[发明专利]一种基于自步学习的红外光谱定量分析方法及系统

说明书

本发明公开了一种基于自步学习的红外光谱定量分析方法及系统，方法包括：S1、分别从标准样品的红外光谱数据和待测样品的红外光谱数据中提取出标准样品的红外光谱矩阵和待测样品的红外光谱矩阵，获取标准样品的浓度数据；S2、根据标准样品的红外光谱矩阵和标准样品的浓度数据，获取用于表示红外光谱矩阵与浓度数据之间关系的偏最小二乘权重向量；S3、根据偏最小二乘权重向量构建偏最小二乘预测模型，将待测样品的红外光谱矩阵输入偏最小二乘预测模型，计算得到待测样品的浓度数据。本发明的有益效果是：相对于现有的传统偏最小二乘算法，该方法具有更好的稳定性和泛化能力，具有较强的抗噪声能力。

技术领域

本发明涉及红外光谱定量分析和化学计量学领域，特别涉及一种基于自步学习的红外光谱定量分析方法及系统。

背景技术

红外光谱技术是一种高效快速的现代分析技术，综合运用了计算机技术、光谱技术和化学计量学等多个学科的研究成果，以其独特的优势在农业、石油化工、医药等多个领域得到了日益广泛的作用。红外光谱具有丰富的结构和组成信息，能够准确反映不同分子结构对红外光的吸收程度，非常适合用于碳氢有机物质的组成性质(如物质的组分浓度)测量。随着化学计量学以及化学分析技术的飞速发展，偏最小二乘回归算法是红外光谱定量分析中最常用的方法，它是由S.Wold等人于1983年提出，主要用来解决化学计量学中变量共线性问题和高维小样本回归问题。在实际应用中，传统的偏最小二乘回归算法采用NIPALS算法实现，关键在于求解偏最小二乘权重向量。在模型训练阶段，NIPALS算法采用最小二乘法来求解偏最小二乘权重向量，求解得到的权重向量可在物质浓度向量和红外光谱矩阵之间建立定量关联关系。最小二乘法通常易受噪声和异常样本的影响，而红外光谱矩阵由红外光谱数据组成，红外光谱数据往往包含一些与待测样品性质无关的因素带来的干扰，如样品的状态、光的散射、杂散光及仪器响应等的影响，从而包含数据噪声或异常样本点。因此，基于最小二乘法的偏最小二乘权重向量的求解过程常常不稳定，从而导致红外光谱定量分析结果也不稳定。

发明内容

本发明提供了一种基于自步学习的红外光谱定量分析方法及系统，解决了现有技术的技术问题。

本发明解决上述技术问题的技术方案如下：

一种基于自步学习的红外光谱定量分析方法，包括：

S1、分别从标准样品的红外光谱数据和待测样品的红外光谱数据中提取出所述标准样品的红外光谱矩阵和所述待测样品的红外光谱矩阵，获取所述标准样品的浓度数据；

S2、根据所述标准样品的红外光谱矩阵和所述标准样品的浓度数据，获取用于表示红外光谱矩阵与浓度数据之间关系的偏最小二乘权重向量；

S3、根据所述偏最小二乘权重向量构建偏最小二乘预测模型，将所述待测样品的红外光谱矩阵输入所述偏最小二乘预测模型，计算得到所述待测样品的浓度数据。

本发明的有益效果是：本技术方案的输入为标准样品和预测样品的红外光谱数据，以及标准样品的浓度数据，输出为偏最小二乘预测模型和待测样品的浓度数据；在模型训练阶段中采用自步学习方法替代现有的最小二乘法，基于自步学习的偏最小二乘权重向量也能够有效地在浓度向量和红外光谱矩阵之间建立关联关系，能够很好的避免模型陷入局部最优；当红外光谱数据中含有噪声或异常样本点时，采用自步学习求解偏最小二乘权重向量，构建偏最小二乘预测模型，从而用于红外光谱定量分析，相对于现有的传统偏最小二乘算法，该方法具有更好的稳定性和泛化能力，能够更好的处理含有噪声和/或异常样本点的样本，具有较强的抗噪声能力。

在上述技术方案的基础上，本发明还可以做如下改进。

优选地，步骤S2包括：

S21、通过最小二乘法对所述标准样品的红外光谱矩阵和所述标准样品的浓度数据进行训练，构建偏最小二乘权重向量优化模型；

所述偏最小二乘权重向量优化模型的表达式为：