[發明專利]一種復雜樣品定量分析新方法

在審

• 申請號: 201810216010.7
• 申請日: 2018-03-13
• 公開（公告）號: CN110310712A
• 公開（公告）日: 2019-10-08
• 發明（設計）人: 譚小耀;周亞林;卞希慧
• 申請（專利權）人: 天津工業大學
• 主分類號: G16C20/30
• 分類號: G16C20/30
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明涉及復雜樣品的定量分析新方法，由于傳統的建模方法存在負荷量大、學習速度慢、易陷入局部極小等問題，本發明引入了極限學習機(ELM)建立復雜樣品定量分析方法。首先采用一定的分組方式將數據集劃分為訓練集和預測集。然后根據預測集的RMSEP確定ELM模型的激勵函數和隱藏節點數，采用確定好的最優參數建立ELM模型。對于未知樣品，代入模型預測未知樣本中被測成分的含量。本發明方法具有很高的預測精度，在運行時間上也有明顯的優勢。

技術領域

本發明屬于分析化學領域的分析方法，具體涉及一種復雜樣品定量分析新方法。

背景技術

復雜樣品組分的定量分析是分析化學研究中的重要問題之一，將化學計量學結合光譜技術對樣品進行定量分析在分析化學領域備受關注。多元校正是將被測組分的含量與檢測儀器的響應值通過數學方法建立模型，然后利用模型對未知樣品組分含量進行預測。常用的多元校正方法有偏最小二乘回歸(PLS)、人工神經網絡(ANN)、支持向量回歸(SVR)等。其中PLS是一種線性建模方法，在遇到復雜非線性問題時，建模效果不是很好。ANN和SVR作為兩種常用的非線性建模方法在解決實際問題中得到了廣泛的應用。但這兩種傳統算法面臨一些難以克服的缺陷，如學習速度慢、需設置大量參數、易陷入局部極小、算法復雜，難以改進擴展等問題。所以需要尋找一種快速有效的分析復雜樣品中組分含量的方法。

前饋神經網絡因其明顯的優點已經被廣泛應用于各個領域。一方面，它可以從輸入樣品中直接逼近復雜的非線性映射；另一方面，它可以為大量自然與人為現象提供模型，傳統的參數化技術很難做到。但是，因為不同層參數存在依賴以至于前饋神經網絡的所有參數都需要調整，這使前饋神經網絡非常耗時。對此，2004年南洋理工大學黃廣斌提出了一種解決單隱層前饋神經網絡(single hidden layer feedforward neural network，SLFNs)的新算法，命名為極限學習機(Extreme Learning Machine，ELM)。與傳統的神經網絡學習算法相比，極限學習機有更快的學習速度，更好的泛化性能和最少的人為干預。

由于ELM的優良性能，該方法已經應用于食品鑒別、圖像處理等許多實際問題中。但該方法在復雜樣品定量分析中的應用非常少。本發明引進極限學習機方法，結合光譜分析技術，擬建立復雜樣品組分快速、有效的定量檢測方法。

發明內容

本發明的目的是針對上述存在的問題，提供一種復雜樣品定量分析新方法，對于復雜樣品中組分含量的測定具有重要意義。

為實現本發明所提供的技術方案包括以下步驟：

(1)數據采集

采集被測物樣本光譜數據，用常規方法測定樣本被測成分的含量。采用一定的分組方式將樣本集劃分為訓練集和預測集，其中訓練集樣本用來建立模型并優化參數，預測集樣本用來檢驗模型的預測能力。

(2)ELM參數優化

ELM進行計算時需要設置兩個參數：激勵函數和隱藏層節點數，選取的激勵函數包括：Sigmoid函數(簡稱為sig)、Sine函數(簡稱為sin)、Hardlim函數、Triangular Basis函數(簡稱為tribas)和Radial Basis函數(簡稱為radbas)；其中參數隱層節點數是正整數，從1變化到某個設定值N。選取激勵函數和設置隱藏層節點數對ELM的精確度有顯著的影響，根據訓練集光譜的RMSEP值隨選取激勵函數和隱藏層節點數的變化，當RMSEP達到最小時對應的激勵函數和隱藏層節點數為最佳參數。

(3)ELM模型建立

采用最佳參數設置激勵函數和隱藏層節點數，建立最優ELM模型。

(4)未知樣本預測

將預測集光譜代到確立的ELM模型中，預測未知樣本中被測成分的含量。

附圖說明