[發明專利]多模型融合的光譜波長選擇方法

在審

• 申請號: 202110256176.3
• 申請日: 2021-03-09
• 公開（公告）號: CN113049507A
• 公開（公告）日: 2021-06-29
• 發明（設計）人: 陳小輝;黃劍;陳凌俊;胡志敏
• 申請（專利權）人: 三峽大學
• 主分類號: G01N21/31
• 分類號: G01N21/31;G06F17/17;G06F17/16
• 代理公司: 宜昌市三峽專利事務所 42103
• 代理人: 成鋼

本發明涉及光譜波長選擇方法，包括：將光譜劃分為多個波段區間；在每個波段區間上進行偏最小二乘回歸分析；計算每個波段對應變量的交互驗證均方差；找出交互驗證均方差小的波段，將這些波段區間對應的光譜吸收矩陣組合，得到新的光譜吸收矩陣；針對新的光譜吸收矩陣，使用蒙特卡洛采樣方法進行多次采樣，每次采樣去掉回歸系數相對較小的波長點，再建立偏最小二乘回歸分析模型，選出交互驗證均方差最小的波長變量集，作為候選的最優波長變量集；進行多輪采樣選出重復出現、穩定的波長變量，作為最優波長變量。本發明通過多輪的采樣、篩選，選出穩定的最優光譜波長變量，相比單一的光譜波長選擇模型，選出的光譜波長變量更少。

技術領域

本發明屬于物質成分光譜分析領域，具體涉及一種多模型融合的光譜波長選擇方法。

背景技術

光譜分析是一種新興的物質分析技術，由于其快速、無損、無二次污染等優點在農業、醫療、環境監測等領域得到了廣泛的應用。光譜分析采用的光譜數據類型主要包括拉曼光譜、紅外光譜、熒光光譜、紫外光譜幾種。在對混合物檢測中這幾種光譜都會得到大量的波長點并且不同物質的光譜吸收峰會出現重疊，波長變量會出現嚴重的共線性。這些特點會影響后續的定性與定量分析的精確度。因此，對光譜波長變量進行選擇，提取有用的變量對提高光譜分析預測物質濃度精確度具有重要意義。

光譜波長選擇傳統的方法包括相關系數法、連續投影法、無信息變量消除法、遺傳算法等。相關系數法是將校正集光譜陣中的每個自變量與待測屬性因變量進行相關性計算，相關系數絕對值越大的變量其信息越多，結合已知的化學知識給定閾值，選擇相關系數大于該閾值的變量參與建模。由于相關系數法是基于線性統計方法建立的，對于非線性相關及校正集樣本分布不均勻的情況，通過該方法選取的結果往往不可靠。

連續投影法(Successive Projections Algorithm，SPA)是一種前向變量循環選擇方法，它利用向量的投影分析，尋找含有最低限度冗余信息的變量組，能夠有效地消除光譜中變量間的共線性、奇異性和不穩定性影響，使向量間的共線性達到最小，同時減少建模所用變量的個數，降低模型的復雜度，從而提高建模的速度和效率。當樣本數量較小時，連續投影法的波長選擇效果不佳。

無信息變量消除法(Uninformative Variables Elimination，UVE)是基于偏最小二乘回歸系數建立的一種變量選擇方法，該方法通過往偏最小二乘回歸分析模型中添加幅度較小的隨機變量矩陣，然后基于交叉驗證建立偏最小二乘回歸分析模型。通過計算每個變量系數的平均值和標準差的商作為穩定性的值，然后和隨機變量矩陣得到的穩定性的值進行比較，去除被認為和隨機變量一樣對模型建立無效的波長變量。所選波長變量個數較多。

遺傳算法(Genetic Algorithm,GA)借鑒生物界自然選擇和遺傳機制，利用選擇、交換和突變等算子的操作，隨著不斷的遺傳迭代，使目標函數值較優的變量被保留，較差的變量被淘汰，最終達到最優結果。該算法要求較多的樣本進行訓練。

上述方法都是利用一種模型進行波長選擇，在全譜范圍內進行波長選擇后得到的波長變量仍然較多，并且需要的樣本訓練集較多。

發明內容

本發明的目的是針對上述問題，提供一種多模型融合的光譜波長選擇方法，將蒙特卡洛采樣方法與偏最小二乘回歸分析方法相結合，對光譜波長變量進行多輪篩選，選出穩定的最優波長變量，在不降低預測精度的前提下，使得光譜波長變量盡可能地少，以減少光譜波長變量預測物質濃度的計算量。

本發明的技術方案是多模型融合的光譜波長選擇方法，包括以下步驟：

步驟1：將光譜劃分為多個波段區間；

步驟2：在每個波段區間上進行偏最小二乘回歸分析；

步驟3：計算每個波段對應變量的交互驗證均方差；

步驟4：找出交互驗證均方差小的波段，將這些波段區間對應的光譜吸收矩陣組合，得到新的光譜吸收矩陣；