[发明专利]基于优化偏最小二乘回归模型的样品成份测定方法

权利要求书

1.基于优化偏最小二乘回归模型的样品成份测定方法，其特征在于，包括以下步骤：

S1.采集样品的近红外光谱数据和样品成分含量数据；

S2.在步骤S1采集的近红外光谱数据和成份含量数据的基础上，建立基于潜变量优化选择的偏最小二乘回归模型；具体包括以下步骤：

P1.在以样品对近红外光谱的吸光度为自变量矩阵X，相应地以样品的化学成份含量为应变量矩阵Y的基础上，把参与建模的数据集分为训练数据集和标定数据集

P2.利用偏最小二乘回归法建立模型后对训练数据集X_tr和Y_tr进行训练求得X_tr的投影矩阵W、得分矩阵T、载荷矩阵P，Y_tr的载荷矩阵Q、得分矩阵U，T和U内部关系的回归系数矩阵V，以及外部回归系数矩阵B，根据X_ca和得到Y_ca的预测值若新增潜变量数降低了预测值的预测精度，则权值置为0，否则置为1，继续测试后续潜变量数后得到关于权值的对角矩阵D，将W、T、P、Q、U和V分别与D相乘相应得到优化后的参数W_L、T_L、P_L、U_L、Q_L和V_L；

S3.采集待测的未知样品的近红外光谱数据，用步骤S2建立的模型预测该未知样品的成分含量。

2.根据权利要求1所述的基于优化偏最小二乘回归模型的样品成份测定方法，其特征在于，所述步骤S3为：

通过采集待测的未知样品对近红外光谱的吸光度作为待测数据集X_te，用步骤P2中求得的投影矩阵W_L和载荷P_L，求得数据集X_new的得分矩阵T_p，然后根据V_L，求出Y_new的得分矩阵U_p，最后根据得到待测数据集X_te所对应的样品成份含量预测值

3.根据权利要求1所述的基于优化偏最小二乘回归模型的样品成份测定方法，其特征在于：

建立偏最小二乘回归模型时，通过选取最优潜变量数以确保模型的质量；

其中最优潜变量数的选取方法是：将训练数据集随机划分为训练集和校正集，利用K-fold交叉验证，将校正集X、Y平均分为k份，每一份轮流当做测试集，其余k-1份用作训练集，运用公式预测误差求得k个均方根误差RMSE，并求得k个均方根误差RMSE的均值，其中n₂为测试集的样本数；然后对每个潜变量均进行相同的K-fold交叉验证，分别求得每个潜变量所对应的均方根误差RMSE的均值，以对应均方根误差RMSE的均值最小的潜变量数为最优潜变量数。

4.根据权利要求1所述的基于优化偏最小二乘回归模型的样品成份测定方法，其特征在于：所述待测的未知样品为有机物。

5.根据权利要求4所述的基于优化偏最小二乘回归模型的样品成份测定方法，其特征在于：所述待测的未知样品为肉类。

6.根据权利要求4所述的基于优化偏最小二乘回归模型的样品成份测定方法，其特征在于：所述待测的未知样品为草。