[发明专利]一种基于CPLS的红外光谱测量仪器标定迁移方法

说明书

本发明涉及机器学习模块下的迁移学习技术领域，提供一种基于CPLS的红外光谱测量仪器标定迁移方法。首先采集源域数据集{X_m,Y}和目标域数据集{X_s,Y}，并对其进行中心化处理，得到中心化处理后的源域数据集{X_{m_center},Y_center}和目标域数据集{X_{s_center},Y_center}；接着基于CPLS算法对矩阵X_{m_center}、Y_center进行主成分分析，并对矩阵X_{s_center}进行主成分分析；再计算转移矩阵M_{trans_pre}和转移矩阵M_trans；最后，对被测对象的物质浓度变量进行预测。本发明能够清除主仪器测量的随机噪声，提高数据利用率和建模精度，降低时间复杂度。

技术领域

本发明涉及机器学习模块下的迁移学习技术领域，特别是涉及一种基于CPLS的红外光谱测量仪器标定迁移方法。

背景技术

近红外光谱(NIRS)分析技术具备仪器操作简单、分析数据速度快、成本较低、不污染样品等优势，已在各领域得到了普遍应用。在生产过程中，使用近红外光谱分析技术进行建模，由于测量条件和仪器硬件性能往往并不稳定，会导致已有的标定模型失效。

迁移学习的主要目的是从源域的一项或多项任务中提取分类或回归知识，并将这些知识应用到目标域任务中，如果一个任务的知识成功地转移到另一个任务中，那么新任务的模型可以在没有太多新样本的情况下获得。利用在一个或多个源域学习的知识，提高目标域的学习性能，解决了目标域标签缺失、标签成本高、学习过程耗时等问题，达到提高学习性能的目的。

标定迁移方法指的是在不同测量仪器或测量状态下的多元标定模型的迁移。这种方法利用不同来源的光谱数据间的线性关系，对新仪器或新状态下测得光谱样本进行转换，进而可以直接利用原有模型对新样本进行预测。迁移研究可以应用于相关领域而不是同一个领域之间，实现对迁移、域间转换的有用信息，从而可以保持原有模型的有效性或利用原有信息加快建模速度，避免用大量的目标域样本或模型再次对目标域进行采样或建模，从而提高模型的有效性，在很大程度上降低了成本，加快了建模速度。

已有的标定迁移方法存在着预测精度不高、限制应用场合等问题。如基于PLS的标定迁移方法中，偏最小二乘(partial least-regression，PLS)是数据信息提取和过程监控中常用的算法之一，通过提取过程变量与质量变量相关性最大的特征信息并对过程变量进行划分，将过程变量和质量变量转化为主元子空间和剩余子空间，实现了数据的压缩和提取。然而，PLS算法首先使用主成分分析法分别提取过程变量和质量变量的主元，二者主元没有关联。它默认为所有进程变量对质量变量都起作用，忽略了内部变量的状态信息。在许多情况下，由于过程数据缺乏激励，存在大量未测量的过程和质量扰动，当质量变量的剩余信息发生变化时，会出现报警失效现象，导致PLS预测输出较差。实际上，相较于过程变量，对质量变量信息变化的监控更加重要。另一方面，建立PLS模型所涉及的优化目标是在不受残差约束的情况下，最大化过程变量与质量变量之间的主成分相关性，使过程变量与质量变量之间的残差方差达到最大。变量不能保证是最小的，这可能会导致大量的过程变量和质量变量的信息残留。再者，目前近红外光谱建模处理数据量大，串行偏最小二乘算法时间复杂度高、训练和测试过程长。

发明内容

针对现有技术存在的问题，本发明提供一种基于CPLS的红外光谱测量仪器标定迁移方法，能够清除主仪器测量的随机噪声，提高数据利用率和建模精度，降低时间复杂度。

本发明的技术方案为：

一种基于CPLS的红外光谱测量仪器标定迁移方法，其特征在于，包括下述步骤：