[发明专利]一种基于局部区域的近红外光谱信号标准正态校正方法

说明书

技术领域

本发明涉及近红外光谱定量分析领域中一种光谱信号预处理方法，更具体的说就是一种基于局部区域的近红外光谱信号标准正态校正方法。

背景技术

近红外光谱能够表征待测物中多种含氢基团信息，具有采样方便、无损伤、无污染、能够在线检测等优点，非常适合用于各种复杂混合物的检测。近红外光谱检测技术目前已广泛应用于制药、烟草、石油化工及农业等领域。近年来，近红外光谱技术结合多元校正技术如偏最小二乘算法(Partial Least Squares,PLS)等进行定量分析越来越普遍。然而，在实际应用中，光谱信号的采集经常会受到制样不均的干扰，例如颗粒的不均匀，样本的厚度不均匀等。由此带来的光谱散射效应以及光程变化等会破坏光谱信号与待测物含量间的线性关系，使得模型的解释性降低，同时带来预测精度的下降。因此，在建模前，通常使用光谱预处理的方式来降低甚至消除这些干扰因素。

常用的近红外光谱预处理技术主要有多元散射校正和标准正态变量校正。两种方法都假设光谱干扰项可由一常数项a和一乘性项b组成，通过对两种干扰项进行消除来达到校正目的，其公式为其中，x和x_corr分别代表原始光谱和校正后光谱。MSC方法通过指定一条‘参考光谱’(通常为所有光谱的平均谱)，计算每个样本光谱到参考谱的回归系数作为校正参数，并根据求解的回归系数对光谱进行校正。SNV方法并不需指定或计算一条参考谱，而是计算光谱的均值和标准差作为常数项和乘性项，由于SNV方法不涉及‘参考光谱’的选择，计算简便，效果较好，是目前国际上常用的光谱预处理方法。

现有的预处理方法均在全谱上统一估计校正参数，统一校正。然而，近红外光谱涵盖范围广泛，数据维数高，光谱的不同区域体现出不同的特点，单一的全谱估计全谱校正方法难以精确校正光谱所有波段的干扰，更为严重的，在某些波段，可能由于校正参数选择的不准确导致校正效果的不理想和建模失败。现有的预处理方法存在校正参数的估计不准确，从而致使光谱预处理效果和建模效果不理想。

发明内容

为了解决上述的技术问题，本发明的目的是提供一种基于局部区域的近红外光谱信号标准正态校正方法，通过局部估计局部校正的方法，降低光谱信号中的干扰因素，提高后续近红外光谱定量分析中的模型精度。

为了实现上述的目的，本发明采用了以下的技术方案：

一种基于局部区域的近红外光谱信号标准正态校正方法，该方法包括以下的步骤：

1)利用近红外光谱仪采集待测样品的近红外光谱数据，同时利用其它方法测得待测样品感兴趣成分的含量；

2)采用等分的方式对全谱区域进行分隔，将全谱分为N等分，根据N数值的不同进行多次划分；

3)对每一次划分，计算每个子波段的校正参数，并利用算得的参数对该谱段进行校正：

4)对每一次划分，对校正后的全谱进行PLS建模，并计算模型的交叉验证根均方误差；

5)确定最优的分隔数N_opt，其定义为最小RMSECV所对应的分隔数；

6)确定最优的训练集模型，其定义为最小RMSECV所对应的PLS模型；

7)对测试集光谱进行N_opt等分，对每个子波段进行校正，带入步骤6)中的模型进行感兴趣成分含量的预测。

作为优选，所述的步骤1)中的待测样品感兴趣成分含量由国际国内标准或其他成熟的化学方法测量得到。

作为优选，所述的步骤2)中用到的N的最大值视光谱所含变量的数目确定。

作为再优选，所述的步骤2)中N的最大值为10，即步骤2)中将全谱分别等分为2-10个子波段。

作为优选，所述的步骤3)中的每个子波段的校正系数分别由该波段的均值和标准差确定；其中m_ij为第i个样本光谱X_i在j子段的均值，S_ij为第i个样本光谱X_i在j子段的标准差；步骤3)中的校正公式为

作为优选，所述的步骤4)中的PLS算法为非线性迭代偏最小二乘算法。

作为优选，所述的步骤4)中的RMSECV的计算方法为5折交叉验证。

本发明的优点是：本发明公开方法相比传统的近红外光谱预处理方法，采用了局部的参数估计及相应的校正方法。在子波段的划分中，以偏最小二乘模型的最小交叉验证误差来选择最优的划分方法。该方法可以有效的抑制近红外光谱中的散射等干扰因素，提高了模型的预测精度。

附图说明

图1为本发明公开方法的近红外光谱信号校正及建模流程图。