[發明專利]基于近紅外光譜的非線性建模方法及系統

在審

• 申請號: 201610589280.3
• 申請日: 2016-07-25
• 公開（公告）號: CN107655850A
• 公開（公告）日: 2018-02-02
• 發明（設計）人: 詹映;薛慶逾;石超
• 申請（專利權）人: 上海創和億電子科技發展有限公司
• 主分類號: G01N21/359
• 分類號: G01N21/359
• 代理公司: 上海光華專利事務所(普通合伙)31219
• 代理人: 王再朝

技術領域

本發明涉及非線性建模領域，特別是涉及基于近紅外光譜的非線性建模方法及系統。

背景技術

近紅外光譜主要是分子內倍頻和合頻的吸收，光譜強度較弱，譜帶較寬，重疊嚴重，近紅外光譜的分析常常要結合化學計量學方法。常用的化學計量學方法有多元線性回歸、主成分回歸、偏最小二乘法等回歸方法，這些回歸分析都是基于光譜響應與相對應的化學值之間的線性關系來建立的，并不具備非線性校正的能力。

然而，光譜響應與化學值之間并不是存在著嚴格的線性關系，特別是對于成分復雜的樣本。在回歸分析中，校正集樣本的選擇影響整個模型的預測精度和適用性，所以建模時要求建模集樣本的光譜特征和化學值范圍覆蓋整個驗證和的光譜特征和性質范圍，這就往往造成建模集樣本量非常大。但是，大量的樣本不僅帶來大量不相關因素之間的干擾，由于不同的樣品間也會存在較大的差異，特別是對于非線性的光譜響應，嚴重影響模型的適用性和預測的準確度。可見，一種簡單、方便、校正集樣本量少，又能覆蓋驗證集所有光譜特征和化學性質范圍的非線性建模方法非常有必要。

發明內容

鑒于以上所述現有技術的缺點，本發明的目的在于提供基于近紅外光譜的非線性建模方法及系統，用于解決現有技術中存在的以上問題。

為實現上述目的及其他相關目的，本發明提供基于近紅外光譜的非線性建模方法，包括：準備多個實驗樣本，包括：采集各所述實驗樣本的光譜圖，并轉換成近紅外光譜數據；從各所述近紅外光譜數據隨機挑出一部分作為校正集，挑出一部分作為驗證集；將所述校正集和所述驗證集通過主成分分析得到光譜特征空間；在所述光譜特征空間中，通過馬氏距離法選取所述校正集里與所述驗證集的各個樣本最近似的樣本作為校正子集；從所述校正子集中提取主成分數，作為BP神經網絡的輸入層建立回歸模型。

于本發明一實施例中，所述方法還包括以下步驟中的一種或多種：步驟A、用所述回歸模型驗證所述驗證集中的樣本；步驟B、用全局建模方法驗證所述驗證集中的樣本，并將驗證結果與所述步驟A得到的驗證結果比對。

于本發明一實施例中，所述馬氏距離法的計算公式為：

其中，MD_i為驗證集中第i個樣本到校正集的馬氏距離，S_i為驗證集中第i個樣品的主成分得分矩陣，S_j為校正集中第j個樣本的主成分得分矩陣，V為主成分得分矩陣的協方差。

于本發明一實施例中，所述從所述校正子集中提取主成分數，作為BP神經網絡的輸入層建立回歸模型，包括：運用偏最小二乘法對所述校正子集通過交叉有效性分析確定主成分數，將所述主成分數作為BP神經網絡的輸入層建立非線性模型。

于本發明一實施例中，在所述采集了各實驗樣本的光譜圖之后，還包括：將各所述光譜圖獨立保存為各.dx格式的文件。

為實現上述目的及其他相關目的，本發明提供基于近紅外光譜的非線性建模系統，包括：第一模塊至第五模塊。第一模塊用于采集各所述實驗樣本的光譜圖，并轉換成近紅外光譜數據；第二模塊用于從各所述近紅外光譜數據隨機挑出一部分作為校正集，挑出一部分作為驗證集；第三模塊用于將所述校正集和所述驗證集通過主成分分析得到光譜特征空間；第四模塊用于在所述光譜特征空間中，通過馬氏距離法選取所述校正集里與所述驗證集的各個樣本最近似的樣本作為校正子集；第五模塊用于從所述校正子集中提取主成分數，作為BP神經網絡的輸入層建立回歸模型。

于本發明一實施例中，所述系統還包括：第六模塊，或者，第六模塊和第七模塊的組合。第六模塊用于根據所述回歸模型驗證所述驗證集中的樣本；第七模塊用于根據全局建模方法驗證所述驗證集中的樣本，并將驗證結果與所述回歸模型得到的驗證結果比對。

于本發明一實施例中，所述馬氏距離法的計算公式為：

其中，MD_i為驗證集中第i個樣本到校正集的馬氏距離，S_i為驗證集中第i個樣品的主成分得分矩陣，S_j為校正集中第j個樣本的主成分得分矩陣，V為主成分得分矩陣的協方差。

于本發明一實施例中，所述從所述校正子集中提取主成分數，作為BP神經網絡的輸入層建立回歸模型，包括：運用偏最小二乘法對所述校正子集通過交叉有效性分析確定主成分數，將所述主成分數作為BP神經網絡的輸入層建立非線性模型。

于本發明一實施例中，所述第一模塊還用于：在所述采集了各實驗樣本的光譜圖之后，將各所述光譜圖獨立保存為各.dx格式的文件。