基于GT‑KF‑PLS近红外光谱自适应模型校正方法及系统技术方案

本发明专利技术提供一种基于GT‑KF‑PLS近红外光谱自适应模型校正方法及系统，其中的方法包括：利用K/S算法从标准样品中选择有代表性的建模样品；采用PLS法对建模样品建立近红外光谱数据与浓度间的线性关系(PLS校正模型)；利用PLS校正模型对待测样品进行预测，获取待测样品的预测值；定期对待测样品进行化验，并采集待测样品的样品数据；采用Gamma Test对样本光谱数据和待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值；通过KF算法修正当前时刻PLS校正模型的主因子系数。利用本发明专利技术能够有效解决观测噪声不确定引起的KF‑PLS校正模型发散问题，为采用KF‑PLS建立基于近红外光谱的在线分析过程精确校正模型提供有效途径。

【技术实现步骤摘要】

本专利技术属于近红外光谱技术在线分析领域，具体涉及一种基于GT-KF-PLS(Gammatest-Kalmanfilter-Partialleastsquare，伽马测试的卡尔曼滤波偏最小二乘)近红外光谱动态演化模型校正方法及系统。
技术介绍
KF-PLS(KalmanFilterPartialLeastSquares)已被证明是提高近红外光谱多元校正模型适应性的一种新方法。采用该方法建立的校正模型具有适应设备陈旧化、环境变化和模型界外样品等优点。但是，KF-PLS噪声方差方法难以得到观测噪声不确定的动态近红外光谱仪测量过程的噪声方差值，因而常将观测噪声方差值置零，并引入了遗忘因子以进行KF-PLS模型校正。这在一定程度上虽然抑制了模型的不确定性发生，但是由于校正模型误差累积作用，在被测样品数量不断增加的情况下，校正模型不可避免地会出现发散现象，甚至完全失效。极大地限制了KF-PLS在观测噪声不确定近红外光谱模型校正中的应用。因此，如何保证自适应校正模型的稳定性成为了难点。因此，为解决上述问题，本专利技术提出了一种基于GT-KF-PLS近红外光谱自适应模型校正方法及系统。
技术实现思路
为了实现上述目的，本专利技术提供一种基于GT-KF-PLS(Gammatest-Kalmanfilter-Partialleastsquare，伽马测试的卡尔曼滤波偏最小二乘)近红外光谱自适应模型校正方法及系统，以解决观测噪声不确定引起的KF-PLS校正模型发散问题。本专利技术提供一种基于GT-KF-PLS近红外光谱自适应模型校正方法，包括：S1：利用K/S算法从标准样品中选择有代表性的建模样品；S2：采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系，并根据所述线性关系建立PLS校正模型；S3：利用所述PLS校正模型对待测样品进行预测，获取所述待测样品的预测值；S4：同时，定期对所述待测样品进行化验，并采集与化验的待测样品对应的待测样品的样品数据；S5：采用GammaTest对样本光谱数据和化验后采集到的待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值；S6：根据所述精确噪声方差值、所述待测样品的样品数据以及当前时刻所述待测样品的预测值，通过KF算法修正当前时刻所述PLS校正模型的主因子系数。此外，优选的方案是，在步骤S2中，在采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系的过程中，设Xm×n为m个样品在n个波长上的光谱参数矩阵，Ym×p为m个样品p种成分含量构成的浓度矩阵，将Xm×n与Ym×p分解为如下形式：X＝TPt+EY＝UQt+F其中，矩阵T和矩阵U分别表示去掉大部分噪声后的光谱信息和浓度信息；E和F表示误差；由于Xm×n与Ym×p存在线性关系Y＝P'X，在分解时，矩阵T和U之间的线性关系为：U＝TB；通过交换迭代矢量而使两个分解过程合二为一。