[发明专利]一种基于指标极值的光谱特征变量快速匹配方法

说明书

本发明公开了一种基于指标极值的光谱特征变量快速匹配方法。该方法利用简单的线性模型为光谱校正预测模型挑选有效的特征变量。以朗伯比尔定律为基础，对光谱变量集合中的每一个变量（波长）建立一元线性回归模型，以模型预测指标极值为目标，选择峰值和谷值所对应的一元特征变量，并进一步寻找与每一个一元特征变量形成最佳匹配的第二变量，组成离散特征变量集合，利用此特征变量集合建立光谱校正模型能够有效克服简单的线性模型中常出现的光谱共线性问题。该方法具有模型简便、计算量少、遴选自由度大等优点，可推广应用到拉曼、近红外、中红外、紫外光谱分析领域，为设计小型便携式专用光谱仪提出有效的技术支持。

技术领域

本发明属于光谱分析中的模型优化技术领域，具体涉及一种基于指标极值的光谱特征变量快速匹配方法。

背景技术

光谱分析是根据物质的光谱通过定性或定量来确定物质的化学成分及其含量的一种技术。它具有简便快速、非破坏性、实时在线、多成分同时检测等优点，在环境、食品、农业、生物医学等众多领域得到广泛的应用。红外光谱、紫外光谱、拉曼光谱等光谱分析技术的应用首先需要采用相应的光谱仪测量光谱数据。全谱段通用型光谱仪器体型庞大，不便于携带；对于不同对象都不作区分地进行全谱扫描，并不能实现实时在线的快速测定。因此，有必要研发便携式的小型专用光谱仪，这其中涉及的关键技术是如何快速有效地选取高信噪比的光谱波长（特征变量）组合进行建模优化。

由于光谱检测对象通常是包含有多种组分的复杂体系，每一种组分所对应的光谱吸收带各不相同；而光谱测量数据中不同组分的信息往往重叠在一起，特征吸收峰不突出、信息不明显（特别是近红外光谱），所以必须通过模型指标分析，根据建模效果选择不同的波长组成离散波长点组合，通过进一步的优化构建特征波长数据库，为小型便携式光谱分析仪器的设计提供理论基础和技术支持。

光谱测量的波长点很多，以近红外为例，整个近红外波段为780-2526nm（或记为12821-3958cm^-1）（ASTM标准），如果波长间隔是0.5nm，那么一共有3493个波长。实验证明，如果通过全谱波长随机任意组合进行全局筛选，其计算复杂度太大，达不到快速检测的效果，而且光谱的共线性问题影响模型预测精度的提高。因此，在全谱段波长变量中有效地选取特征变量组合是实现数据降维的必要途径，特征变量的选取必须趋于离散化波长变量组合，它对于建立高精度分析模型、降低模型复杂性和分光系统的设计等方面具有重要意义。如果能够找到待测组分对应的若干离散特征波长点，线性回归模型也可以得到良好的预测效果。于是，本发明提出了一种基于指标极值的光谱特征变量快速匹配（Speed Matchingof Characteristic Variables based on Extremums, SMCVE）的方法。

发明内容

本发明所要解决的技术问题是为光谱分析提供一种基于指标极值的光谱特征变量快速匹配方法（SMCVE）。该方法能够针对不同的分析对象选择其对应的光谱特征波长组合。

具体步骤为：

步骤一，根据朗伯比尔定律，待测组分的浓度值与其纯光谱的吸光度数据成正比，对光谱的全部变量集合即全谱波长集合中的每一个变量即波长点建立一元线性回归模型。

步骤二，根据模型预测效果绘制模型评价指标曲线，从全谱波长集合中挑选出指标极值对应的若干波长点，从而筛选出了若干个离散特征变量即特征波长，称为一元特征变量。

步骤三，在一元模型的基础上，寻找与一元特征变量能够达到最佳匹配效果的第二变量即第二波长，于是，以每一个一元特征变量作为基本变量，在全谱波长集合中的每一个波长与之组合，建立二元模型，根据模型预测指标极大值或极小值挑选出最优的二元模型所对应的第二波长，称之为最佳匹配变量。

步骤四，经过反复实验，选中所有的一元特征变量和最佳匹配变量，去除重复变量以后组成离散特征变量集合。