[发明专利]一种用于近红外光谱分析的推进稀疏偏最小二乘方法

摘要

本发明提出一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其包括使用蒙特卡洛交叉验证和10折交叉验证确定稀疏偏最小二乘因子数和稀疏参数；根据预测误差确定样品权重；使用稳健步骤减少异常样品影响；确定使用平方形式损失函数；对未知样品，将多个模型预测结果排序，根据模型权重，确定其最终结果。本发明可以用于近红外光谱分析，提高方法的预测精度和稳定性。

主权项

1.一种用于近红外光谱分析的推进稀疏偏最小二乘方法，其特征在于包括以下步骤：步骤S1、用X0表示光谱数据矩阵，y表示光谱对应的测量数据向量，设参与建模的样品总数为m，其对应的光谱变量数为p，初始化每个样品权重WS为1/m，并设定推进取样量、迭代次数T，稀疏偏最小二乘模型因子数n和稀疏参数γ，其中稀疏偏最小二乘模型因子数n设定与偏最小二乘方法一致，用蒙特卡罗交叉验证确定，稀疏参数通过10折交叉验证确定，样品权重是指被选择参与建模的样品的权重，推进取样量是建模样品数量占样品总数的比例；步骤S2、将参与建模的样品总数m乘以推进取样量得选取样品数，按照轮盘赌方式选取与选取样品数一致的选取样品；步骤S3、使用选取样品建立迭代次数为i时的稀疏偏最小二乘回归模型Mi，并计算各个光谱变量数p对应的回归系数，其具体包括：S3‑1：初始化回归系数b为p×1的0向量，令k＝1，X＝X0；S3‑2：计算其中T表示矩阵转置；S3‑3：S3‑4：更新变量集S＝{j,1≤j≤p,wj≠0}U{j,1≤j≤p,bj≠0}，其中wj表示第j个变量对应的权重，bj表示第j个变量对应的回归系数；S3‑5：以现有变量集S，使用偏最小二乘算法，建立回归模型，计算出回归系数bs，X的光谱数据权重Ps；S3‑6：计算Xs＝Xs(I‑Ps(PsTPs)‑1PsT)；S3‑7：升级X，Xi＝Xs,j，i∈S，i与j要对应；S3‑8：升级b，bi＝bs,j，i∈S，i与j要对应；S3‑9：令k＝k+1，重复S3‑3‑S3‑8，直至k>n时执行S4步骤；步骤S4、根据稀疏偏最小二乘回归模型M_i计算迭代次数为i时所有m个参与建模的样品的预测误差其中，y_k,i为迭代次数为i时第k个样品的化学成分的测量值，为迭代次数为i时第k个样品的采用稀疏偏最小二乘回归模型M_i得到的化学成分的预测值；步骤S5、根据公式计算稀疏偏最小二乘回归模型M_i的模型权重，其中为模型损失函数，WS_k,i为迭代次数为i时第k个样品的样品权重；步骤S6、根据公式计算迭代次数为i+1时所有m个建模样品的样品权重；步骤S7、i＝i+1，重复S2‑S6，直至完成T次迭代，得到T个稀疏偏最小二乘回归模型及对应的模型权重；步骤S8、对一个未知样品，利用T个稀疏偏最小二乘回归模型预测未知样品的化学成分，得到T个样品的化学成分的预测值yi，(i＝1,2,3,…,T)，并对yi进行升序排列，满足下式的第r个预测值作为最终的预测结果：即WM需要按照预测值y_i的升序排序，依次增加直至累计和刚好大于时对应的样品预测值，为该样品的化学成分的预测值。