【技术实现步骤摘要】
本专利技术涉及光谱分析领域，具体涉及稳健光谱定量模型筛选方法及系统。
技术介绍
1、近红外、高光谱等光谱定量分析技术属于二级分析技术，通常需要先构建光谱数据与一套标准方法获取的参考值之间的关系模型才可以用于预测。然而，定量模型的预测结果易受检测条件变化影响是近红外光谱、高光谱技术等现代光谱技术长期存在的问题。当样本状态、环境条件、仪器状态发生变化时，检测结果往往会出现偏差甚至可能导致模型无效。
2、公布号为cn118193977a的现有专利技术专利申请文献《基于紫外波段和模型堆叠策略的libs光谱定量金矿的方法》，该现有方法包括：s1、使用具有紫外波段的libs光谱仪采集光谱数据，建立数据集；s3、光谱数据预处理与光谱特征提取；s4、基学习器和元学习器模型选择与建立；s5、采用模型堆叠策略建立定量反演模型；s6、结果验证。
3、公布号为cn111488926a的现有专利技术专利申请文献《一种基于优化模型的土壤有机质测定方法》，该现有方法包括：采集土壤样品；采用化学方法测定土壤样本有机质含量；采集压片后的土壤激光诱导击穿光谱信息，连续多次采集；对光谱进行预处理，包括基线校正、降噪、平均、标准化；采集待测样品的激光诱导击穿光谱信息，连续多次采集，并进行光谱预处理；计算待测样本光谱与校正集样本光谱的混合矢量值，并将其从小到大的排序；根据模型对各自子校正集以及留一法交叉验证的预测参数，选择最优的子模型；使用最优子模型对待测土壤样本的有机质含量进行预测。
4、现有公开文献《基于互信息特征筛选偏最小二乘的
5、综上，现有技术存在因环境条件改变而出现模型预测性能下降的技术问题。
技术实现思路
1、本专利技术所要解决的技术问题在于：如何解决现有技术中因环境条件改变而出现模型预测性能下降的技术问题。
2、本专利技术是采用以下技术方案解决上述技术问题的：稳健光谱定量模型筛选方法包括：
3、s1、在多组不同测量条件下，采集n组样品待测光谱，获取样本参考值；
4、s2、设置差异优化条件；
5、s3、根据差异优化条件，对mn组光谱以及样本参考值，构建光谱与参考值关系模型，计算每个光谱与参考值关系模型对应的交叉验证决定系数r2cv和交叉验证均方根误差rmsecv；
6、s4、利用交叉验证决定系数r2cv、交叉验证均方根误差rmsecv评价光谱与参考值关系模型的稳健性，据以筛选得到适用稳健模型。
7、本专利技术在建模阶段进行合理优化，筛选稳健性高的模型，得到受测量环境影响小的模型，能够避免重新建模，保证模型预测时的适用性和准确性。
8、在更具体的技术方案中，s2中，设计m种预处理与波段范围组合，处理上述n组样品待测光谱，获得mn组光谱。
9、在更具体的技术方案中，s2中，将第p种采集环境下的第q种优化处理光谱记为x(p,q)。
10、在更具体的技术方案中，s2中，m组样品待测光谱的优化处理特征波段，与n组样品待测光谱采用共有波段。
11、本专利技术采用定量模型多条件测量法(quantitative multi-conditionmeasurement method,qamcm)，可获取具有稳健优化参数的模型，避免因环境条件改变而出现模型预测性能下降的问题。
12、在更具体的技术方案中，s3中，对mn组光谱，以及对应的样本参考值y，利用预置定量建模算法，构建mn组的光谱与参考值关系模型。
13、在更具体的技术方案中，s3中，预置定量建模算法包括：偏最小二乘法、人工神经网络以及支持向量机。
14、在更具体的技术方案中，s3中，在第p种采集环境下，进行第q种优化处理，将交叉验证决定系数r2cv、交叉验证均方根误差rmsecv，分别记为rmsecv(p,q)。
15、利用本专利技术可筛选出具有稳健优化参数的偏最小二乘模型，有效解决因环境条件改变而出现模型预测性能下降的问题，因而所筛选出的模型参数在采集条件改变的情况下也能够保持良好的预测性能。
16、在更具体的技术方案中，s4中，根据交叉验证决定系数r2cv、交叉验证均方根误差rmsecv评价光谱与参考值关系模型，其中，对第q组优化条件，利用下述逻辑，处理得到交叉验证决定系数r2cv、交叉验证均方根误差rmsecv：
17、。
18、在更具体的技术方案中，s4中，根据交叉验证决定系数r2cv、交叉验证均方根误差rmsecv，处理得到m组的交叉验证决定系数参数和m组的交叉验证均方根误差参数prrmsecv，具体以设置适用条件；在适用条件下，构建得到适用稳健模型。
19、在更具体的技术方案中，稳健光谱定量模型筛选系统包括：
20、光谱及参考值获取模块，用以在多组不同测量条件下，采集n组样品待测光谱，获取样本参考值；
21、条件设置模块，用以设置差异优化条件；
