[发明专利]一种基于影响力值的近红外光谱降噪方法

权利要求书

1.一种基于影响力值的近红外光谱降噪方法，其特征在于，包括如下步骤：

步骤一：利用近红外光谱仪采集待测物表面的近红外光谱；

步骤二：对所述近红外光谱进行主成分分析降维处理；

步骤三：根据降维处理后的近红外光谱，建立状态空间模型，所述状态空间模型为：

x_n＝A_nx_n-1+B_nw_n,

y_n＝C_nx_n+D_nv_n,

其中w_n和v_n都是噪声，y_n是观测值，x_n是状态值，A_n,B_n,C_n,和D_n都是系统矩阵，n为时刻，A_n为状态转移矩阵，B_n为过程噪声模型，C_n为观测矩阵，D_n为观测噪声模型，w_n为过程噪声，v_n为观测噪声；

步骤四：根据所述状态空间模型利用Kalman滤波器进行处理，得到Kalman估计值与Kalman增益；

步骤五：根据所述状态空间模型进行扩展得到扩展模型，根据扩展模型利用无偏滤波器滤波处理，得到无偏滤波估计值与无偏滤波增益，所述扩展模型为：

X_n,m＝A_n,mx_m+B_n,mW_n,m,

Y_n,m＝C_n,mx_m+G_n,mW_n,m+D_n,mV_n,m,

其中各扩展矩阵如下所示：

D_n,m＝diag(D_n,D_n1,…,D_m)

其中：I为单位矩阵，r代表的视野终止时刻，h代表的视野起始时刻，g是表示当前时刻，T是矩阵做转置变换，n代表扩展方程终止时刻，m代表扩展方程起始时刻；

得出无偏滤波估计值与无偏滤波增益过程为：

其中，为无偏状态先验值，J_l为中间变量，没有实际意义，为无偏估计增益，为无偏估计值，y_l为观测值，C_l为观测矩阵，A_l为状态转移矩阵；

从l＝s开始迭代至l＝n得到n时刻估计值和s＝m+k-1，k为状态维数，s时刻初值设置为：

其中，L_m,sU_m,s为控制输入相关，近红外光谱由模型知无控制输入，所以此处为L_m,sU_m,s＝0，为迭代初值；

迭代过程中，当l＝n时可以得到n时刻的无偏滤波估计值和无偏滤波增益

步骤六：根据所述Kalman估计值、Kalman增益、无偏滤波估计值与无偏滤波增益建立损失函数，根据损失函数计算影响力值，基于Kalman滤波器、无偏滤波器进行不同时刻的影响力值累计，得到影响力融合滤波器估计值，所述损失函数为：

其中

所述影响力值为：

其中：

其中代表函数在方向上的二阶偏导数，影响力值表示n时刻时，滤波器受到干扰时，估计值偏离最优估计值的程度，公式(17)、(18)和(20)等号左边三个符号没有实际意义，只是中间变量，由于公式太长所以用字母代替表示，L为影响力值，T'为时间窗口长度，根据经验人为设置，一般与时间n相等；

进行不同时刻的影响力值累计过程为：选取n-b，n-b+1，……，n时刻的影响力值进行累计，得到

其中，为Kalman滤波器b个时刻累计值，为无偏滤波器b个时刻累计值，b为影响力时间长度，根据经验设置，与观测维度相等，||表示绝对值或取模运算；…表示通式，针对Kalman时转换为三角，针对无偏时转换为—；

步骤七：根据影响力融合滤波器估计值获得降噪后的近红外光谱，所述影响力融合滤波器估计值为：

Ξ_n＝(1-a)Ξ_n-1+aΩ_n, (23)

其中

其中“⊙”表示两个矩阵点乘，即矩阵对应位置元素相乘，a是时间权值，“/”符号表示点除，即矩阵对应位置元素相除，为融合状态估计值，Ξ_n为融合权值，是无偏估计值，是Kalman估计值，Ω_n为影响力权重。