[發明專利]基于近紅外光譜的校正模型建模方法

有效

• 申請號: 201410272819.3
• 申請日: 2014-06-18
• 公開（公告）號: CN104020135A
• 公開（公告）日: 2014-09-03
• 發明（設計）人: 徐澤宇;劉永福;何國田;趙健;林遠長;朱曉強;何驥鳴;吳嬌嬌;何瑞英
• 申請（專利權）人: 中國科學院重慶綠色智能技術研究院
• 主分類號: G01N21/359
• 分類號: G01N21/359
• 代理公司: 成都賽恩斯知識產權代理事務所(普通合伙) 51212
• 代理人: 張帆

技術領域

本發明屬于分析化學領域的無損分析技術，特指一種基于近紅外光譜的校正模型建模方法。

背景技術

近紅外光譜分析技術是分析化學領域迅猛發展的高新分析技術，其具有無破壞、無污染、分析重現性好、成本低等優點，廣泛應用于石油化工、農業、食品等行業。近紅外光譜分析技術主要分為定性和定量分析，定量分析的基礎是利用近紅外光譜獲取的信息，通過建立校正模型，實現對物質各組分濃度的分析。但是，近紅外區域(780-2526nm)主要體現含氫基團(-OH、-NH、-CH)的合頻和各級倍頻的吸收，該區間波段信息強度弱、譜峰重疊，導致校正模型的建立十分困難。

目前，在實際應用中校正模型創建方法主要采用線性方法多元線性回歸算法、主成分回歸算法和偏最小二乘回歸算法。但是在實際中，光譜信息與濃度之間具有一定的非線性，特別是濃度范圍較大時非線性更加明顯。另外，由于物質的各成分相互作用、光譜儀的噪聲和基線漂移等原因，也會引起非線性，這些導致線性校正模型方法精度不高。

針對該問題，專利“一種紅花提取液測定方法(專利號：201310269615.X)”采用最小二乘支持向量創建校正模型，但是在高維的近紅外光譜數據下，該算法需要上百個樣本才能建立滿足實際應用的校正模型，這在一些實際工程應用中很不現實。

專利“一種近紅外光譜的多模型建模方法(專利號：201310537968.3)提出了集成建模思路，將訓練樣本劃分為那個子集，建立各個子集的校正模型，得到各子集校正模型的預測結果，將各子集預測結果利用權重值得到最終預測結果。但是該方法訓練次數多，計算復雜。

發明內容

為解決上述技術問題，本發明提供了一種預測精確度高、模型穩健性好、所需樣本少的基于近紅外光譜的校正模型建模方法。

作為本發明的一個方面，提供了一種基于近紅外光譜的校正模型建模方法，包括：步驟1，根據近紅外光譜數據的預處理結果，獲取全譜權重值；步驟2，以全譜波長的權重值為閥值，將全譜濾長劃分為相關波長集、無關波長集和噪聲波長集；步驟3，將濃度數據、相關波長集和無關波長集作為RBF神經網絡的輸入，同時將RBF神經網絡的隱節點數設置為訓練集的樣本個數，訓練RBF神經網絡；步驟4，利用RBF神經網絡的輸出值與濃度數據通過偏最小二乘算法得出主成分個數；步驟5，根據訓練集中的各樣本的貢獻值和貢獻率的大小確定RBF神經網絡的隱含層節點；步驟6，將主成分個數作為新的RBF神經網絡的隱含層的節點個數，并將步驟5中的隱含層節點作為新的RBF神經網絡的陷節點，將相關波數集、無關波數集作為新的RBF神經網絡的輸入，訓練新的RBF神經網絡從而得到校正模型。

進一步地，步驟1之前還包括以下步驟：根據光譜樣本之間的距離及濃度樣本之間的距離，對光譜數據進行劃分，從而得到校正集，其中，校正集用于建立校正模型。

進一步地，步驟2還包括：將校正集等分為多個子區間，分別計算每個子區間的權重值；根據全譜權重值和每個子區間的權重值，利用下式將各子區間劃分到相關波長集、無關波長集和噪聲波長集中：