[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

说明书

本发明提供了一种基于多元光谱数据的智能校正方法、系统及装置，本技术方案通过对用户输入的光谱数据一些基本性质，样品的物质形态，模型精确性要求等信息，结合多元光谱分析专家知识库，可以智能建立m个多元光谱数据校正模型。m个多元光谱数据校正模型建立过程中，借助多元光谱分析专家知识库，全部通过智能循环计算完成，无需用户多次尝试不同的校正方法建立模型，可以大大减少计算时间。通过定义综合评价指标S值判定模型优劣，并结合多元光谱分析专家知识库和S值权重专家知识库推荐最优模型给用户。该方案速度快捷，结果准确，适用场景广泛。

技术领域

本发明涉及光谱数据处理领域，尤其涉及一种光谱仪采集的多元光谱数据评价相关的智能校正方法、系统及装置。

背景技术

目前市售的各种光谱仪配套软件中在提供数据采集功能的基础上，基本都可以提供一些基本的定量和定性校正方法，例如对光谱中某一波长处的响应值或者多个波长响应值组成的面积值，进行一元线性回归分析。提供的一元基本校正方法使用简便，适合在不同行业应用中使用。

然而，能够提供多元光谱数据校正方法的国内外商用软件较少，并且操作十分复杂，应用范围窄。

目前，具有多元光谱数据校正方法的软件，判定定量模型的优劣方法基本都采用验证模型的验证标准误差SEV的大小来判断；判定定性模型的优劣方法基本都采用验证模型的识别率的大小来判断。

利用这些多元光谱数据校正软件提供的方法，建立高质量的多元光谱数据模型，是一件不容易的事情，进行校正方法测试过程也是非常耗时的，需要用户尝试不同的校正方法，重复建立多个多元光谱数据校正模型。

因为很多用户没有专业的化学计量学和光谱分析的经验，建立的校正模型质量较差，经常会发生待预测的未知光谱对模型特征不灵敏的情况。

并且，实际多元光谱数据模型建立中，在用户合理选择多元光谱数据校正方法的前提之下，不同定量验证模型的验证标准误差SEV和定性验证模型的识别率常常相差不大，基本上是通过用户的经验和“猜测”完成最终校正模型的选择工作。

在使用定量模型的验证标准误差SEV和定性模型的验证识别率大小来判定的情况下，基本可以保证校正模型预测的准确性。但是由于不同用户对模型预测能力要求不同，例如在注重模型的稳定性，或者在注重模型精确性等情况下，仅仅通过定量验证模型的验证标准误差SEV和定性验证模型的识别率大小来判断模型优劣无法满足用户的需求。

发明内容

针对现有技术的不足，本发明提供了一种在尽可能短的时间内智能确定多元光谱数据校正模型最优边界条件的实现方法，非常适用于食品、农产品、制药和化工等行业工厂实际使用。具体而言，本发明提供了以下的技术方案：

一方面，本发明提供了一种基于多元光谱数据的智能校正方法，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。

优选地，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。