一種近紅外光譜分析方法
【技術(shù)領(lǐng)域】
:
[0001]本發(fā)明涉及一種近紅外光譜分析方法，屬于光譜分析的技術(shù)領(lǐng)域。
技術(shù)背景:
[0002]近年來(lái)，近紅外光譜測(cè)量技術(shù)與化學(xué)計(jì)量學(xué)學(xué)科的有機(jī)結(jié)合，誕生了現(xiàn)代近紅外光譜分析技術(shù)，它是上世紀(jì)90年代以來(lái)發(fā)展最為迅速的光譜分析技術(shù)，被譽(yù)為分析的巨人。近紅外光譜分析技術(shù)因其快速分析、無(wú)損檢測(cè)、精確度高等一系列特點(diǎn)而在石油化工、過(guò)程控制、環(huán)境科學(xué)、精細(xì)農(nóng)業(yè)等領(lǐng)域展現(xiàn)出了強(qiáng)大的應(yīng)用前景。
[0003]穩(wěn)定可靠的近紅外光譜分析儀器與功能全面的近紅外光譜分析方法相結(jié)合是現(xiàn)代近紅外光譜分析技術(shù)的重要標(biāo)志。單純的近紅外光譜數(shù)據(jù)對(duì)于普通分析人員沒(méi)有任何實(shí)用價(jià)值，必須借助近紅外光譜分析方法和軟件才能從光譜數(shù)據(jù)中提取出分析人員所需要的樣品性質(zhì)屬性和理化成分信息。當(dāng)前市面上的近紅外光譜分析軟件多為用于科學(xué)研究的光譜解析軟件，系統(tǒng)復(fù)雜、界面繁瑣，對(duì)于非專業(yè)人員難以上手，因此需要濃縮不必要的光譜解析過(guò)程，簡(jiǎn)化近紅外光譜分析流程，開(kāi)發(fā)一套適用于大眾群體的近紅外光譜分析方法和軟件，有利于促進(jìn)近紅外光譜技術(shù)的發(fā)展。

【發(fā)明內(nèi)容】

:
[0004]針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出一種近紅外光譜分析方法。該方法能有效簡(jiǎn)化近紅外光譜分析流程，準(zhǔn)確提取特征光譜波長(zhǎng)，建立最優(yōu)定性、定量數(shù)學(xué)模型，操作簡(jiǎn)單、窗口簡(jiǎn)潔、通用性強(qiáng)。
[0005]本發(fā)明的技術(shù)方案如下:
[0006]—種近紅外光譜分析方法，該方法用到以下模塊:預(yù)處理模塊、特征波長(zhǎng)選擇模塊、定性識(shí)別模塊和定量回歸模塊；所述近紅外光譜分析方法，包括步驟如下:
[0007]1)預(yù)處理操作:分別對(duì)建模樣本和建模光譜進(jìn)行預(yù)處理；
[0008]2)提取特征波長(zhǎng):針對(duì)定性識(shí)別模型和定量回歸模型的不同，提取特征波
[0009]長(zhǎng)的方法分為定性模型特征波長(zhǎng)方法和定量模型特征波長(zhǎng)方法，其中定性模型特征波長(zhǎng)方法包括MW-BP-ANN和平均影響值，定量模型特征波長(zhǎng)方法包括Mff-PLS、Mff-BP-ANN和平均影響值；
[0010]3)建立定性識(shí)別模型:包括主成分分析定性識(shí)別方法、偏最小二乘定性識(shí)別方法、BP神經(jīng)網(wǎng)絡(luò)定性識(shí)別方法和支持向量機(jī)定性識(shí)別方法；
[0011]4)建立定量回歸模型:包括偏最小二乘定量回歸方法和BP神經(jīng)網(wǎng)絡(luò)定量回歸方法。
[0012]根據(jù)本發(fā)明優(yōu)選的，所述步驟2)中所述提取特征波長(zhǎng)的方法，包括以下具體步驟如下:
[0013]a.設(shè)置一寬為k的窗口，置于原始光譜的最左側(cè)；
[0014]b.利用窗口所覆蓋的光譜建立定性、定量數(shù)學(xué)模型，或等比例改變窗口所覆蓋的光譜值，然后利用全光譜建立定性、定量數(shù)學(xué)模型；
[0015]c.針對(duì)步驟b中所建立的定性、定量數(shù)學(xué)模型，分別以正確識(shí)別率和相關(guān)系數(shù)R作為評(píng)價(jià)該模型優(yōu)劣的指標(biāo)；
[0016]d.設(shè)定模型指標(biāo)閾值，對(duì)符合要求的模型所對(duì)應(yīng)窗口的光譜進(jìn)行保留，反則舍棄；
[0017]e.向右移動(dòng)窗口，重復(fù)步驟a-d操作，直至掃描完全部光譜。
[0018]根據(jù)本發(fā)明優(yōu)選的，所述步驟3)中，所述偏最小二乘定性識(shí)別方法、BP神經(jīng)網(wǎng)絡(luò)定性識(shí)別方法和支持向量機(jī)定性識(shí)別方法用于定性模式識(shí)別的方法，包括以下具體步驟:
