[发明专利]基于函数性主元分析的近红外光谱特征提取方法和系统

说明书

本发明涉及一种基于函数性主元分析的近红外光谱特征提取方法，步骤为：S1、采集多种样本中近红外光谱的数据；S2、采用标准正态变换对所述近红外光谱的数据进行预处理；S3、获取处理后近红外光谱数据的样条函数；S4、对所述样条函数进行中心化处理；S5、计算中心化处理后的样条函数在不同波段函数之间的协方差；S6、计算协方差的第j个特征值；S7、计算累计贡献度；S8、计算不同波段的方程中函数形主元得分；本发明还公开了一种基于函数性主元分析的近红外光谱特征提取系统。本发明既增强了定标模型的稳健性，又改善了定标模型的预测能力，为近红外光谱数据提供了一种新的特征提取方法，具有很高的实用价值。

技术领域

本发明涉及近红外光谱无损分析技术领域，更具体涉及基于函数形主元分析的近红外光谱特征提取方法和系统。

背景技术

由于近红外光在常规光纤中有良好的传输特性，且其仪器较简单、分析速度快、非破坏性和样品制备量小、几乎适合各类样品(液体、粘稠体、涂层、粉末和固体)分析、多组分多通道同时测定等特点，已广泛应用于包括农牧、食品、化工、石化、制药、烟草等在内的诸多领域，为科研、教学以及生产过程控制提供了一个十分广阔的使用空间。

近红外光谱主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，记录的主要是含氢基团X-H(X＝C、N、O)振动的倍频和合频吸收。不同团(如：甲基、亚甲基，苯环等)或同一基团在不同化学环境中的近红外吸收波长与强度都有明显差别，近红外光谱具有丰富的结构和组成信息，非常适合用于碳氢有机物质的组成与性质测量，而物质质量参数(如成分含量)也与其组成和结构信息相关，应用化学计量学方法对两者进行关联，就可以确定这两者间的定性或定量关系，即：定标模型，建立定标模型后，只要测出未知样品的近红外光谱，根据定标模型就可以预测样本的质量参数。

然而，由于近红外光谱数据具有高维、谱带重叠等特征，给提取样品的关键主元信息带来了一定程度的困难和挑战。如何实现高维空间到低维空间的特征映射关系，从而方便提取样品光谱数据的关键主元信息是亟待解决的技术问题。近年来，为了解决高维光谱数据降维问题，国内外相继出现大量的降维算法，如：主成分分析(Principal ComponentAnalysis，即PCA)、线性识别分析(linear discriminant analysis，即LDA)、遗传算法(Genetic Algorithm，即GA)、无信息变量消除法(Uniformative Variable Elimination，即UVE)、间隔偏最小二乘法(interval Partial Least Squares，即iPLS)、连续投影算法(Successive Projections Algorithm，即SPA)等。上述方法各有特性，但也存在各自的不足，如主成分分析是基于线性统计方法建立的，在解决非线性相关及校正样本分布不均匀的问题时，其结果往往不可靠；遗传算法采用随机进化的方法，其选择、交叉和变异算子往往根据经验，调参过程比较繁琐，此外，其适应度函数选取也非常重要，不同的适应度函数，其结果将会有较大不同。

但是，现有技术常用的降维算法仅从光谱数据的本身出发，即光谱数据的离散点出发，实现从高维空间到低维空间的特征映射。实际上，光谱数据的内在结构呈现“函数型”，该“函数型”是连续性的。而现有技术中的降维算法会导致很多潜在特征信息无法被挖掘出来，如：导数、阶次等特征信息。

发明内容

本发明所要解决的技术问题在于提供基于函数性主元分析的近红外光谱特征提取方法和系统，以解决上述背景技术中现有技术的降维算法无法获取导数、阶次等特征信息的问题。

为解决上述技术问题，本发明提供如下技术方案：

一种基于函数性主元分析的近红外光谱特征提取方法，包括如下步骤：

S1、采集多种样本中近红外光谱的数据；

S2、采用标准正态变换对所述近红外光谱的数据进行预处理；