[发明专利]基于特征迁移的样品成分含量测定方法

说明书

本发明公开了一种基于特征迁移的样品成分含量测定方法，采用基于ELM‑AE模型的标定迁移学习方法，将目标域待测样品的红外光谱数据特征映射到源域的特征空间中，然后利用源域的样品成分含量预测模型对所述目标域待测样品的成分含量进行预测。采用本发明的样品成分含量测定方法，预测精度更高。为了验证本发明的效果，发明人使用玉米和药片数据集对本发明提出的基于ELM‑AE模型的标定迁移学习方法进行了验证，并同时与PDS模型，SBC迁移模型的预测效果进行了比较。结果表明：对于玉米数据集和药片数据集，整体而言，本发明的TL‑ELM‑AE模型的预测性能均优于PDS模型和SBC迁移模型。

技术领域

本发明涉及一种基于特征迁移的样品成分含量测定方法，属于样品成分含量测定技术领域。

背景技术

近红外光谱技术是一种快速无损低成本的间接分析技术，利用红外光谱仪可以快速地测得样本的近红外光谱，再结合化学计量学的方法，建立起样本的额红外光谱与有效组分含量之间的多元标定模型，进而可以对未知样本的响应组分进行预测。而在近红外光谱的测量过程中，由于测量仪器的不同或者测量条件的改变，会导致原有的多元标定模型失去效果，而重新建立模型又是耗时耗力的一件事，甚至有的时候重新建模不具有可行性。更可接受的方式是做标定迁移，用来纠正主仪器和另一个仪器(子仪器)的光谱数据。本质上，就是将子仪器的光谱转换，使之看起来更像主光谱仪的数据，然后就可以使用主光谱仪的模型对之进行处理了。

在过去的几年里，不同的标定迁移技术得到发展，主要可以分为三类。第一类是当少量的新样本加入旧的样本集合，对模型进行更新。但加入的样本必须足够的变异信息。第二类标定迁移方法是降低不同测量数据的差异，包括多元散射校正(MSC)，有限长单位冲激响应滤波器(FIR)，正交信号校正(OSC)，广义最小二乘(GLS)等。第三类为标准化方法。通过斜率和偏置校正(SBC)，预测值能够被标准化，这是基于一个假设：两个光谱仪之间的预测值存在着线性相关，新样本的预测值可以通过偏置和回归方程的斜率进行校正。此外，子仪器的光谱通过校正成为接近主仪器的标准化的光谱，所以可以用原有的模型对子仪器光谱进行处理。如直接标准化(PS)和被Wang等人提出的分段直接标准化(PDS)。通常使用的为第三类标定迁移技术。但是现有的上述标定迁移方法仍然存在成分含量预测精度较低的问题。

发明内容

本发明的目的在于，提供一种基于特征迁移的样品成分含量测定方法，它可以有效解决现有技术中存在的问题，提高样品成分含量的整体预测精度。

为解决上述技术问题，本发明采用如下的技术方案：基于特征迁移的样品成分含量测定方法，采用基于ELM-AE模型的标定迁移学习方法，将目标域待测样品的红外光谱数据特征映射到源域的特征空间中，然后利用源域的样品成分含量预测模型对所述目标域待测样品的成分含量进行预测。

优选的，具体包括以下步骤：

S1，采用ELM-AE模型(即极限学习机自编码算法)对源域和目标域的红外光谱数据进行特征提取；

S2，建立基于源域特征的多元标定模型以及源域和目标域之间的多元标定迁移模型；

S3，采集目标域待测样品的红外光谱数据，进行特征提取转换后，利用源域的多元标定模型对所述目标域待测样品的成分含量进行预测。

本发明通过采用ELM-AE模型(即极限学习机自编码算法)对源域和目标域的红外光谱数据进行特征提取，不仅提取速度快，无需调参，全局最优，而且可以用来特征降维。

前述的基于特征迁移的样品成分含量测定方法中，步骤S1中所述的采用ELM-AE模型 (即极限学习机自编码算法)对源域和目标域的红外光谱数据进行特征提取，具体通过以下方式获得：

H_S＝X_S·W_S