[0019]i)對(duì)樣本屬性給予一偽碼，用于類別標(biāo)識(shí)；例如1、2等分別代表其不同的類別屬性；
[0020]ii)用訓(xùn)練集樣本光譜和對(duì)應(yīng)的訓(xùn)練集樣本標(biāo)識(shí)碼建立定性數(shù)學(xué)模型；
[0021]iii)將預(yù)測(cè)集樣本光譜導(dǎo)入步驟ii)中建立好的定性數(shù)學(xué)模型，定性數(shù)學(xué)模型將給出其預(yù)測(cè)標(biāo)識(shí)碼，將所述預(yù)測(cè)標(biāo)識(shí)碼進(jìn)行四舍五入判斷其類別屬性。例如，0.5 <預(yù)測(cè)標(biāo)識(shí)碼〈1.5，視為第1類樣本。
[0022]本發(fā)明的有益效果:
[0023]本發(fā)明所述一種近紅外光譜分析方法按照近紅外光譜分析流程將分析方法分成四個(gè)模塊，提出了新的特征波長(zhǎng)選擇方法和定性模式識(shí)別方法，拋棄了傳統(tǒng)的適用于專業(yè)技術(shù)人員使用的繁瑣的光譜解析內(nèi)容。本發(fā)明提取特征光譜波長(zhǎng)效率高，能高效準(zhǔn)確建立數(shù)學(xué)分析模型。本發(fā)明界面簡(jiǎn)潔、操作簡(jiǎn)單、通用性強(qiáng)，易于非專業(yè)人員快速上手并掌握。
【附圖說(shuō)明】
[0024]圖1為本發(fā)明所述一種近紅外光譜分析方法的流程框圖；
[0025]圖2為本發(fā)明中提取特征光譜波長(zhǎng)的流程框圖；
[0026]圖3為本發(fā)明中所述定性識(shí)別效果圖。
【具體實(shí)施方式】
[0027]下面結(jié)合附圖對(duì)本發(fā)明的【具體實(shí)施方式】作進(jìn)一步的詳細(xì)說(shuō)明，但不限于此。
[0028]如圖1-3所示。
[0029]實(shí)施例、
[0030]一種近紅外光譜分析方法，該方法用到以下模塊:預(yù)處理模塊、特征波長(zhǎng)選擇模塊、定性識(shí)別模塊和定量回歸模塊；所述近紅外光譜分析方法，包括步驟如下:
[0031]1)預(yù)處理操作:分別對(duì)建模樣本和建模光譜進(jìn)行預(yù)處理；
[0032]2)提取特征波長(zhǎng):針對(duì)定性識(shí)別模型和定量回歸模型的不同，提取特征波長(zhǎng)的方法分為定性模型特征波長(zhǎng)方法和定量模型特征波長(zhǎng)方法，其中定性模型特征波長(zhǎng)方法包括MW-BP-ANN和平均影響值，定量模型特征波長(zhǎng)方法包括Mff-PLS、Mff-BP-ANN和平均影響值；
[0033]3)建立定性識(shí)別模型:包括主成分分析定性識(shí)別方法、偏最小二乘定性識(shí)別方法、BP神經(jīng)網(wǎng)絡(luò)定性識(shí)別方法和支持向量機(jī)定性識(shí)別方法；
[0034]4)建立定量回歸模型:包括偏最小二乘定量回歸方法和BP神經(jīng)網(wǎng)絡(luò)定量回歸方法。
[0035]根據(jù)本發(fā)明優(yōu)選的，所述步驟2)中所述提取特征波長(zhǎng)的方法，包括以下具體步驟如下:
[0036]a.設(shè)置一寬為k的窗口，置于原始光譜的最左側(cè)；
[0037]b.利用窗口所覆蓋的光譜建立定性、定量數(shù)學(xué)模型，或等比例改變窗口所覆蓋的光譜值，然后利用全光譜建立定性、定量數(shù)學(xué)模型；
[0038]c.針對(duì)步驟b中所建立的定性、定量數(shù)學(xué)模型，分別以正確識(shí)別率和相關(guān)系數(shù)R作為評(píng)價(jià)該模型優(yōu)劣的指標(biāo)；
[0039]d.設(shè)定模型指標(biāo)閾值，對(duì)符合要求的模型所對(duì)應(yīng)窗口的光譜進(jìn)行保留，反則舍棄；
[0040]e.向右移動(dòng)窗口，重復(fù)步驟a-d操作，直至掃描完全部光譜。
[0041]根據(jù)本發(fā)明優(yōu)選的，所述步驟3)中，所述偏最小二乘定性識(shí)別方法、BP神經(jīng)網(wǎng)絡(luò)定性識(shí)別方法和支持向量機(jī)定性識(shí)別方法用于定性模式識(shí)別的方法，包括以下具體步驟:
[0042]i)對(duì)樣本屬性給予一偽碼，用于類別標(biāo)識(shí)；例如1、2等分別代表其不同的類別屬性；
