[发明专利]一种近红外定性分析模型的建立方法

说明书

技术领域

本发明涉及近红外定性分析领域中的建模方法，特别是一种近红外定性分析模型的建立方法。 

背景技术

近红外光谱(Near Infrared Spectroscopy，NIRS)分析是利用近红外光谱区包含的物质信息，用于有机物定性定量分析的一种分析方法，具有快速、无污染、样品不需预处理和同时可检测多种成分等优点。近红外光谱技术是一种间接分析技术，是通过定标模型的建立实现对未知样本的定性或定量分析。作为一种绿色、多能的分析技术，近红外光谱技术广泛被应用于农业、食品、石油化工、医药、林业、纺织业、矿物学和化妆品等领域。 

随着分析技术的快速发展，基于近红外光谱的各类检测技术也得到了广泛的应用，例如在食品安全领域，近红外光谱分析技术可以检测鲜肉的贮藏时间以判断鲜肉的新鲜程度；可以检测奶粉中某些特殊物质的含量以确保食用安全等。在药品安全领域，近红外光谱分析技术可以分析某种药物中的某些物质的含量，可以鉴别中草药、中草药中的有效成分测定等。可见近红外光谱分析技术的应用会越来越广泛，尤其是近红外光谱定性分析技术，会在今后的食品卫生领域会发挥越来越重要的作用。 

在近红外光谱定性分析中，通常包含几个步骤，包括采集样本光谱、训练模型、分类鉴别等。近红外光谱定性分析模型的准确性将决定分类效果的好坏。比如在奶粉的有害物质检测中，如果所建立的定性模型不能区分三聚氰胺和蛋白质(两者包含成分相同)，则会造成很严重的食品安全后果。 

目前近红外光谱在定性分析领域中的研究与应用较少，涉及的近红外定性分析模型的建立方法更少，因此急需一种操作简单、快速高效、准确率高的定性分析模型建立方法。因此，为了解决上述问题，本方法提供了 一种近红外定性分析模型的建立方法。 

发明内容

(一)要解决的技术问题 

有鉴于此，本发明的主要目的是为了提供一种简单可行的建立近红外定性分析模型的方法。 

(二)技术方案 

为达到上述目的，本发明提供了一种近红外定性分析模型的建立方法，该方法包括： 

步骤1：采集样本的近红外光谱数据，并确定建模样本数据； 

步骤2：对建模样本数据进行预处理； 

步骤3：对建模样本数据进行偏最小二乘(PLS)特征提取； 

步骤4：对建模样本数据进行正交线性判别分析(OLDA)特征提取； 

步骤5：采用支持向量机(SVM)方法建立定性分析模型。 

上述方案中，步骤1中所述采集样本的近红外光谱数据，是采用近红外光谱仪在不同时间采集样本的近红外光谱数据。所述近红外光谱仪是测试单粒样本的微型光谱仪，或者是测试整杯样本的普通光谱仪，采集方式包括漫反射或透射。如果有相同型号的多台近红外光谱仪，则在采集样本的近红外光谱数据时，多台近红外光谱仪所处的外部环境相同；对同一份样本，在相同的测量时间点要求在不同的近红外光谱仪上进行测量，得到对应的多条光谱数据。 

上述方案中，步骤1中所述的确定建模样本数据，是将能够对一些不确定信息进行包容的数据作为建模样本数据，以减小光谱的变动影响模型对光谱鉴别的准确性，该些不确定信息是指样本自身属性不同、光谱采集时间不同和/或光谱采集仪器不同。 

上述方案中，步骤2中所述对建模样本数据进行预处理，是去除或降低不确定的背景信息对光谱数据的噪声干扰，采用的预处理方法包括数据归一化处理、导数法处理、平滑处理或中心化及标准化处理。所述不确定的背景信息是指受近红外光谱仪仪器状态、测定条件与环境影响的信息。 

上述方案中，步骤3中所述对建模样本数据进行偏最小二乘特征提取，具体包括： 

步骤31：对建模集数据进行偏最小二乘特征提取，得到偏最小二乘特征矩阵； 

步骤32：利用得到的偏最小二乘特征矩阵，将经过预处理之后的建模集数据变换到偏最小二乘空间中。 

上述方案中，步骤3中所述建模样本数据，是指经过预处理之后的建模样本数据。 

上述方案中，步骤31中所述进行偏最小二乘特征提取，得到偏最小二乘特征矩阵的过程如下： 

步骤311：对样本数据进行标准化处理，即令样本的各个变量的均值为0，方差为1；令样本矩阵为X₀，类别信息矩阵为Y₀；其中，X₀定义为n条光谱p个数据点的原始光谱矩阵，Y₀为对应的类别属性矩阵：