[發明專利]復雜光譜組分濃度定量計算的方法

有效

• 申請號: 202010124915.9
• 申請日: 2020-02-27
• 公開（公告）號: CN111289451B
• 公開（公告）日: 2021-03-16
• 發明（設計）人: 李揚;劉曉海
• 申請（專利權）人: 歐梯恩智能科技（蘇州）有限公司
• 主分類號: G01N21/31
• 分類號: G01N21/31
• 代理公司: 北京商專潤文專利代理事務所(普通合伙) 11317
• 代理人: 邢若蘭

本發明公開復雜光譜組分濃度定量計算的方法，包括采集純物質的吸收光譜，獲得純物質的不同特征峰及不同特征峰之間的關聯函數；采集待測樣品的光譜數據，獲得原始譜；對待測樣品進行定性分析，篩選出對應的純物質的特征峰及特征峰關聯函數；將篩選出的所有純物質及純物質的特征峰關聯函數導入到原始譜中，通過深度學習算法進行學習和自回歸，獲得組分濃度。本發明對單一純物質的不同特征峰進行了關聯，有效加快了計算速度；可以同時對光譜上不同組分的所有特征峰濃度進行深度學習算法回歸，加快了計算速度和準確性；采用深度學習算法在濃度回歸分析上，而不是在物質識別上，進一步提高了計算速度，能夠即時輸出計算數據。

技術領域

本發明涉及光譜數據處理領域，尤其涉及復雜光譜組分濃度定量計算的方法。

背景技術

化學計量學的發展促進了光譜分析在環境分析等領域的發展。目前廣泛應用于紅外光譜和拉普光譜的定性與定量分析中。一般分析過程包括光譜預處理和校正模型兩個步驟。光譜預處理一般包括基線校正、散射校正、平滑和歸一化四個步驟，校正模型一般采用最小二乘法或多元線性回歸法進行，對于簡單體系，最小二乘法或多元線性回歸法都比較有效，但是復雜體系往往偏差較大。

隨著人工智能的發展，深度學習算法應用于光譜的定性與定量分析也受到了更廣泛的關注，神經網絡可以從原始數據中自動學習到分子光譜中隱藏的多維特征，對于定性模型具有較好的適應性，但深度學習算法由于參數量較多，導致計算量偏大而反應慢，不能滿足現場監測光譜儀即時出數據的需求，同時，由于參數量多，容易造成過度擬合，導致擬合失真。

發明內容

為了解決上述技術問題，本發明提出如下技術方案：

復雜光譜組分濃度定量計算的方法，包括以下步驟，

步驟S1：采集純物質的吸收光譜，并對吸收光譜進行特征峰提取和特征峰的關聯處理，獲得純物質的不同特征峰及不同特征峰之間的關聯函數；

步驟S2：采集待測樣品的光譜數據，并對光譜數據進行預處理，獲得原始譜；

步驟S3：對待測樣品進行定性分析，篩選出對應的純物質的特征峰及特征峰關聯函數；

步驟S4：將篩選出的所有純物質及純物質的特征峰關聯函數導入到原始譜中，通過深度學習算法進行學習和自回歸，獲得組分濃度。

進一步地，步驟S1包括，

對純物質的吸收光譜進行特征峰提取，

對純物質不同濃度的吸收光譜進行特征峰提取，并將獲得的所有特征峰建立吸光度與濃度的特征曲線；

對純物質所有特征曲線進行關聯，選取參考峰，建立關聯函數。

進一步地，對純物質的吸收光譜進行特征峰提取，提取方法為深度學習算法，主成分分析和偏最小二乘法中任意一種。

進一步地，參考峰為獲得的所有特征峰中的最大峰。

進一步地，步驟S2中，預處理包括基線歸零、平滑處理、散射校正和溫度校正。

進一步地，步驟S3包括，

獲取待測樣品中包含的物質種類，

根據獲得的物質種類，篩選出對應的純物質的特征峰及特征峰關聯函數。

進一步地，獲取待測樣品中包含的物質種類的方法為質譜法或色譜法。

進一步地，步驟S4包括，

將步驟S3中篩選出的特征峰及特征峰關聯函數導入到原始譜中進行擬合，建立初始模型；

對初始模型進行訓練；

采用隨機網格搜索方法和RELU函數進行收斂判斷；