此外，优选的方案是，在步骤S5中，在采用GammaTest对样本光谱数据和化验后采集到的待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值的过程中，获取第i个样本点对应的系统噪声方差值包括：S51：假定数据之间的关系：Y＝h(X)+r，其中，h(X)表示光滑函数；r表示噪声变量；S52：使用kd-tree算法在输入空间对各输入样本点Xi(1≤i≤M)进行计算,得到输入样本Xi(1≤i≤M)的第K(1≤K≤P)近邻域点XN[i,K](1≤i≤M)，S53：计算所有Xi(1≤i≤M)的第P近邻域点的最小均方距离δ(K)以及输出空间相应的最小均方距离γ(K)，S54：对(δ(K),γ(K))K(1≤K≤P)、(δ(K),γ(K))K(1≤K≤P)，按公式γ＝Aδ+R进行一次线性回归，所得一次线性函数的截距，即系统噪声方差值R；S55：当新增加一个标准样品时，重复步骤S51至步骤S54，,得到每个样品对应噪声方差。此外，优选的方案是，在步骤S6中，根据所述精确噪声方差值、所述待测样品的样品数据以及当前时刻所述待测样品的预测值，通过KF算法修正当前时刻所述PLS校正模型的主因子系数过程中，设PLS初始模型主因子数为l，主因子系数为：w1,t1,v1,p1；w2,t2,v2,p2；……；wi,ti,vi,pi(i＝1,2,3…,l)；其中：vi＝(tTy)/(tTt)＝[vi1vi2...vip]将所述PLS初始模型中的所有系数值组成状态向量：W＝[w1Tt1Tv1p1T...wiTtiTvipiT]T(i＝1,2,3…,l)系统的状态方程和观测方程表示为：其中，Yek为标样浓度；Wk为第k个标样修正时刻的主因子系数；Xk为第k个样品光谱矢量；Yrk为预测浓度；Vk为观测噪声，其统计特性为：令则观测方程为：Yek＝HkWk+Dk+Vk；其中，H表示状态变量Wk对测量变量Yk的增益；Wk表示k时刻状态变量，即：用第k个标样修正时的PLS主因子系数；Dk为中间变量。本专利技术还提供一种基于GT-KF-PLS近红外光谱自适应模型校正系统，包括：建模样品选取单元，用于利用K/S算法从标准样品中选择有代表性的建模样品；PLS校正模型建立单元，用于采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系，并根据所述线性关系建立PLS校正模型；预测值获取单元，用于利用所述PLS校正模型对待测样品进行预测，获取所述待测样品的预测值；样品数据获取单元，用于定期对所述待测样品进行化验，并采集与化验的待测样品对应的待测样品的样品数据；精确噪声方差值获取单元，用于采用GammaTest对样本光谱数据和化验后采集到的待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值；PLS校正模型的主因子系数修正单元，用于根据所述精确噪声方差值、所述待测样品的样品数据以及当前时刻所述待测样品的预测值，通过KF算法修正当前时刻所述PLS校正模型的主因子系数。此外，优选的方案是，所述PLS校正模型建立单元在采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系的过程中，设Xm×n为m个样品在n个波长上的光谱参数矩阵，Ym×p为m个样品p种成分含量构成的浓度矩阵，将Xm×n与Ym×p分解为如下形式：X＝TPt+EY＝UQt+F其中，矩阵T和矩阵U分别表示去掉大部分噪声后的光谱信息和浓度信息；E和F表示误差；由于Xm×n与Ym×p存在线性关系Y＝P'X，在分解时，矩阵T和U之间的线性关系为U＝TB；通过交换迭代矢量而使两个分解过程合二为一。此外，优选的方案是，所述精确噪声方差值获取单元在采用GammaTest对样本光谱数据和化验后采集到的待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值的过程中，获取第i个样本点对应的系统噪声方差值包括：S51：假定数据之间的关系：Y＝h(X)+r，其中，h(X)表示光滑函数；r表示噪声变量；S52：使用kd-tree算法在输入空间对各输入样本点Xi(1≤i≤M)进行计算,得到输入样本Xi(1≤i≤M)的第K(1≤K≤P)近邻域点XN[i,K](1≤i≤M)，S53：计算所有Xi(1≤i≤M)的第P近邻域点的最小均方距离δ(K)以及输出空间相应的最小均方距离γ(K)，S54：对(δ(K本文档来自技高网...

