[發(fā)明專利]一種基于近紅外光譜技術(shù)分析物質(zhì)濃度的方法及系統(tǒng)

在審

• 申請?zhí)枺?/td>: 202210140947.7
• 申請日: 2022-02-16
• 公開（公告）號: CN114611582A
• 公開（公告）日: 2022-06-10
• 發(fā)明（設(shè)計）人: 陳孝敬;黃光造;石文;袁雷明;陳熙;蔣成璽
• 申請（專利權(quán)）人: 溫州大學(xué)
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06F17/18;G06F17/16;G01N21/359
• 代理公司: 溫州名創(chuàng)知識產(chǎn)權(quán)代理有限公司 33258
• 代理人: 程嘉煒

1.一種基于近紅外光譜技術(shù)分析物質(zhì)濃度的方法，其特征在于，包括以下步驟：

在采用近紅外光譜分析待測物質(zhì)時，確定待測物質(zhì)的原始域已知樣本及目標(biāo)域已知樣本的近紅外光譜數(shù)據(jù)，并根據(jù)所述原始域已知樣本及所述目標(biāo)域已知樣本的近紅外光譜數(shù)據(jù)，構(gòu)建出所述原始域已知樣本的光譜矩陣和濃度向量矩陣，以及所述目標(biāo)域已知樣本的光譜矩陣和濃度向量矩陣；

對所述原始域已知樣本及所述目標(biāo)域已知樣本的光譜矩陣均進(jìn)行預(yù)處理；

構(gòu)造基于PLS的海賽矩陣以及所述海賽矩陣中各樣本的下降梯度；

基于所述海賽矩陣及對應(yīng)的下降梯度，并結(jié)合所述原始域已知樣本及所述目標(biāo)域已知樣本進(jìn)行預(yù)處理后的光譜矩陣，以及所述原始域已知樣本及所述目標(biāo)域已知樣本的濃度向量矩陣，計算出所述原始域已知樣本對所述目標(biāo)域已知樣本的影響力；

根據(jù)所述影響力，對所述原始域已知樣本的光譜數(shù)據(jù)進(jìn)行子采樣，以得到用于構(gòu)建PLS回歸模型的最優(yōu)模型參數(shù)，并根據(jù)所得到的最優(yōu)模型參數(shù)，構(gòu)建PLS回歸模型；

獲取待測物質(zhì)中目標(biāo)域未知樣本的光譜數(shù)據(jù)，以構(gòu)建所述目標(biāo)域未知樣本的光譜矩陣，并將所述目標(biāo)域未知樣本的光譜矩陣導(dǎo)入所述PLS回歸模型進(jìn)行分析，得到所述目標(biāo)域未知樣本的濃度向量矩陣，以實現(xiàn)所述目標(biāo)域未知樣本的濃度預(yù)測。

2.如權(quán)利要求1所述的基于近紅外光譜技術(shù)分析物質(zhì)濃度的方法，其特征在于，所述對所述原始域已知樣本及所述目標(biāo)域已知樣本的光譜矩陣均進(jìn)行預(yù)處理的步驟，具體為：

將所述原始域已知樣本的光譜矩陣和所述目標(biāo)域已知樣本的光譜矩陣分別減去各自的行向量均值。

3.如權(quán)利要求1所述的基于近紅外光譜技術(shù)分析物質(zhì)濃度的方法，其特征在于，所述基于所述海賽矩陣及對應(yīng)的下降梯度，并結(jié)合所述原始域已知樣本及所述目標(biāo)域已知樣本進(jìn)行預(yù)處理后的光譜矩陣，以及所述原始域已知樣本及所述目標(biāo)域已知樣本的濃度向量矩陣，計算出所述原始域已知樣本對所述目標(biāo)域已知樣本的影響力的具體步驟包括：

確定預(yù)處理后的原始域已知樣本的光譜矩陣X_s，原始域已知樣本的濃度向量矩陣y_s，預(yù)處理后的目標(biāo)域已知樣本的光譜矩陣X_t，目標(biāo)域已知樣本的濃度向量矩陣y_t；

通過公式計算原始域已知樣本z_i對回歸系數(shù)θ的影響

通過公式計算原始域已知樣本z_i對目標(biāo)域已知樣本z的損失影響

通過公式計算原始域已知樣本z_i對目標(biāo)域已知樣本數(shù)據(jù)集中所有樣本的損失影響φ_i。

4.如權(quán)利要求3所述的基于近紅外光譜技術(shù)分析物質(zhì)濃度的方法，其特征在于，所述根據(jù)所述影響力，對所述原始域已知樣本的光譜數(shù)據(jù)進(jìn)行子采樣，以得到用于構(gòu)建PLS回歸模型的最優(yōu)模型參數(shù)的步驟，具體為：

對于給定的原始域已知樣本z_i，從訓(xùn)練集中篩選出影響最負(fù)面的100*α的樣本，增加α直到RMSEV曲線收斂；其中，所述原始域已知樣本z_i的權(quán)值表示為threshold_α表示閾值；O_i＝0表示需要移除的樣本；α∈(0,1)；RMSEV表示在目標(biāo)域上的均方根誤差，且

給定潛在變量數(shù)量A∈[1,MaxLV]，分別對每一個A建立相應(yīng)的模型，并找出對應(yīng)最小RMSEV時的α值，且進(jìn)一步將對應(yīng)最小RMSEV時的α和A為PLS回歸模型的最優(yōu)模型參數(shù)輸出；其中，MaxLV表示最大的潛在變量的數(shù)目。