[发明专利]一种基于多元光谱数据的智能校正方法、系统及装置

权利要求书

1.一种基于多元光谱数据的智能校正方法，其特征在于，所述方法包括：

步骤1、输入数据初始化，得到初始化输入数据；所述初始化输入数据包括多元光谱数据、化学组分数据；

步骤2、多元光谱分析专家知识库接收所述初始化输入数据，基于多元光谱分析专家知识库包含的方法对所述初始化输入数据进行处理，得到相应的输出数据，从而完成多元光谱分析专家知识库初始化；所述知识库包括异常剔除方法、样品集划分方法、波长选择方法、光谱数据预处理方法、校正算法组、因子选择规则和校正次数；所述异常剔除方法用于对多元光谱数据、化学组分数据进行异常数据分析并剔除不适合校正的数据；所述样品集划分方法用于划分校正集和验证集；

步骤3、对选择的所述多元光谱数据、化学组分数据进行智能校正，形成m个校正模型；所述智能校正包括定性校正、定量校正；

步骤4、显示m个校正模型的综合评价指标S值结果对比，选择并推荐最优校正模型，并存储最优校正模型；

所述步骤3中，对选择的所述多元光谱数据、化学组分数据进行智能校正进一步包括：

步骤31、对选择的所述多元光谱数据、化学组分数据进行异常数据分析，剔除不适合校正的数据；

步骤32、将剔除异常数据后的已选数据分为校正集和验证集，校正集独立于验证集；

步骤33、针对校正集进行校正计算，在第一个校正模型中，不需要波长选择和数据预处理；所述数据预处理指对所述校正集中的多元光谱数据进行预处理；

步骤34、对步骤33中的校正计算结果进行校正优化，并进行波长选择和数据预处理；

步骤35、基于多元光谱分析专家知识库的校正次数，建立m个校正模型；

步骤36、所述m个校正模型分别对校正集和验证集进行预测，得到预测结果；

步骤37、基于所述预测结果，计算m个校正模型的综合评价指标S，并存储所述S至每个校正模型中；

所述综合评价指标S值的获取方式为：

步骤41、判定校正类型，若为定量校正，则转至步骤42，若为定性校正，则转至步骤43；

步骤42、获取对校正集和验证集数据的预测结果，计算模型的校正标准误差、校正决定系数、验证标准误差、验证决定系数、验证误差、验证平均误差、验证误差的标准偏差、T检验值；随后计算模型的定量评价指标，并转至步骤44；所述定量评价指标包括误差一致性、模型相似性、模型有效性、偏差准确性、残差准确性、误差精确性、验证排斥性中的一种或其任意组合；

步骤43、获取对校正集和验证集数据的预测结果，计算模型的校正集样品正确识别个数、校正集样品识别错误个数、校正集样品不识别个数、验证集样品正确识别个数、验证集样品识别错误个数、验证集样品不识别个数；随后计算模型的定性评价指标，并转至步骤44；所述定性评价指标包括识别一致性、校正不识别率、校正错误识别率、验证不识别率、验证错误识别率、校正聚类指数、校正干扰指数中的一种或其任意组合；

步骤44、计算综合评价指标S值：

其中，S_i是第i个定性评价指标或定量评价指标；W_i是第i个定性评价指标或定量评价指标对应的权重。

2.根据权利要求1所述的方法，其特征在于，所述步骤2中，初始化输入数据还包括仪器类型、探测器类型、样品的物质形态类型、模型校正类型、模型精确性类型。

3.根据权利要求1所述的方法，其特征在于，所述步骤3中，定量校正包括多元线性回归、主成分回归、偏最小二乘回归中的一种或其任意组合。

4.根据权利要求1所述的方法，其特征在于，所述步骤3中，定性校正包括簇类的独立软模式、偏最小二乘判别分析中的一种或其任意组合。