[发明专利]一种红外光谱数据PLS建模方法

说明书

技术领域

本发明属于红外光谱识别领域，具体是一种能提升红外光谱偏最小二乘建模效果的数据处理方法。

背景技术

在小样本多变量的红外光谱数据中，PLS模型可以很好的解决其它建模方法所遇到的变量共线性问题和维数灾难，因此在红外光谱识别中得到了广泛的用。虽然PLS可以直接对全光谱建模，但是理论和大量的实验证明波长选择仍是一种有效的提高PLS模型的方法。波长优化选择是指通过一定的方法在建模之前进行特征波长或波段的筛选。经波长选择后所建模型由于剔除了不相关或非线性变量，因此较全波长模型更为简化，预测能力和稳健性也更好。其中iPLS(interval PLS-iPLS)是一种常用的波长选择方法。iPLS方法的优点是简便、可视化、运算量小，可以很快的找到特征波长区间。缺点是只利用一个间隔区间的光谱信息，可能丢失其他间隔区间的有用的光谱信息。因此如何最好的利用各个间隔区间的光谱信息是亟待解决的问题。

发明内容

本发明所要解决的技术问题是，针对上述现有技术的不足，提供一种红外光谱数据PLS建模方法。

为解决上述技术问题，本发明所采用的技术方案是：一种红外光谱数据PLS建模方法，包括以下步骤：

1)设置最大间隔区间数max_int_no、最大潜变量数max_lv_no、交叉法的重数k₁和k₂；其中，k₁、k₂均不小于2；

2)计算间隔区间数为int_no时，对应的融合PLS模型的交叉验证误差，计算的步骤都是2.1至2.2，其中1≤int_no≤max_int_no：

2.1)将红外光谱样本集数据中的光谱矩阵X平均分为int_no个间隔区间X_i：每个间隔区间的列数[]表示取整；第i个间隔区间X_i对应光谱矩阵X的第[(i-1)×l+1]～(i×l)列的数据；1≤i≤int_no；

2.2)计算潜变量数为lv_no时，融合PLS模型的其中1≤lv_no≤max_lv_no，计算的步骤都是2.2.1至2.2.5；

2.2.1)用k₁重交叉法计算间隔数为int_no，潜变量数为lv_no时，各个间隔区间对应的PLS模型的交叉验证误差其中y表示红外光谱样本集数据中的因变量矩阵的实际值，表示第i个间隔区间对应的潜变量数为lv_no的PLS模型根据k1重交叉法得到的因变量矩阵的预测值，e_i是相应的预测残差矩阵，n是红外光谱样本集数据的样品数；

2.2.2)计算间隔数为int_no，潜变量数为lv_no时，各个间隔区间对应的PLS模型的预测残差矩阵之间的相关性其中，cov(ei,ej)=1n<ei,ej>,i,j=1,2,...,int_no;]]>

2.2.3)通过非线性优化的方法计算下式，