[发明专利]一种基于近红外提高鉴别结果的定性分析方法

说明书

技术领域

本发明涉及近红外定性鉴别领域，特别是一种基于近红外提高鉴别结果的定性分析方法。 

背景技术

近红外光谱(Near Infrared Spectrum，NIR)是介于可见光(Vis)和中红外(MIR)之间的电磁辐射波，美国材料检测协会(ASTM)将近红外光谱区定义为780～2526nm的区域，是人们在吸收光谱中发现的第一个非可见光区。近红外光谱区与有机分子中含氢基团(O-H、N-H、C-H)振动的合频和各级倍频的吸收区一致，通过扫描样品的近红外光谱，可以得到样品中有机分子含氢基团的特征信息，而且利用近红外光谱技术分析样品具有方便、快速、高效、准确和成本较低，不破坏样品，不消耗化学试剂，不污染环境等优点，因此该技术受到越来越多人的青睐。 

随着分析技术的快速发展，基于近红外光谱的各类检测技术虽然得到了广泛的应用，但是基本都是在定量分析中的应用，在定性分析应用中较少。而目前较为需求的则是近红外光谱的定性分析鉴别技术，例如在食品安全领域，要鉴别作物种子的品种真实性，以保障农民的生产利益；检测奶粉中是否含有某些特殊物质以确保食用安全；在药品安全领域中，检测药物中是否含有某一种成分，以确保用药安全等。可见近红外光谱定性分析技术，会在更多的领域得到发展，同时也会在更多领域发挥越来越重要的作用。 

在实际应用近红外定性分析过程中，以往的实验结果都是在采集条件较为理想的数据集上得到的，而在实际应用中，采集的实验数据往往会包含很多不确定信息，这些不确定信息可能影响整个定性分析模型的性能，从而影响定性鉴别分析的结果准确性。 

针对该问题，有人提出了模型传递的思想，它是用于解决多台相同型 号仪器之间的模型共用问题。除了不同仪器之间的差别，同一台仪器长时间的光谱偏移同样面临着模型适用性的问题，由于相同物质不同品种间成分相差较小，光谱相互交叠，因此这种差异对定性分析的影响甚至比定量分析更为严重，严重时甚至完全不能正确识别。 

实际应用近红外光谱进行定性分析时，很多方法在特征提取时都用到了线性鉴别分析(LDA)，由于LDA方法提取的数据维数必须比类别数小1，因此如果在定性分析中使用LDA算法，当类别数较少的时候，则限定了LDA提取数据的维数，很可能导致有用信息的丢失，甚至算法完全失效。小样本问题是是线性鉴别分析最大的问题。因此本发明使用了正交线性鉴别分析(OLDA)方法，使本发明所提出来的定性鉴别分析不仅能用于多分类问题，还能用于二分类问题。 

针对目前近红外定性分析和模型适用性等的现状与诸多不足，本发明提出一种基于近红外提高鉴别结果的定性分析方法。 

发明内容

(一)要解决的技术问题 

有鉴于此，本发明的主要目的是为了提供一种简单可行、快速高效，并且能提高定性分析鉴别结果的一种基于近红外提高鉴别结果的定性分析方法。 

(二)技术方案 

为达到上述目的，本发明提供了一种基于近红外提高鉴别结果的定性分析方法，该方法包括： 

步骤1：采集样本的近红外光谱数据，并确定建模集和测试集； 

步骤2：对建模集和测试集依次进行预处理、偏最小二乘特征提取和正交线性鉴别特征提取； 

步骤3：采用直接模型传递方法计算建模集和测试集之间的光谱变换矩阵，并校正剩余测试集； 

步骤4：建立定性分析模型； 

步骤5：利用建立的定性分析模型对剩余测试集进行定性鉴别。 

上述方案中，步骤1中所述采集样本的近红外光谱数据，是采用近红外光谱仪在不同时间采集样本的近红外光谱数据。所述确定建模集和测试集，是将在同一天采集的光谱数据作为建模集，建模集是用来建立定性分析模型的原始建模数据；将不同采集日期采集的近红外光谱数据作为不同的测试集，测试集是用来鉴别种子品种真实性的原始测试数据。 

上述方案中，步骤2中所述对建模集和测试集依次进行预处理、偏最小二乘特征提取和正交线性鉴别特征提取，具体包括： 

步骤21：对建模集和测试集的原始数据用相同的预处理方法及相同的参数进行预处理； 

步骤22：对经过预处理之后的建模集数据进行偏最小二乘特征提取，得到偏最小二乘特征矩阵，以利用该矩阵将数据变换到偏最小二乘空间； 

步骤23：利用得到的偏最小二乘特征矩阵，将经过预处理之后的建模集和测试集数据变换到偏最小二乘空间中； 

步骤24：对经过偏最小二乘特征提取之后的建模集数据进行正交线性鉴别分析特征提取，得到正交线性鉴别分析特征矩阵；