[0043]ii)用訓(xùn)練集樣本光譜和對(duì)應(yīng)的訓(xùn)練集樣本標(biāo)識(shí)碼建立定性數(shù)學(xué)模型；
[0044]將預(yù)測(cè)集樣本光譜導(dǎo)入步驟ii)中建立好的定性數(shù)學(xué)模型，定性數(shù)學(xué)模型將給出其預(yù)測(cè)標(biāo)識(shí)碼，將所述預(yù)測(cè)標(biāo)識(shí)碼進(jìn)行四舍五入判斷其類別屬性。例如，0.5 <預(yù)測(cè)標(biāo)識(shí)碼<1.5，視為第1類樣本。
【主權(quán)項(xiàng)】
1.一種近紅外光譜分析方法，其特征在于，該方法用到以下模塊:預(yù)處理模塊、特征波長(zhǎng)選擇模塊、定性識(shí)別模塊和定量回歸模塊；所述近紅外光譜分析方法，包括步驟如下: 1)預(yù)處理操作:分別對(duì)建模樣本和建模光譜進(jìn)行預(yù)處理； 2)提取特征波長(zhǎng):針對(duì)定性識(shí)別模型和定量回歸模型的不同，提取特征波長(zhǎng)的方法分為定性模型特征波長(zhǎng)方法和定量模型特征波長(zhǎng)方法，其中定性模型特征波長(zhǎng)方法包括Mff-BP-ANN和平均影響值，定量模型特征波長(zhǎng)方法包括Mff-PLS、Mff-BP-ANN和平均影響值； 3)建立定性識(shí)別模型:包括主成分分析定性識(shí)別方法、偏最小二乘定性識(shí)別方法、BP神經(jīng)網(wǎng)絡(luò)定性識(shí)別方法和支持向量機(jī)定性識(shí)別方法； 4)建立定量回歸模型:包括偏最小二乘定量回歸方法和BP神經(jīng)網(wǎng)絡(luò)定量回歸方法。2.根據(jù)權(quán)利要求1所述的一種近紅外光譜分析方法，其特征在于，所述步驟2)中所述提取特征波長(zhǎng)的方法，包括以下具體步驟如下: a.設(shè)置一寬為k的窗口，置于原始光譜的最左側(cè)； b.利用窗口所覆蓋的光譜建立定性、定量數(shù)學(xué)模型，或等比例改變窗口所覆蓋的光譜值，然后利用全光譜建立定性、定量數(shù)學(xué)模型； c.針對(duì)步驟b中所建立的定性、定量數(shù)學(xué)模型，分別以正確識(shí)別率和相關(guān)系數(shù)R作為評(píng)價(jià)該模型優(yōu)劣的指標(biāo)； d.設(shè)定模型指標(biāo)閾值，對(duì)符合要求的模型所對(duì)應(yīng)窗口的光譜進(jìn)行保留，反則舍棄； e.向右移動(dòng)窗口，重復(fù)步驟a-d操作，直至掃描完全部光譜。3.根據(jù)權(quán)利要求1所述的一種近紅外光譜分析方法，其特征在于，所述步驟3)中，所述偏最小二乘定性識(shí)別方法、BP神經(jīng)網(wǎng)絡(luò)定性識(shí)別方法和支持向量機(jī)定性識(shí)別方法用于定性模式識(shí)別的方法，包括以下具體步驟: i)對(duì)樣本屬性給予一偽碼，用于類別標(biāo)識(shí)； ?)用訓(xùn)練集樣本光譜和對(duì)應(yīng)的訓(xùn)練集樣本標(biāo)識(shí)碼建立定性數(shù)學(xué)模型； 將預(yù)測(cè)集樣本光譜導(dǎo)入步驟ii)中建立好的定性數(shù)學(xué)模型，定性數(shù)學(xué)模型將給出其預(yù)測(cè)標(biāo)識(shí)碼，將所述預(yù)測(cè)標(biāo)識(shí)碼進(jìn)行四舍五入判斷其類別屬性。
【專利摘要】一種近紅外光譜分析方法，包括步驟如下：1)預(yù)處理操作；2)提取特征波長(zhǎng)；3)建立定性識(shí)別模型；4)建立定量回歸模型：包括偏最小二乘定量回歸方法和BP神經(jīng)網(wǎng)絡(luò)定量回歸方法。本發(fā)明提出了新的特征波長(zhǎng)選擇方法和定性模式識(shí)別方法，拋棄了傳統(tǒng)的適用于專業(yè)技術(shù)人員使用的繁瑣的光譜解析內(nèi)容。本發(fā)明提取特征光譜波長(zhǎng)效率高，能高效準(zhǔn)確建立數(shù)學(xué)分析模型。本發(fā)明界面簡(jiǎn)潔、操作簡(jiǎn)單、通用性強(qiáng)，易于非專業(yè)人員快速上手并掌握。
【IPC分類】G01N21/359
【公開(kāi)號(hào)】CN105334186
【申請(qǐng)?zhí)枴緾N201510925209
【發(fā)明人】王麗麗, 莊新港
【申請(qǐng)人】山東大學(xué)
【公開(kāi)日】2016年2月17日
【申請(qǐng)日】2015年12月10日