[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

摘要

本发明公开了一种基于优化偏最小二乘回归模型的样品成份测定方法，它是以样品对近红外光谱数据和样品成份浓度数据作为训练数据集，在已有PLS的基础上对训练数据集进行训练，利用训练过程中的预测误差的变化情况来确定相应的潜变量，若新增潜变量降低预测精度，则把该潜变量对应的权值置为0，否则保持不变，继续测试后续潜变量以剔除使预测结果变差的潜变量所对应的相关项，从而实现了潜变量的优化选择，再结合待测样品的近红外光谱数据可生成与原有PLS不同的样品的得分向量和载荷，进而得到待测样品的成份浓度预测值。通过对多种不同样品的测试，本发明的方法与已有PLS算法相比，所得结果的预测根均方误差普遍更小，预测精度均有较大提高。

主权项

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Xtr和Ytr进行训练求得Xtr的投影矩阵W、得分矩阵T、载荷矩阵P，Ytr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Xca和得到Yca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WL、TL、PL、UL、QL和VL；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。