[发明专利]一种近红外定量检测模型的参数选取方法和定量检测方法

说明书

本发明公开了一种近红外定量检测模型的参数选取方法和定量检测方法，基于麻花艽或全缘叶绿绒蒿的建模，所述参数选取方法包括建模集样本选择步骤，所述建模集样本选择步骤包括以下子步骤：设置建模集样本量，当基于麻花艽的建模时，所述建模集样本量为80‑100；当基于全缘叶绿绒蒿的建模时，所述建模集样本量为110‑130。本发明相较于现有技术中总是倾向于样本集具有大样本量，本发明的建模集样本量的设置，当基于麻花艽的建模时，所述建模集样本量为80‑100；当基于全缘叶绿绒蒿的建模时，所述建模集样本量为110‑130，使得后续模型质量最好。

技术领域

本发明涉及近红外检测领域，尤其涉及一种近红外定量检测模型的参数选取方法和定量检测方法。

背景技术

近红外(Near Infrared，NIR)是一种介于可见光区与中红外区之间的电磁波，其波长范围0.8-2.5m，NIR谱图显示物质分子内部X-H(N-H、O-H、C-H等)的组频和倍频吸收[1]。近红外谱区于1800年被天文学家William Herschel发现，相较于中红外谱区发现的更早，其应用也更早，但是近红外吸收强度弱、谱图信息叠加严重，限于当时理论于技术水平的发展，研究重点逐渐转移到了中红外。到20世纪，随着近红外光谱分析仪的发展，人们开始对近红外光谱分析技术进行关注，结合化学计量学方法、现代光学、计算机处理技术的交叉使用，进一步发展成为了现代近红外光谱分析技术。

近红外光谱分析技术是指利用近红外谱区包含的物质信息来进行定性和定量分析的技术。与传统的湿化学分析技术相比，近红外光谱分析技术快速、高效、便宜、无污染，可以显著提高样品的日检测量，目前近红外光谱分析技术已经被广泛用于药材、农业、医学、食品等领域，通过模型的构建可进行定性、定量分析。这其中，模型的质量决定了模型的适用性，谱图处理、谱图特征提取、建模方法优化等数据处理方法是影响模型质量的主要因素，围绕此方面也开展了许多研究工作，也有针对样品研究部位对模型质量影响的研究，此外也有研究表明高质量的谱图对模型也有影响，扫描次数、分辨率、扫描速度、样品状态等均可影响谱图质量，且重复谱图间误差越小模型准确度越高。目前对建模集的研究集中在样本的选择方法上，常用的方法有Kennard-Stone方法、SPXY法、浓度梯度法、聚类分析等方法，对建模集样本量、样本集SD(Standard deviation)等的研究较少。建模集选择时应具有一定的代表性，因此现有技术中总是倾向于样本集具有大样本量(且浓度范围要广)；但是对该选择是否正确(样本量、样本SD值与模型效果的关系)则鲜有研究。

发明内容

本发明的目的在于克服现有技术的不足，提供一种近红外定量检测模型的参数选取方法和定量检测方法。

本发明的目的是通过以下技术方案来实现的：

本发明的第一方面，提供一种近红外定量检测模型的参数选取方法，基于麻花艽或全缘叶绿绒蒿的建模，所述参数选取方法包括建模集样本选择步骤，所述建模集样本选择步骤包括以下子步骤：

设置建模集样本量：当基于麻花艽的建模时，所述建模集样本量为80-100；当基于全缘叶绿绒蒿的建模时，所述建模集样本量为110-130。

进一步地，当基于麻花艽的建模时，所述建模集样本量为90；当基于全缘叶绿绒蒿的建模时，所述建模集样本量为120。

进一步地，所述建模集样本选择步骤还包括以下子步骤：

选择离散性大的建模集作为建模集样本；对于麻花艽、全缘叶绿绒蒿建模时，选择SD值最大的建模集作为建模集样本。

进一步地，所述方法还包括单位选择步骤，所述单位选择步骤包括以下子步骤：

通过改变含量单位以增大含量值的数量级来建模，即将单位由％改为mg/g时模型各指标变化趋势一致，用于样本中含量低于0.10％的混合物的建模。