[发明专利]一种基于局部加权Lasso的近红外模型在线更新方法

说明书

本发明提供一种基于局部加权Lasso的近红外模型在线更新方法，属于近红外在线检测领域。该方法分为四个部分：历史数据采集与预处理、得到相似度测量矩阵、建立局部Lasso模型和获取查询样本预测值。本发明提出基于局部加权Lasso的更新方法，兼具JITL方法可以克服工业过程非线性，增强算法泛化性能；以及能同时进行变量选择和回归，从而降低计算量，达到提高模型精度和预测能力，并进一步实现近红外在线分析检测技术的推广。

技术领域

本发明属于近红外在线检测领域，尤其涉及一种基于局部加权Lasso的近红外模型在线更新方法。

背景技术

近红外光谱分析技术以其检测速度快、分析效率高、无需或极少对样品预处理、不破坏样品等优点，已广泛应用于制药、石油化工、农业、食品、高分子等许多领域。建立光谱与被测样本物性参数之间的模型，可以实现复杂物质的定量分析。然而大多数近红外光谱建模都是离线进行的，当离线模型投入实际生产应用后，其预测性能往往会随着过程状态变化、催化剂活性改变、外界环境的影响、仪表漂移等因素而慢慢降低，致使离线模型已不能满足当前的工况条件。因此，对近红外模型进行维护更新是实现近红外的在线分析检测的必要手段。

即时学习(just-in-time learning，JITL)是一种基于数据库的局部模型在线更新方法，它对新样本进行实时建模，与传统的建模方法相比，JIT建模有以下特点：(1)当新的输入、输出数据均可获得时，将它们存入数据库中。(2)当仅有新的输入数据可获得、同时需要估计输出变量值时，计算新来样本与数据库中各数据点之间的相似度，建立局部模型。(3)对输出变量值进行预测后，丢弃建立的局部模型。由此可见，JITL可以很好地跟踪过程当前生产状态、克服实际生产过程的非线性问题。

目前常用于模型更新的方法都是利用全光谱信息参与计算，比如将PCR、PLS、KPLS等算法与JITL、移动窗以及递推方法相结合实现模型更新。然而近红外光谱波长范围广，包含成百上千的变量信息，除了与样品性质相关的部分，还有与样品性质相关性很弱或是除了样品自身信息以外的噪声冗余。若直接使用所有变量信息进行建模更新，模型性能恶化的同时计算成本也大大增加，实际可操作性不强、限制了近红外在线检测技术的推广。因此本发明将可同时进行变量选择和回归的(Least absolute shrinkage and selectionoperator，Lasso)方法应用于JITL学习框架中，提出一种基于局部加权Lasso(LW-Lasso)的近红外模型在线更新方法，降低计算量的同时，可不断在线校正模型以适应最新过程状态，提高建模精度和预测能力，从而达到推广近红外在线分析检测应用的目的。

发明内容

本发明旨在提供一种可用于在线检测的近红外模型更新方法。目的是当生产工程呈现非线性、时变性的问题时，能够快速、计算量小的自适应更新近红外模型，从而节约模型维护成本，提高预测精度，满足工业生产在线检测要求。

本发明采用的技术方案：

一种基于局部加权Lasso的近红外模型在线更新方法，分为四个部分：历史数据采集与预处理、得到相似度测量矩阵、建立局部Lasso模型和获取查询样本预测值；具体步骤如下：

步骤一：历史数据采集与预处理

采集样本物性参数和近红外光谱原始数据组成历史数据库，作为样本校正集，对近红外光谱原始数据进行预处理，并对校正集的样本按照3σ准则进行异常值剔除；

所述的预处理方法为平滑法、微分法、标准化法、多元散射校正法、标准正态变量变换法或小波变换法。

步骤二：得到相似度测量矩阵

利用剔除异常值后的样本校正集，建立光谱矩阵和物性参数矩阵其中，N为样本数目，M为光谱变量数目，x_i为第i个样本对应的光谱，y_i为第i个样本对应的物性参数；