[发明专利]基于λ-SPXY算法的红外光谱多元校正回归建模方法

摘要

本发明公开了一种基于λ‑SPXY算法的红外光谱多元校正回归建模方法，包括以下步骤：根据待测样品光谱的样本集特征，设定最优权重调整参数λ，给样本集仪器响应矢量空间X和因变量空间Y分配不同的权重；再利用λ‑SPXY算法选定校正集并建立回归模型。本发明提供了一种可以充分考虑X和Y空间各自贡献的数据集划分方法，可以更有效的覆盖多维空间；在多元校正的数据集划分方面，此方法可以获得比传统的SPXY方法更合理的结果，并大幅度改善建立模型的预测性能。

主权项

1.一种基于λ‑SPXY算法的红外光谱多元校正回归建模方法，其特征在于，包括以下步骤：根据待测样品光谱的样本集特征，设定最优权重调整参数λ，给样本集仪器响应矢量空间X和因变量空间Y分配不同的权重；再利用λ‑SPXY算法选定校正集并建立回归模型；具体步骤包括：S1.计算待测样本集中样本m和n之间的X空间的空间欧式距离dx(m,n)和Y空间的空间欧式距离dy(m,n)，其中，m,n∈[1,N]，N为总样本数；S2.根据待测样品光谱的样本集特征，设定最优权重调整参数λ；给样本集仪器响应矢量空间X和因变量空间Y分配不同的权重；再利用λ‑SPXY算法得到样本m和n之间的联合空间距离dx,y(m,n)；选择联合空间距离最大的两个样本加入校正集；其中，所述根据待测样品光谱的样本集特征，设定最优权重调整参数λ具体通过以下方式获得：Sa.设定权重调整参数λ的初始值为零；Sb.利用λ‑SPXY算法选定λ值所对应的校正集，并建立回归模型，求取预测均方根误差RMSEP和交叉验证均方根误差RMSECV之和F(λ)，F(λ)＝RMSEP(λ)+RMSECV(λ)；Sc.判断λ是否等于1，是则转至Sd，不是则将λ在0‑1范围内以μ间隔为步长递增，并转至Sb；Sd.利用参数优化选取原则，选取最小的F(λ)值所对应的λ，作为最优权重调整参数λ；S3.在未入选所述校正集的剩余样本中，根据剩余样本与已入选校正集的各个样本之间的联合空间距离再次进行样本选择，并将其加入校正集；S4.判断所述校正集中样本是否达到指定的数量，若是则得出最终的校正集，并转至S5，否则重复步骤S2；S5.利用最终的校正集建立回归模型。