[发明专利]基于光谱投影判别的近红外模型维护方法

摘要

本发明提供基于光谱投影判别的近红外模型维护方法，其特征在于，包括以下步骤步骤一、近红外光谱模型构建完成后，对模型内的校正光谱做近红外光谱的主成分分析，利用主成分光谱来计算每个样本的马氏距离，步骤二、计算所有样本的平均马氏距离；步骤三、计算样本集的平均马氏距离，设定建模集里马氏距离的阈值；步骤四、计算预测样本与模型内样本的相似度；步骤五、根据相似度的值，判断近红外模型是否需要维护。本发明的基于光谱投影判别的近红外模型维护方法，避免了频繁的更新维护模型；使得近红外模型的更新管理更具科学性。

主权项

一种基于光谱投影判别的近红外模型维护方法，其特征在于，包括以下步骤：步骤一、近红外光谱模型构建完成后，对模型内的校正光谱做近红外光谱的主成分分析，利用主成分光谱来计算每个样本的马氏距离：Di2=(si-si‾)TV-1(si-si‾)---(1)]]>其中Di为第i个样本的马氏距离，si为第i个样本的主成分得分矩阵，V为主成分得分矩阵的协方差；步骤二、计算所有样本的平均马氏距离：根据3倍马氏距离原则，或者狄克松准则直接根据每个样本的马氏距离进行判别；当然也可以把每个样本的马氏距离转换成杠杆值，式2中hi代表杠杆值，Di2=(n-1)(hi-1n)---(2)]]>步骤三、计算样本集的平均马氏距离，设定建模集里马氏距离的阈值；步骤四、计算预测样本与模型内样本的相似度；相似度的公式按照如下的公式进行计算：相似度(S)＝相关系数+信息含量,的形式进行表征，相关系数按照简单的相关系数进行计算相关系数的计算公式为：R=Σi(xi-x‾)(yi-y‾)Σi(xi-x‾)2(yi-y‾)2---(3)]]>信息含量按照：信息熵的方式进行计算，信息熵的计算公式为，H(P1,…,Pn‑1,Q1,Q2)＝H(P1,…,Pn‑1)+PnH       (4)则有下列唯一表达形式：H(P1,…,Pn)‑CH(P1,…,Pn)＝‑CP(xi)*log(xi)；   (5)计算两条光谱的相似度为：其中，i，j光谱为光谱的序列号，k为近红外光谱的波长点，c1(i,k)＝(x11(i,k))*log(x11(i,k)/x21(j,k))；            (6)c2(j,k)＝(x21(j,k))*log(x21(j,k)/x11(i,k))；            (7)定义H值为：H＝H(c1)+H(c2)；                          (8)计算相似度公式为其中R为模型里面的第i条光谱与第m条光谱的相关系数；H1＝c1(i,m),H2＝c1(m,i)；步骤五、根据相似度的值，判断近红外模型是否需要维护。