22、模型指标求取模块，用以根据差异优化条件，对mn组光谱以及样本参考值，构建光谱与参考值关系模型，计算每个光谱与参考值关系模型对应的交叉验证决定系数r2cv和交叉验证均方根误差rmsecv，模型指标求取模块与条件设置模块及光谱及参考值获取模块连接；
23、模型筛选模块，用以利用交叉验证决定系数r2cv、交叉验证均方根误差rmsecv评价光谱与参考值关系模型的稳健性，据以筛选得到适用稳健模型，模型筛选模块与模型指标求取模块连接。
24、本专利技术相比现有技术具有以下优点：
25、本专利技术在建模阶段进行合理优化，筛选稳健性高的模型，得到受测量环境影响小的模型，能够避免重新建模，保证模型预测时的适用性和准确性。
26、本专利技术采用定量模型多条件测量法(quantitative multi-conditionmeasurem本文档来自技高网...
【技术保护点】
1.稳健光谱定量模型筛选方法，其特征在于，所述方法包括：
2.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S2中，设计m种预处理与波段范围组合，处理上述n组样品待测光谱，获得mn组光谱。
3.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S2中，将第p种采集环境下的第q种优化处理光谱记为X(p,q)。
4.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S2中，所述m组样品待测光谱的优化处理特征波段，与n组所述样品待测光谱采用共有波段。
5.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S3中，对所述mn组光谱，以及对应的所述样本参考值Y，利用预置定量建模算法，构建mn组的所述光谱与参考值关系模型。
6.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S3，所述预置定量建模算法包括：偏最小二乘法、人工神经网络以及支持向量机。
7.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S3中，在第p种采集环境下，进行第q种优化
8.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S4中，根据所述交叉验证决定系数R2cv、所述交叉验证均方根误差RMSECV评价所述光谱与参考值关系模型，其中，对第q组所述优化条件，利用下述逻辑，处理得到所述交叉验证决定系数R2cv、所述交叉验证均方根误差RMSECV：
9.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述S4中，根据所述交叉验证决定系数R2cv、所述交叉验证均方根误差RMSECV，处理得到m组的交叉验证决定系数参数和m组的交叉验证均方根误差参数PrRMSECV，具体以设置适用条件；在所述适用条件下，构建得到所述适用稳健模型。
10.稳健光谱定量模型筛选系统，其特征在于，所述系统包括：
...【技术特征摘要】
1.稳健光谱定量模型筛选方法，其特征在于，所述方法包括：
2.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述s2中，设计m种预处理与波段范围组合，处理上述n组样品待测光谱，获得mn组光谱。
3.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述s2中，将第p种采集环境下的第q种优化处理光谱记为x(p,q)。
4.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述s2中，所述m组样品待测光谱的优化处理特征波段，与n组所述样品待测光谱采用共有波段。
5.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述s3中，对所述mn组光谱，以及对应的所述样本参考值y，利用预置定量建模算法，构建mn组的所述光谱与参考值关系模型。
6.根据权利要求1所述的稳健光谱定量模型筛选方法，其特征在于，所述s3，所述预置定量建模算法包括：偏最小二乘法、人工神经网络以及支持向量机。
7.根据权利要...
【专利技术属性】
技术研发人员：徐琢频，王琦，张鹏飞，吴跃进，詹玥，
申请(专利权)人：中国科学院合肥物质科学研究院，
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。