[發(fā)明專利]一種基于自步學習的紅外光譜定量分析方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710597983.5
• 申請日: 2017-07-20
• 公開（公告）號: CN107290297B
• 公開（公告）日: 2019-10-22
• 發(fā)明（設計）人: 彭江濤;陳娜;付輝敬
• 申請（專利權）人: 湖北大學
• 主分類號: G01N21/35
• 分類號: G01N21/35
• 代理公司: 北京輕創(chuàng)知識產(chǎn)權代理有限公司 11212
• 代理人: 楊立;陳璐

1.一種基于自步學習的紅外光譜定量分析方法，其特征在于，包括：

S1、分別從標準樣品的紅外光譜數(shù)據(jù)和待測樣品的紅外光譜數(shù)據(jù)中提取出所述標準樣品的紅外光譜矩陣和所述待測樣品的紅外光譜矩陣，獲取所述標準樣品的濃度數(shù)據(jù)；

S2、根據(jù)所述標準樣品的紅外光譜矩陣和所述標準樣品的濃度數(shù)據(jù)，獲取用于表示紅外光譜矩陣與濃度數(shù)據(jù)之間關系的偏最小二乘權重向量；

S3、根據(jù)所述偏最小二乘權重向量構建偏最小二乘預測模型，將所述待測樣品的紅外光譜矩陣輸入所述偏最小二乘預測模型，計算得到所述待測樣品的濃度數(shù)據(jù)；

其中，S2包括：

S21、通過最小二乘法對所述標準樣品的紅外光譜矩陣和所述標準樣品的濃度數(shù)據(jù)進行訓練，構建偏最小二乘權重向量優(yōu)化模型；

所述偏最小二乘權重向量優(yōu)化模型的表達式為：

其中，X為標準樣品的紅外光譜矩陣X＝[x₁,x₂,…x_i…,x_n]^T，其中，n為標準樣品的個數(shù)i∈{1,2,3…n}，x_i為第i個標準樣品的光譜向量；y為標準樣品的濃度數(shù)據(jù)對應的濃度向量y＝[y₁,y₂,…y_i…,y_n]^T，其中，y_i為第i個標準樣品對應的濃度值；w為偏最小二乘權重向量w＝[w₁,w₂,…w_j…,w_d]^T，d為光譜向量的特征維數(shù)，其中j∈{1,2,3…d}；

S22、通過自步學習方法對所述偏最小二乘權重向量優(yōu)化模型進行更新，得到基于自步學習的偏最小二乘權重向量優(yōu)化模型，即自步學習模型；

所述自步學習模型的表達式為：

其中，L(y_i,f(x_i,w))為真實濃度值y_i和估計濃度值f(x_i,w)之間的平方損失，w為偏最小二乘權重向量；v為當前模型的樣本權重向量v＝[v₁,v₂,…v_i…,v_n]^T，其中，v_i∈[0,1]為第i個樣本的權重值，用于衡量第i個樣本的學習難易程度；R(v,λ)為當前模型的自步正則項，其中，λ為步長參數(shù)，用于改變參與當前模型學習的樣本數(shù)目；

S23、根據(jù)所述自步學習模型獲取偏最小二乘權重向量。