[发明专利]一种基于结合岭回归和递归特征消除的定量分析方法

说明书

本发明涉及一种基于结合岭回归和递归特征消除的定量分析方法，包括：获取光谱数据和位置信息；对光谱数据进行全谱和归一化；划分为训练集和验证集并标准化；对训练集建立岭回归标定模型，记录模型系数绝对值；删除最小系数绝对值对应光谱特征获取新的特征子集；确定评价模型，以留一验证方式建模并记录RMSECV；重复迭代直至算法跳出循环；根据RMSECV确定最优光谱特征子集和元素浓度标定模型；以验证集数据作为最优模型输入，得到验证集RMSEP。本方法的最优标定模型可实现对待测元素浓度较为准确定量分析。缓解元素标定中的过拟合和光谱数据中的多重共线性问题，有效减少了特征子集的搜索空间，在高判定系数下有效减少均方根误差。

技术领域

本发明属于光谱分析及物质材料组成成分分析领域，具体来讲是一种基于结合岭回归和递归特征消除的定量分析方法。

背景技术

激光诱导击穿光谱(LIBS)技术利用聚焦透镜将激光束聚焦在样品表面，使样品表面烧蚀、激发产生瞬态等离子体。通过采集等离子体发射谱线，从而对待测物质中元素成分进行定性定量分析。LIBS以其全元素、原位、在线、快速、无需样品制备等诸多优势被广泛地用于各种固体、液体、气体等物质的分析。复杂样品中通常包含丰富的元素信息，分析元素的测定容易受到其它元素的影响，因而采用单变量的方式无法满足实验分析的可靠性。多变量分析方法能够充分利用光谱中的信息获得更好的分析结果，但是过多的特征作为模型输入会增加模型复杂度，容易形成过拟合问题，因此对高维光谱数据进行特征选择，减少模型输入数据维数是非常必要的。

目前普遍采用的特征选择方式分为过滤式、包裹式、嵌入式三种方式。过滤式特征选择方式通过计算某一统计指标对光谱特征进行选择，能对单一特征谱线进行筛选，最终得到的是具有大量相似性质的光谱特征。包裹式方法利用随机搜索算法进行子集筛选并以最终拟合模型的拟合结果评价特征子集，通常会产生过拟合问题，并且使用随机搜索算法进行子集筛选，子集搜索空间大计算时间长。嵌入式特征选择方法只进行一次模型训练，整个过程过度依赖模型拟合结果。

发明内容

针对现有技术中存在的上述不足之处，本发明要解决的技术问题是提供一种基于结合岭回归和递归特征消除的谱线自动选择方法，并利用该谱线信息训练浓度标定模型，从而实现对元素浓度进行定量分析。

本发明为实现上述目的所采用的技术方案是：

一种基于结合岭回归和递归特征消除的定量分析方法，包括以下步骤：

获取样品原始光谱数据作为输入，通过结合岭回归和递归特征消除算法筛选特征谱线得到特征子集，评价筛选出的特征子集选择最优特征子集，得到最优标定模型对材料进行元素浓度分析。

该方法具体包括：

步骤1：获取样品的光谱数据，确定波长范围；

步骤2：对光谱数据进行全谱和归一化；

步骤3：将光谱数据分为训练集和验证集；

步骤:4：对训练集数据的每一维进行标准化，并记录标准化过程中的均值和方差；

步骤5：以标准化后的训练集光谱数据作为输入，对应已知的标准样品浓度作为输出，训练标定岭回归模型；

步骤6：记录岭回归标定模型的模型系数绝对值；

步骤7：根据得到的系数绝对值大小对光谱特征进行排序，并移除最小系数绝对值对应的光谱特征获取新的特征子集；

步骤8：确定评价模型，以得到的新特征子集作为评价模型输入，进行留一验证并记录训练集数据的每个元素的留一交叉验证的均方根误差RMSECV；

步骤9：重复步骤4～步骤8，直至新的特征子集中的特征个数全部删减完成，根据每次迭代过程中的RMSECV结果确定最优的特征子集和对应最优的元素浓度标定模型；