【技术保护点】
一种基于GT‑KF‑PLS近红外光谱自适应模型校正方法，其特征在于，包括：S1：利用K/S算法从标准样品中选择有代表性的建模样品；S2：采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系，并根据所述线性关系建立PLS校正模型；S3：利用所述PLS校正模型对待测样品进行预测，获取所述待测样品的预测值；S4：同时，定期对所述待测样品进行化验，并采集与化验的待测样品对应的待测样品的样品数据；S5：采用Gamma Test对样本光谱数据和化验后采集到的待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值；S6：根据所述精确噪声方差值、所述待测样品的样品数据以及当前时刻所述待测样品的预测值，通过KF算法修正当前时刻所述PLS校正模型的主因子系数。

【技术特征摘要】
1.一种基于GT-KF-PLS近红外光谱自适应模型校正方法，其特征在于，包括：S1：利用K/S算法从标准样品中选择有代表性的建模样品；S2：采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系，并根据所述线性关系建立PLS校正模型；S3：利用所述PLS校正模型对待测样品进行预测，获取所述待测样品的预测值；S4：同时，定期对所述待测样品进行化验，并采集与化验的待测样品对应的待测样品的样品数据；S5：采用GammaTest对样本光谱数据和化验后采集到的待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值；S6：根据所述精确噪声方差值、所述待测样品的样品数据以及当前时刻所述待测样品的预测值，通过KF算法修正当前时刻所述PLS校正模型的主因子系数。2.根据权利要求1所述的基于GT-KF-PLS近红外光谱自适应模型校正方法，其特征在于，在步骤S2中，在采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系的过程中，设Xm×n为m个样品在n个波长上的光谱参数矩阵，Ym×p为m个样品p种成分含量构成的浓度矩阵，将Xm×n与Ym×p分解为如下形式：X＝TPt+EY＝UQt+F其中，矩阵T和矩阵U分别表示去掉大部分噪声后的光谱信息和浓度信息；E和F表示误差；由于Xm×n与Ym×p存在线性关系Y＝P'X，在分解时，矩阵T和U之间的线性关系为：U＝TB；通过交换迭代矢量而使两个分解过程合二为一。3.根据权利要求1所述的基于GT-KF-PLS近红外光谱自适应模型校正方法，其特征在于，在步骤S5中，在采用GammaTest对样本光谱数据和化验后采集到的待测样品的样品数据进行噪声统计值的计算，获取系统噪声的精确噪声方差值的过程中，获取第i个样本点对应的系统噪声方差值包括：S51：假定数据之间的关系：Y＝h(X)+r，其中，h(X)表示光滑函数；r表示噪声变量；S52：使用kd-tree算法在输入空间对各输入样本点Xi(1≤i≤M)进行计算,得到输入样本Xi(1≤i≤M)的第K(1≤K≤P)近邻域点XN[i,K](1≤i≤M)，S53：计算所有Xi(1≤i≤M)的第P近邻域点的最小均方距离δ(K)以及输出空间相应的最小均方距离γ(K)，δ(K)=1MΣi=1M|XN[i,K]-Xi|2,1≤K≤P]]>γ(K)=1MΣi=1M|YN[i,K]-Yi|2,1≤K≤P]]>S54：对(δ(K),γ(K))K(1≤K≤P)、(δ(K),γ(K))K(1≤K≤P)，按公式γ＝Aδ+R进行一次线性回归，所得一次线性函数的截距，即系统噪声方差值R；S55：当新增加一个标准样品时，重复步骤S51至步骤S54，,得到每个样品对应噪声方差。4.根据权利要求1所述的基于GT-KF-PLS近红外光谱自适应模型校正方法，其特征在于，在步骤S6中，根据所述精确噪声方差值、所述待测样品的样品数据以及当前时刻所述待测样品的预测值，通过KF算法修正当前时刻所述PLS校正模型的主因子系数过程中，设PLS初始模型主因子数为l，主因子系数为：w1,t1,v1,p1；w2,t2,v2,p2；……；wi,ti,vi,pi(i＝1,2,3…,l)；其中：wi=XTy(yTy)=w1iw2i...wni;]]>ti=Xwi=t1it2i...tmi;]]>pi=XTt/(tTt)=p1ip2i...pni;]]>vi＝(tTy)/(tTt)＝[vi1vi2...vip]将所述PLS初始模型中的所有系数值组成状态向量：W＝[w1Tt1Tv1p1T...wiTtiTvipiT]T(i＝1,2,3…,l)系统的状态方程和观测方程表示为：Wk=Wk-1Yek=Yrk+Vk=h(Wk,Xk)+Vk,]]>其中，Yek为标样浓度；Wk为第k个标样修正时刻的主因子系数；Xk为第k个样品光谱矢量；Yrk为预测浓度；Vk为观测噪声，其统计特性为：E(Vk)=0,E(VkVkT)=Rk;]]>令则观测方程为：Yek＝HkWk+Dk+Vk；其中，H表示状态变量Wk对测量变量Yk的增益；Wk表示k时刻状态变量，即：用第k个标样修正时的PLS主因子系数；Dk为中间变量。5.一种基于GT-KF-PLS近红外光谱自适应模型校正系统，其特征在于，包括：建模...

【专利技术属性】
技术研发人员：梅青平，李太福，乐明于，单光庆，姚立忠，唐一科，董引娣，张望，
申请(专利权)人：重庆城市管理职业学院，重庆科技学院，
类型：发明
国别省市：重庆;50