[发明专利]一种基于光谱不同特征集的共识模型构建方法

摘要

本发明属于光谱检测分析领域，具体是基于光谱不同特征集的共识模型构建方法，一般用于激光诱导击穿光谱及拉曼光谱的贝类重金属含量的快速定量检测。通过不同方法可以提取到不同的光谱特征集，与样本重金属浓度来建立多个单变量或多变量的线性或非线性回归模型。通过优化参数得到每一特征集的最优回归模型，作为成员模型。通过各成员模型的残差、成员模型之间误差的相关性来确定各个成员模型的权系数，来构建共识模型，从而使融合后的共识模型具有最小的预测误差。本发明可以充分利用不同的光谱信息和模型信息，使共识模型的预测结果更加稳定、可靠。

主权项

1.一种基于光谱不同特征集的共识模型构建方法，其特征在于包括有：步骤S1：根据所测物质的组分信息Y，分析其光谱中特征谱线所处区域X_region，并采用预处理方式对该区域的特征谱线进行滤波处理，提高特征谱线的信噪比；步骤S2：针对特征谱线的谱峰分布，在一个长度为x_windowsize的窗口内识别出Pi位置处的一个峰，提取该谱峰的参数，包括有峰高Peak_int、半峰宽Peak_width、峰面积Peak_area，以及不同谱峰强度的比值Peak_ratio；步骤S3:该步骤用于构建成员模型，包括有3.1)对上述提取的谱峰各参数分别构建单变量或多变量回归模型fi，以交叉验证法优化模型fi；3.2)对光谱区域X_region构建全区间的多变量回归模型f0，以交叉验证法优化模型f0；3.3)计算成员模型的预测残差向量其中为第i个成员模型对第k个样本的预测值，y_k为训练集的第k样本，成员模型的预测残差矩阵表示为E＝[e₀,e₁,…e_i,…e_n],(i＝0,1,…i,…,n)；3.4)计算第i个成员模型的预测残差向量的均方根误差为3.5)计算各成员模型的预测残差向量间的相关性步骤S4:该步骤用于通过成员模型来构建共识模型，包括有：4.1)各成员模型经加权得到共识模型且其中w_i为各成员模型的权系数；4.2)当共识模型的均方误差最小时，使得共识模型的预测误差最小；4.3)在约束条件为下，通过非线性优化方法计算w_i，根据各成员模型f_i(x_i)，构造共识模型F(x)。