System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及近红外光谱分析,具体涉及基于多尺度洛伦兹的近红外吸收峰识别方法、系统、介质。
技术介绍
1、利用红外光谱对物质分子进行分析和鉴定,是通过将一束不同波长的红外射线照射到物质的分子上,其中某些特定波长的红外射线会被吸收,形成该分子的红外吸收光谱。每种分子都有由其组成和结构决定的、独有的红外吸收光谱。据此,便可以对分子进行结构分析和鉴定。近红外光谱具有无损、信息丰富、无需样品制备等优点,在食品、生物、制药、材料、半导体、环境监测等众多领域得到了广泛的应用。由于近红外吸收谱峰中包含大量物质的信息,因此谱峰识别是光谱定性分析中的关键步骤。目前,现有技术中对于谱峰识别问题已经提出了多种方法。
2、现有的谱峰识别方法大致可分为三类:
3、第一类是基于峰模型的方法,通过对信号数据进行峰模型拟合,常见的峰模型包括高斯模型、洛伦兹模型等,可以准确地获得包括峰宽度和面积在内的峰信息。但是,在复杂样品分析情况下,近红外吸收峰的形状可能会发生变化,因此无法令人满意地建模。目前假定的峰谱模型是高斯或者洛伦兹模型,但是实际观测中光谱曲线线形并不是这两种模型。
4、第二类是基于导数的方法,利用信号的一阶或二阶导数信息来寻找峰值。其中,一阶导数的极值点对应于信号的峰值位置,而二阶导数的零交叉点通常表示峰值的转折点。但是,信号的一阶和二阶导数的方法对光谱曲线的噪声水平敏感,要求数据光滑连续,所以对数据去噪、曲线平滑的要求很高,需要人工干涉。
5、第三类是连续小波变换法识别谱峰,也是目前使用较多的方法。该
技术实现思路
1、本专利技术旨在至少在一定程度上解决上述技术中的技术问题之一。为此,本专利技术的目的在于提出一种基于多尺度洛伦兹的近红外吸收峰识别方法、系统、介质,通过提高对近红外吸收谱峰最大位置和峰宽的定位准确度,以使得脊线更易于提取,谱峰的识别准确性更高,难度更低,运用更具稳健性。
2、为达到上述目的,本专利技术第一方面实施例提出了一种基于多尺度洛伦兹的近红外吸收峰识别方法,包括:
3、基于信号吸光度序列构造不同尺度的洛伦兹序列;
4、依据所述洛伦兹序列对所述信号吸光度序列进行滑动卷积,获取不同尺度对应的平滑序列;
5、依据所述平滑序列,获取局部极大值点序列;
6、依据预设算子对所述信号吸光度序列进行滑动卷积,获取平滑后信号吸光度序列;
7、依据所述局部极大值点序列以及所述平滑后信号吸光度序列,计算所述局部极大值点序列中各局部极大值点的信噪比阈值,获取各局部极大值点对应不同尺度的信噪比阈值;
8、在各平滑序列中,分别以各局部极大值点为中心,宽度为两倍对应尺度长度划定区间范围,并分别以区间范围内所包含的奇数点和偶数点构建对应的奇数序列和偶数序列;
9、依据各区间范围对应的奇数序列和偶数序列,计算各局部极大值点对应区间的采样一致性;
10、依据所述信噪比阈值以及所述采样一致性,对所述局部极大值点序列进行筛选;
11、依据筛选后的局部极大值点序列,提取峰值。
12、根据本专利技术实施例的基于多尺度洛伦兹的近红外吸收峰识别方法,据其获得的脊线比基于小波分析的脊线更容易提取;所提取得到的峰值准确性更高;更易于在近红外峰谱识别中应用,且鲁棒性更强,更具稳健性。
13、另外,根据本专利技术上述实施例提出的基于多尺度洛伦兹的近红外吸收峰识别方法,还可以具有如下附加的技术特征:
14、所述依据所述信噪比阈值以及所述采样一致性,对所述局部极大值点序列进行筛选,包括:
15、筛除所述局部极大值点序列中对应信噪比阈值小于第一阈值的局部极大值点;
16、筛除所述局部极大值点序列中对应区间的采样一致性小于第二阈值的局部极大值点;
17、筛除所述局部极大值点序列中对应信噪比阈值与对应区间的采样一致性的乘积小于第三阈值的局部极大值点。
18、可选地,所述近红外吸收峰识别方法还包括:
19、采集无光源下的光谱数据,获取本底信号i0;
20、采集获取标准准反射白板下的白板光谱数据iw以及样本近红外反射光谱数据i0;
21、依据所述本底信号i0、所述白板光谱数据iw以及所述样本近红外反射光谱数据i0计算信号吸光度,获取信号吸光度序列a。
22、可选地,所述基于信号吸光度序列构造不同尺度的洛伦兹序列,包括:
23、构造不同尺度的洛伦兹序列;
24、其中,c为强度系数,为信号吸光度序列中信号的序列号,∈[1,2,3,…,98,99,100],为尺度系数,∈[1,1.1,1.2,1.3,1.4,…,11.9,12]。
25、可选地,所述依据所述洛伦兹序列对所述信号吸光度序列进行滑动卷积,获取不同尺度对应的平滑序列,包括:
26、依次使用不同尺度系数的洛伦兹序列l对所述信号吸光度序列a进行滑动卷积,获取不同尺度对应的平滑序列。
27、可选地,所述依据所述平滑序列,获取局部极大值点序列,包括:
28、若所述平滑序列中<并且>,则为对应尺度系数的局部极大值点;其中,为平滑序列的第个元素;
