[发明专利]一种提高近红外光谱定性分析准确度的建模方法

说明书

技术领域

本发明属于分析化学领域的无损分析技术，具体涉及一种提高近红外光谱定性分析准确度的建模方法。

背景技术

近红外光谱(NIR)是近年来分析化学领域迅猛发展的无损分析技术，与传统分析技术相比，近红外光谱分析技术具有诸多优点，它能在几分钟内，仅通过对被测样品完成一次近红外光谱的采集测量，即可完成其多项性能指标的测定；光谱测量时不需要对分析样品进行前处理；分析过程中不消耗其它材料或破坏样品；分析重现性好、成本低。因此在农业、石化、医疗等行业等领域得到了广泛应用。然而由于近红外光谱信号较弱，有用信息经常与背景和噪声信息迭生，谱峰重叠严重，必须借助化学计量学方法才能进行定性定量分析。因此，化学计量学方法已成为近红外光谱分析中的热点。

化学模式识别是化学计量学的一个重要内容，借助化学模式识别方法来建立近红外光谱与类别信息的数学模型，对于未知样品代入模型中进行预测。常用的化学模式识别方法有聚类分析、主成分分析、偏最小二乘-判别分析(PLS-DA)、支持向量机(SVM)、人工神经网络(ANN)等方法。但是传统的化学模式识别方法采用单一的模型，当样本数较少或者奇异样本存在时模型的预测效果较差。因此发展了多模型建模方法，即对原始数据采用一定的取样方式建立多个子模型，再将多个子模型的预测结果融合得到一个最终结果。多模型建模能有效地减少单个模型中随机因素的影响，因而可以达到更好的预测准确度、稳定性与稳健性。但是bagging、boosting等常用的多模型建模方法只考虑了不同的取样方式，如从样本方向或者从变量方向取样，每个样品信号还是作为一个整体使用。由于每条光谱信号构成复杂，除有用信息外还存在背景、噪声等干扰信息。因此，如果采用一定的信号分解方法对信号进行分解，对分解后的信号建立模型，更能合理有效地利用数据的信息。

小波变换是一种性能优良的信号分解方法，通过小波变换，可以将光谱分解成不同频率成分。权重多尺度回归(Z.C.Liu，W.S.Cai，X.G.Shao，A weighted multiscale regression for multivariate calibration of near infrared spectra，Analyst，2009，134：261-266)就是将小波分解后的不同频率成分分别建立PLSR模型，不同模型结果加权集成得到最终结果。然而光谱信号具有非稳态、非线性的特点，小波变换虽然在理论上能处理非线性非平稳信号，然而实际算法实现中却只能处理线性非平稳信号。小波变换存在的另一个问题是需要预先选定小波基以及分解尺度等参数，选择不同的小波基或分解尺度可能产生不同的处理结果，对一组数据最优的参数换一组数据还需要重新优化参数，因此，参数的选择是难点。1998年，美籍华人N.E.Huang等人提出了经验模态分解(Empirical Mode Decomposition，简称EMD)法，通过EMD，可以将信号完全自适应地分解成从高频到低频排列的有限个固有模态函数(IMF)以及残差项，非常适用于非线性非平稳信号的分析。所以，EMD方法一经提出就得到了广泛关注，目前已应用在生物医学信号分析、桥梁和建筑物状况监测分析、非平稳海洋数据分析等领域，但是该方法在光谱建模领域的研究还较少。

因此，本发明利用EMD的优势，建立一种基于EMD的高低频展开的定性建模方法，以提高单一模型预测正确率。

发明内容

本发明目的是针对上述存在问题，提供一种提高近红外光谱定性分析模型预测准确度的方法，过程如图1所示。该方法通过对原始光谱信号进行EMD分解、扩展，再建立模型，可以提高单一模型预测准确度。

为实现本发明所提供的技术方案包括以下步骤：

1)数据采集

收集一定数目的分析物样本，采集样本的近红外光谱数据，通过标准方法确定样本的类别信息作为目标值。

2)数据分组

每类样本采用KS分组方法分成训练集和预测集两部分，将所有类的训练集和预测集集合并为总的训练集和预测集。其中训练集样本用来建立模型并优化参数，预测集样本用来检验模型的预测能力。

3)训练集光谱EMD扩展矩阵的生成

将训练集光谱通过EMD展开为训练集增广矩阵，具体步骤如下：

①EMD分解，每条光谱得到一定数目的IMFs向量以及一个残差向量r_n。所有训练集的光谱就构成一定数目的IMFs矩阵以及一个残差矩阵。