[发明专利]一种基于自步学习的红外光谱定量分析方法及系统

摘要

本发明公开了一种基于自步学习的红外光谱定量分析方法及系统，方法包括：S1、分别从标准样品的红外光谱数据和待测样品的红外光谱数据中提取出标准样品的红外光谱矩阵和待测样品的红外光谱矩阵，获取标准样品的浓度数据；S2、根据标准样品的红外光谱矩阵和标准样品的浓度数据，获取用于表示红外光谱矩阵与浓度数据之间关系的偏最小二乘权重向量；S3、根据偏最小二乘权重向量构建偏最小二乘预测模型，将待测样品的红外光谱矩阵输入偏最小二乘预测模型，计算得到待测样品的浓度数据。本发明的有益效果是：相对于现有的传统偏最小二乘算法，该方法具有更好的稳定性和泛化能力，具有较强的抗噪声能力。

主权项

1.一种基于自步学习的红外光谱定量分析方法，其特征在于，包括：S1、分别从标准样品的红外光谱数据和待测样品的红外光谱数据中提取出所述标准样品的红外光谱矩阵和所述待测样品的红外光谱矩阵，获取所述标准样品的浓度数据；S2、根据所述标准样品的红外光谱矩阵和所述标准样品的浓度数据，获取用于表示红外光谱矩阵与浓度数据之间关系的偏最小二乘权重向量；S3、根据所述偏最小二乘权重向量构建偏最小二乘预测模型，将所述待测样品的红外光谱矩阵输入所述偏最小二乘预测模型，计算得到所述待测样品的浓度数据；其中，S2包括：S21、通过最小二乘法对所述标准样品的红外光谱矩阵和所述标准样品的浓度数据进行训练，构建偏最小二乘权重向量优化模型；所述偏最小二乘权重向量优化模型的表达式为：其中，X为标准样品的红外光谱矩阵X＝[x₁,x₂,…x_i…,x_n]^T，其中，n为标准样品的个数i∈{1,2,3…n}，x_i为第i个标准样品的光谱向量；y为标准样品的浓度数据对应的浓度向量y＝[y₁,y₂,…y_i…,y_n]^T，其中，y_i为第i个标准样品对应的浓度值；w为偏最小二乘权重向量w＝[w₁,w₂,…w_j…,w_d]^T，d为光谱向量的特征维数，其中j∈{1,2,3…d}；S22、通过自步学习方法对所述偏最小二乘权重向量优化模型进行更新，得到基于自步学习的偏最小二乘权重向量优化模型，即自步学习模型；所述自步学习模型的表达式为：其中，L(y_i,f(x_i,w))为真实浓度值y_i和估计浓度值f(x_i,w)之间的平方损失，w为偏最小二乘权重向量；v为当前模型的样本权重向量v＝[v₁,v₂,…v_i…,v_n]^T，其中，v_i∈[0,1]为第i个样本的权重值，用于衡量第i个样本的学习难易程度；R(v,λ)为当前模型的自步正则项，其中，λ为步长参数，用于改变参与当前模型学习的样本数目；S23、根据所述自步学习模型获取偏最小二乘权重向量。