[发明专利]基于在线顺序极限学习机的样品成分含量测定方法

说明书

本发明公开了一种基于在线顺序极限学习机的样品成分含量测定方法，包括：采集样品的光谱数据样本，并利用在线顺序极限学习机算法进行建模；利用所建立的模型对样品的成分含量进行测定。本发明通过利用在线顺序极限学习机算法进行建模，无需保留前面使用过的数据而只将前面学习到的知识保留下来以备后用；每次有新的光谱数据到来时，只需要计算新到数据的隐层输出，然后利用前面学习到的知识动态更新中间隐层到输出层之间的输出权重，即可进行快速建模。相较于传统的建模方法，提高了建模速度，减少了不必要的重复计算量以及对数据存储空间的消耗，提高了模型的精度和泛化性能，而且既可以处理每次一个一个到来的数据也可以处理一块一块到来的数据。

技术领域

本发明涉及一种基于在线顺序极限学习机的样品成分含量测定方法，属于样品成分含量测定技术领域。

背景技术

近红外光谱技术是一种快速无损低成本的间接分析技术，利用红外光谱仪可以快速地测得样本的近红外光谱，再结合化学计量学的方法，建立起样本的近红外光谱与有效组分含量之间的多元标定模型，进而可以对未知样本的响应组分进行预测。然而，在实际使用过程中近红外光谱数据并不是一次产生的，而是流式产生的。如果已经在已有的数据样本上建立了模型，而随着时间的变化可能会有新的数据样本产生，为了提高模型的泛化性能和预测精度，必然需要将新产生的数据和以前的数据一起进行建模。最简单直接的方法就是将现有的所有数据重新运行一遍原来的算法，但是这种方法在数据量很小的时候是可以接受的，而如果数据是以GB为单位衡量的，新到来的数据样本可能会多达数MB，那么这样将原有的数据加之新来的数据一起建立模型，是十分费时耗力的，有时候可能前面新到来的数据还没有处理完成，又有更新的数据到来，显然在这种情况下，完全重新建模是不可能办到的。在线流式算法也越来越适用于具有径向基函数(radial basis function，RBF)节点的前馈神经网络。在处理在线流式学习算法发展过程中出现了许多算法，其中比较典型的算法有GAP-PBF算法和GGAP-RBF算法。人们希望这些算法能够简化学习流程并提高学习速度，这些算法需要输入样本的分布或者输入样本顺序的信息。但是这些算法的建模速度依旧很慢，且泛化性能也一般。并且这些算法处理新来的数据时只能是一个一个(one byone)的而不能是一块一块的(chunk by chunk)。

另外，在近红外光谱的测量过程中，由于测量仪器的不同或者测量条件的改变，会导致原有的多元标定模型失去效果，而重新建立模型又是耗时耗力的一件事，甚至有的时候重新建模不具有可行性。更可接受的方式是做标定迁移，用来纠正主仪器和另一个仪器(子仪器)的光谱数据。本质上，就是将子仪器的光谱转换，使之看起来更像主光谱仪的数据，然后就可以使用主光谱仪的模型对之进行处理了。在过去的几年里，不同的标定迁移技术得到发展，常用的标定迁移方法包括：多元散射校正法(简写为MSC)、直接标准化方法(简写为DS)、间接标准化方法(简写为PDS)、典型相关性分析法(简写为CCA)等。但是现有的上述标定迁移方法仍然存在成分含量预测精度和稳定性较差的问题；而且所述的多元散射校正法，需要测定一个待测样本的理想光谱，然后利用该理想光谱对测得的其他光谱进行修正，但是在实际应用中是很难得到所谓的理想光谱的。

发明内容

本发明的目的在于，提供一种基于在线顺序极限学习机的样品成分含量测定方法，它可以有效解决现有技术中存在的问题，尤其是现有的算法建模速度慢，泛化性能一般，而且只能逐个地处理新来的数据而不能逐块地进行处理的问题。

为解决上述技术问题，本发明采用如下的技术方案：一种基于在线顺序极限学习机的样品成分含量测定方法，采集样品的光谱数据样本，并利用在线顺序极限学习机算法进行建模；利用所建立的模型对样品的成分含量进行测定。

前述的基于在线顺序极限学习机的样品成分含量测定方法，具体包括以下步骤：