[發(fā)明專利]一種基于自步學(xué)習(xí)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(shè)計）人: 彭江濤;陳娜;付輝敬
• 申請（專利權(quán)）人: 湖北大學(xué)
• 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(quán)代理有限公司 11212
• 代理人: 楊立;陳璐

本發(fā)明公開了一種基于自步學(xué)習(xí)的紅外光譜定量分析方法及系統(tǒng)，方法包括：S1、分別從標(biāo)準(zhǔn)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)中提取出標(biāo)準(zhǔn)樣品的紅外光譜矩陣和待測樣品的紅外光譜矩陣，獲取標(biāo)準(zhǔn)樣品的濃度數(shù)據(jù)；S2、根據(jù)標(biāo)準(zhǔn)樣品的紅外光譜矩陣和標(biāo)準(zhǔn)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(guān)系的偏最小二乘權(quán)重向量；S3、根據(jù)偏最小二乘權(quán)重向量構(gòu)建偏最小二乘預(yù)測模型，將待測樣品的紅外光譜矩陣輸入偏最小二乘預(yù)測模型，計算得到待測樣品的濃度數(shù)據(jù)。本發(fā)明的有益效果是：相對于現(xiàn)有的傳統(tǒng)偏最小二乘算法，該方法具有更好的穩(wěn)定性和泛化能力，具有較強(qiáng)的抗噪聲能力。

技術(shù)領(lǐng)域

本發(fā)明涉及紅外光譜定量分析和化學(xué)計量學(xué)領(lǐng)域，特別涉及一種基于自步學(xué)習(xí)的紅外光譜定量分析方法及系統(tǒng)。

背景技術(shù)

紅外光譜技術(shù)是一種高效快速的現(xiàn)代分析技術(shù)，綜合運(yùn)用了計算機(jī)技術(shù)、光譜技術(shù)和化學(xué)計量學(xué)等多個學(xué)科的研究成果，以其獨(dú)特的優(yōu)勢在農(nóng)業(yè)、石油化工、醫(yī)藥等多個領(lǐng)域得到了日益廣泛的作用。紅外光譜具有豐富的結(jié)構(gòu)和組成信息，能夠準(zhǔn)確反映不同分子結(jié)構(gòu)對紅外光的吸收程度，非常適合用于碳?xì)溆袡C(jī)物質(zhì)的組成性質(zhì)(如物質(zhì)的組分濃度)測量。隨著化學(xué)計量學(xué)以及化學(xué)分析技術(shù)的飛速發(fā)展，偏最小二乘回歸算法是紅外光譜定量分析中最常用的方法，它是由S.Wold等人于1983年提出，主要用來解決化學(xué)計量學(xué)中變量共線性問題和高維小樣本回歸問題。在實際應(yīng)用中，傳統(tǒng)的偏最小二乘回歸算法采用NIPALS算法實現(xiàn)，關(guān)鍵在于求解偏最小二乘權(quán)重向量。在模型訓(xùn)練階段，NIPALS算法采用最小二乘法來求解偏最小二乘權(quán)重向量，求解得到的權(quán)重向量可在物質(zhì)濃度向量和紅外光譜矩陣之間建立定量關(guān)聯(lián)關(guān)系。最小二乘法通常易受噪聲和異常樣本的影響，而紅外光譜矩陣由紅外光譜數(shù)據(jù)組成，紅外光譜數(shù)據(jù)往往包含一些與待測樣品性質(zhì)無關(guān)的因素帶來的干擾，如樣品的狀態(tài)、光的散射、雜散光及儀器響應(yīng)等的影響，從而包含數(shù)據(jù)噪聲或異常樣本點(diǎn)。因此，基于最小二乘法的偏最小二乘權(quán)重向量的求解過程常常不穩(wěn)定，從而導(dǎo)致紅外光譜定量分析結(jié)果也不穩(wěn)定。

發(fā)明內(nèi)容

本發(fā)明提供了一種基于自步學(xué)習(xí)的紅外光譜定量分析方法及系統(tǒng)，解決了現(xiàn)有技術(shù)的技術(shù)問題。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案如下：

一種基于自步學(xué)習(xí)的紅外光譜定量分析方法，包括：

S1、分別從標(biāo)準(zhǔn)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(biāo)準(zhǔn)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(biāo)準(zhǔn)樣品的濃度數(shù)據(jù)；

S2、根據(jù)所述標(biāo)準(zhǔn)樣品的紅外光譜矩陣和所述標(biāo)準(zhǔn)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(guān)系的偏最小二乘權(quán)重向量；

S3、根據(jù)所述偏最小二乘權(quán)重向量構(gòu)建偏最小二乘預(yù)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(yù)測模型，計算得到所述待測樣品的濃度數(shù)據(jù)。

本發(fā)明的有益效果是：本技術(shù)方案的輸入為標(biāo)準(zhǔn)樣品和預(yù)測樣品的紅外光譜數(shù)據(jù)，以及標(biāo)準(zhǔn)樣品的濃度數(shù)據(jù)，輸出為偏最小二乘預(yù)測模型和待測樣品的濃度數(shù)據(jù)；在模型訓(xùn)練階段中采用自步學(xué)習(xí)方法替代現(xiàn)有的最小二乘法，基于自步學(xué)習(xí)的偏最小二乘權(quán)重向量也能夠有效地在濃度向量和紅外光譜矩陣之間建立關(guān)聯(lián)關(guān)系，能夠很好的避免模型陷入局部最優(yōu)；當(dāng)紅外光譜數(shù)據(jù)中含有噪聲或異常樣本點(diǎn)時，采用自步學(xué)習(xí)求解偏最小二乘權(quán)重向量，構(gòu)建偏最小二乘預(yù)測模型，從而用于紅外光譜定量分析，相對于現(xiàn)有的傳統(tǒng)偏最小二乘算法，該方法具有更好的穩(wěn)定性和泛化能力，能夠更好的處理含有噪聲和/或異常樣本點(diǎn)的樣本，具有較強(qiáng)的抗噪聲能力。

在上述技術(shù)方案的基礎(chǔ)上，本發(fā)明還可以做如下改進(jìn)。

優(yōu)選地，步驟S2包括：

S21、通過最小二乘法對所述標(biāo)準(zhǔn)樣品的紅外光譜矩陣和所述標(biāo)準(zhǔn)樣品的濃度數(shù)據(jù)進(jìn)行訓(xùn)練，構(gòu)建偏最小二乘權(quán)重向量優(yōu)化模型；

所述偏最小二乘權(quán)重向量優(yōu)化模型的表達(dá)式為：