征在于： 所述对红外光谱 特征数据进行 预处理， 包括以下步骤： 检测所述红外光谱特征数据中是否存在空值； 采用红外光谱波对应段吸光度均值填充 所述红外光谱特 征数据中存在的空值； 采用欧式距离检测所述红外光谱特征数据中是否存在重复数据， 并将所述红外光谱特 征数据中存在的重复数据去除； 采用3倍方差检测所述红外光谱特征数据中是否存在异常数据， 并将所述红外光谱特 征数据中存在的异常数据去除； 对所述红外光谱特 征数据进行归一 化处理， 具体归一 化公式如下： 其中， X’表示采用区间放缩法归一 化的红外光谱特 征矩阵； X表示红外光谱特 征矩阵； xmin表示红外光谱波对应段吸光度的最小值； xmax表示红外光谱波对应段吸光度的最大值。 4.根据权利要求3所述的一种鉴别中药材地道性的方法， 其特征在于： 采用所述高方差 特征选择法对红外光谱特征数据进行筛选处理时， 采用下四分数0.00721作为高位方差特 征选择法阈值。 5.根据权利要求4所述的一种鉴别中药材地道性的方法， 其特征在于： 采用所述主成份 分析法对红外光谱特 征数据进行降维处 理使， 利用贡献率选择降维 维度； 所述贡献率C的计算公式如下：权　利　要　求　书 1/2 页 2 CN 115406855 A 2其中， λi表示对应特 征的特征值； 表示所有特 征的特征值之和； p表示特征总数量， λk表示从第1个到第p个特 征叠加时的第k个特 征值。 6.根据权利要求5所述的一种鉴别中药材地道性的方法， 其特征在于： 采用纵向合并的 方式将所述经 过筛选处理、 降维处 理后的红外光谱特 征数据与所述类别特 征数据融合。 7.根据权利要求6所述的一种鉴别中药材地道性的方法， 其特征在于： 所述构建随机森 林模型， 包括： 获取已知产地的中药 材的红外光谱特 征数据并对该 数据进行 预处理， 得到训练集； 采用高方差特征选择法对所述训练集中的数据进行筛选处理， 再对筛选处理后的数据 采用主成份分析法进行降维处 理； 利用经过筛选处理、 降维处 理后的所述训练集中的一部分数据， 建立随机森林模型。 8.根据权利要求7所述的一种鉴别中药材地道性的方法， 其特征在于： 所述构建极限梯 度增强模型， 包括 利用所述随机森林模型预测所述训练集中的另一部分数据的中药材的类别， 并采用 one‑hot编码技术对该部分数据的中药材的类别进行数值化处理， 得到该部分数据的中药 材的类别特 征数据； 将该部分数据的所述中药材的类别特征数据与 该部分数据在经过筛选处理、 降维处理 后的红外光谱特 征数据进行融合； 利用融合后的数据， 建立极限梯度增强模型。 9.根据权利要求1所述的一种鉴别中药 材地道性的系统， 其特 征在于： 包括： 数据获取模块， 用于获取待鉴别的中药 材的红外光谱特 征数据； 数据处理模块， 用于采用高方差特征选择法对红外光谱特征数据进行筛选处理， 再对 筛选处理后的红外光谱特 征数据采用主成份分析法进行降维处 理； 类别结果获取模块， 用于构建随机森林模型， 利用该随机森林模型， 以及经过筛选处 理、 降维处 理后的红外光谱特 征数据预测中药 材的类别， 获得中药 材的类别； 数据融合模块， 用于采用one ‑hot编码技术对中药材的类别 进行数值化处理， 得到中药 材的类别特征数据， 将经过筛选处理、 降维处理后的红外光谱特征数据与类别特征数据融 合； 鉴别结果预测模块， 用于构建极限梯度增强模型， 利用该极限梯度增强模型， 以及融合 后的数据预测中药 材的产地， 得到中药 材的地道性 鉴别结果。权　利　要　求　书 2/2 页 3 CN 115406855 A 3