[發明專利]基于特征遷移的樣品成分含量測定方法

在審

• 申請號: 201711334521.0
• 申請日: 2017-12-13
• 公開（公告）號: CN108152239A
• 公開（公告）日: 2018-06-12
• 發明（設計）人: 單鵬;安玉艷;趙煜輝;劉懷俊
• 申請（專利權）人: 東北大學秦皇島分校
• 主分類號: G01N21/35
• 分類號: G01N21/35;G01N21/3563;G01N21/359;G06K9/00
• 代理公司: 北京聯創佳為專利事務所(普通合伙) 11362
• 代理人: 劉美蓮;郭防

本發明公開了一種基于特征遷移的樣品成分含量測定方法，采用基于ELM?AE模型的標定遷移學習方法，將目標域待測樣品的紅外光譜數據特征映射到源域的特征空間中，然后利用源域的樣品成分含量預測模型對所述目標域待測樣品的成分含量進行預測。采用本發明的樣品成分含量測定方法，預測精度更高。為了驗證本發明的效果，發明人使用玉米和藥片數據集對本發明提出的基于ELM?AE模型的標定遷移學習方法進行了驗證，并同時與PDS模型，SBC遷移模型的預測效果進行了比較。結果表明：對于玉米數據集和藥片數據集，整體而言，本發明的TL?ELM?AE模型的預測性能均優于PDS模型和SBC遷移模型。

技術領域

本發明涉及一種基于特征遷移的樣品成分含量測定方法，屬于樣品成分含量測定技術領域。

背景技術

近紅外光譜技術是一種快速無損低成本的間接分析技術，利用紅外光譜儀可以快速地測得樣本的近紅外光譜，再結合化學計量學的方法，建立起樣本的額紅外光譜與有效組分含量之間的多元標定模型，進而可以對未知樣本的響應組分進行預測。而在近紅外光譜的測量過程中，由于測量儀器的不同或者測量條件的改變，會導致原有的多元標定模型失去效果，而重新建立模型又是耗時耗力的一件事，甚至有的時候重新建模不具有可行性。更可接受的方式是做標定遷移，用來糾正主儀器和另一個儀器(子儀器)的光譜數據。本質上，就是將子儀器的光譜轉換，使之看起來更像主光譜儀的數據，然后就可以使用主光譜儀的模型對之進行處理了。

在過去的幾年里，不同的標定遷移技術得到發展，主要可以分為三類。第一類是當少量的新樣本加入舊的樣本集合，對模型進行更新。但加入的樣本必須足夠的變異信息。第二類標定遷移方法是降低不同測量數據的差異，包括多元散射校正(MSC)，有限長單位沖激響應濾波器(FIR)，正交信號校正(OSC)，廣義最小二乘(GLS)等。第三類為標準化方法。通過斜率和偏置校正(SBC)，預測值能夠被標準化，這是基于一個假設：兩個光譜儀之間的預測值存在著線性相關，新樣本的預測值可以通過偏置和回歸方程的斜率進行校正。此外，子儀器的光譜通過校正成為接近主儀器的標準化的光譜，所以可以用原有的模型對子儀器光譜進行處理。如直接標準化(PS)和被Wang等人提出的分段直接標準化(PDS)。通常使用的為第三類標定遷移技術。但是現有的上述標定遷移方法仍然存在成分含量預測精度較低的問題。

發明內容

本發明的目的在于，提供一種基于特征遷移的樣品成分含量測定方法，它可以有效解決現有技術中存在的問題，提高樣品成分含量的整體預測精度。

為解決上述技術問題，本發明采用如下的技術方案：基于特征遷移的樣品成分含量測定方法，采用基于ELM-AE模型的標定遷移學習方法，將目標域待測樣品的紅外光譜數據特征映射到源域的特征空間中，然后利用源域的樣品成分含量預測模型對所述目標域待測樣品的成分含量進行預測。

優選的，具體包括以下步驟：

S1，采用ELM-AE模型(即極限學習機自編碼算法)對源域和目標域的紅外光譜數據進行特征提取；

S2，建立基于源域特征的多元標定模型以及源域和目標域之間的多元標定遷移模型；

S3，采集目標域待測樣品的紅外光譜數據，進行特征提取轉換后，利用源域的多元標定模型對所述目標域待測樣品的成分含量進行預測。

本發明通過采用ELM-AE模型(即極限學習機自編碼算法)對源域和目標域的紅外光譜數據進行特征提取，不僅提取速度快，無需調參，全局最優，而且可以用來特征降維。

前述的基于特征遷移的樣品成分含量測定方法中，步驟S1中所述的采用ELM-AE模型 (即極限學習機自編碼算法)對源域和目標域的紅外光譜數據進行特征提取，具體通過以下方式獲得：

H_S＝X_S·W_S