[发明专利]一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法

权利要求书

1.一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法，其特征在于，包括如下步骤：

步骤一，实测获得光谱数据；

步骤二，对所有原始数据处理，对实测光谱数据通过偏最小二乘法提取PLS子集；

步骤三，使用蒙特卡洛交互验证对奇异样本进行筛除；以一定比例随机选取样本，用来建立PLS校正模型，记为Vsel_old；

步骤四，采用CARS法对绝缘油拉曼光谱的变量进行多次筛选；设置采样次数为N，在N次采样后，选择RMSECV值最小的变量子集为最终结果。

2.根据权利要求1所述的方法，其特征在于，所述步骤二中，所述对实测光谱数据通过偏最小二乘法提取PLS子集包括：

记每个原始光谱的数据点数量为p，变压器油纸绝缘老化特征量的数量记为q，以p个光谱数据点的值作为原始自变量数据，以q个绝缘老化特征量的值作为原始因变量数据，n个原始光谱的数据可组成原自变量数据矩阵X₀＝【x₁,…,x_p】_n*p，n个变压器油纸绝缘老化特征量的数据可组成原因变量数据矩阵Y₀＝【y₁,…,y_q】_n*q；

将数据做标准化处理，矩阵X₀经标准化后的数据矩阵记为E₀，矩阵Y₀经标准化后的数据矩阵记为F；

利用偏最小二乘法分别在X₀和Y₀中求自变量与因变量的第一对主成分t1和u1，t1是x₁,…,x_p的线性组合，u1是y₁,…,y_q的线性组合，根据主成分原理，要求t1与u1的方差达到最大；建立t1和u1分别与原自变量、原因变量之间的回归；如果回归达到了满意的精度，则停止求取主成分，否则继续求取主成分直到达到满意精度为止；

假设共提取了m个主成分t₁,…,t_m，则将t₁,…,t_m作为PLS子集，将新的自变量数据记为矩阵X；将新的因变量数据记为矩阵Y。

3.根据权利要求1所述的方法，其特征在于，所述步骤三中，所述比例设置为80％，其余的20％的样本用以预测。

4.根据权利要求2所述的方法，其特征在于，所述采用CARS法对绝缘油拉曼光谱的变量进行多次筛选包括如下步骤：

①以一定比例随机抽取样本作为校正集建立PLS校正模型；

②设置T为X的得分矩阵，其是X与W的线性组合，W为组合系数；c表示Y和T建立的PLS校正模型的回归系数向量，e为预测残差；

则有如下关系式：

T＝XW

Y＝Tc+e＝XWc+e＝Xb+e；

③计算PLS子集模型中回归系数b＝Wc＝[b₁,b₂,…b_p]^T的绝对值|b_i|(1≤i≤p)(p是光谱数据点的数量)，b_i代表第i个波长对老化状态诊断的贡献，为评价波长的权重，对权重w做如下定义：

④计算变量保持率r_i＝ae^ki；

其中，a和k为常数，分别为在第一次和第N次取样时，样本集中全部p个变量和仅仅两个变量参与建模，即r₁＝1且r_N＝2/p，i为采样次数，第1次采样和第N次采样样本保持率均为参与建模的变量和样本集中全部变量数量的比值，也就是r₁＝p/p＝1，r_N＝2/p，因此a和k的计算公式为：

⑤根据回归系数，进行基于指数衰减函数EDF的强制性波长筛选和基于自适应重加权采样的竞争性波长筛选两个过程，利用指数衰减函数EDP筛除b_i较小的变量；

⑥基于交互验证以最小交互验证均方差为准则选择变量集；采用ARS采样技术从p×r_i个变量中提取变量子集，并将变量子集Vsel_new作为新的样本替换Vsel_old返回输入；在N次重复采样后输出，选择RMSECV值最小的变量子集为最终结果。