29、获取由所述平滑序列中所有局部极大值点对应的元素构成的局部极大值序列。
30、可选地,所述依据所述局部极大值点序列以及所述平滑后信号吸光度序列,计算所述局部极大值点序列中各局部极大值点的信噪比阈值,获取各局部极大值点对应不同尺度的信噪比阈值,包括:
31、对所述平滑后信号吸光度序列中的元素做升序排列后,获取预设分位数q对应的元素sq;
32、计算各局部极大值点对应不同尺度的信噪比阈值;
33、其中,k为局部极大值序列中尺度系数的序列号,k∈;为平滑序列中第k个元素。
34、可选地,所述采样一致性的计算公式为:
35、;
36、其中,为奇数序列的第个元素,为偶数序列的第个元素,为奇数序列的平均值,为偶数序列的平均值。
37、为达到上述目的,本专利技术第二方面实施例提出了一种基于多尺度洛伦兹的近红外吸收峰识别系统,包括光谱仪和计算机可读存储介质;所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被光谱仪的处理器执行时,实现上述基于多尺度洛伦兹的近红外吸收峰识别方法。
38、为达到上述目的,本专利技术第三方面实施例提出了计算机可读存储介质,其上存储有计算机程序,所述计算机程序在被处理器本文档来自技高网...
【技术保护点】
1.基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,包括:
2.如权利要求1所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述依据所述信噪比阈值以及所述采样一致性,对所述局部极大值点序列进行筛选,包括:
3.如权利要求1所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述近红外吸收峰识别方法还包括:
4.如权利要求3所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述基于信号吸光度序列构造不同尺度的洛伦兹序列,包括:
5.如权利要求4所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述依据所述洛伦兹序列对所述信号吸光度序列进行滑动卷积,获取不同尺度对应的平滑序列,包括:
6.如权利要求5所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述依据所述平滑序列,获取局部极大值点序列,包括:
7.如权利要求6所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述依据所述局部极大值点序列以及所述平滑后信号吸光度序列,计算所述局部极大值点序列中各局部极大值点
8.如权利要求7所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述采样一致性的计算公式为:
9.基于多尺度洛伦兹的近红外吸收峰识别系统,其特征在于,包括光谱仪和计算机可读存储介质;所述计算机可读存储介质上存储有计算机程序,所述计算机程序在被光谱仪的处理器执行时,能够实现上述权利要求1至8任意一项所述的基于多尺度洛伦兹平滑的近红外吸收峰识别方法。
10.计算机可读存储介质,其特征在于,其上存储有计算机程序,所述计算机程序在被处理器执行时,能够实现上述权利要求1至8任意一项所述的基于多尺度洛伦兹的近红外吸收峰识别方法。
...【技术特征摘要】
1.基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,包括:
2.如权利要求1所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述依据所述信噪比阈值以及所述采样一致性,对所述局部极大值点序列进行筛选,包括:
3.如权利要求1所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述近红外吸收峰识别方法还包括:
4.如权利要求3所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述基于信号吸光度序列构造不同尺度的洛伦兹序列,包括:
5.如权利要求4所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述依据所述洛伦兹序列对所述信号吸光度序列进行滑动卷积,获取不同尺度对应的平滑序列,包括:
6.如权利要求5所述的基于多尺度洛伦兹的近红外吸收峰识别方法,其特征在于,所述依据所述平滑序列,获取局部极大值点序列,包括:
【专利技术属性】
技术研发人员:刘鸿飞,黄晓晓,阮曲星,
申请(专利权)人:奥谱天成成都信息科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。