[发明专利]一种近红外光谱分析方法

说明书

技术领域：

本发明涉及一种近红外光谱分析方法，属于光谱分析的技术领域。

技术背景：

近年来，近红外光谱测量技术与化学计量学学科的有机结合，诞生了现代近红外光谱分析技术，它是上世纪90年代以来发展最为迅速的光谱分析技术，被誉为分析的巨人。近红外光谱分析技术因其快速分析、无损检测、精确度高等一系列特点而在石油化工、过程控制、环境科学、精细农业等领域展现出了强大的应用前景。

稳定可靠的近红外光谱分析仪器与功能全面的近红外光谱分析方法相结合是现代近红外光谱分析技术的重要标志。单纯的近红外光谱数据对于普通分析人员没有任何实用价值，必须借助近红外光谱分析方法和软件才能从光谱数据中提取出分析人员所需要的样品性质属性和理化成分信息。当前市面上的近红外光谱分析软件多为用于科学研究的光谱解析软件，系统复杂、界面繁琐，对于非专业人员难以上手，因此需要浓缩不必要的光谱解析过程，简化近红外光谱分析流程，开发一套适用于大众群体的近红外光谱分析方法和软件，有利于促进近红外光谱技术的发展。

发明内容：

针对现有技术的不足，本发明提出一种近红外光谱分析方法。该方法能有效简化近红外光谱分析流程，准确提取特征光谱波长，建立最优定性、定量数学模型，操作简单、窗口简洁、通用性强。

本发明的技术方案如下：

一种近红外光谱分析方法，该方法用到以下模块：预处理模块、特征波长选择模块、定性识别模块和定量回归模块；所述近红外光谱分析方法，包括步骤如下：

1)预处理操作：分别对建模样本和建模光谱进行预处理；

2)提取特征波长：针对定性识别模型和定量回归模型的不同，提取特征波

长的方法分为定性模型特征波长方法和定量模型特征波长方法，其中定性模型特征波长方法包括MW-BP-ANN和平均影响值，定量模型特征波长方法包括MW-PLS、MW-BP-ANN和平均影响值；

3)建立定性识别模型：包括主成分分析定性识别方法、偏最小二乘定性识别方法、BP神经网络定性识别方法和支持向量机定性识别方法；

4)建立定量回归模型：包括偏最小二乘定量回归方法和BP神经网络定量回归方法。

根据本发明优选的，所述步骤2)中所述提取特征波长的方法，包括以下具体步骤如下：

a.设置一宽为k的窗口，置于原始光谱的最左侧；

b.利用窗口所覆盖的光谱建立定性、定量数学模型，或等比例改变窗口所覆盖的光谱值，然后利用全光谱建立定性、定量数学模型；

c.针对步骤b中所建立的定性、定量数学模型，分别以正确识别率和相关系数R作为评价该模型优劣的指标；

d.设定模型指标阈值，对符合要求的模型所对应窗口的光谱进行保留，反则舍弃；

e.向右移动窗口，重复步骤a-d操作，直至扫描完全部光谱。

根据本发明优选的，所述步骤3)中，所述偏最小二乘定性识别方法、BP神经网络定性识别方法和支持向量机定性识别方法用于定性模式识别的方法，包括以下具体步骤：

i)对样本属性给予一伪码，用于类别标识；例如1、2等分别代表其不同的类别属性；

ii)用训练集样本光谱和对应的训练集样本标识码建立定性数学模型；

iii)将预测集样本光谱导入步骤ii)中建立好的定性数学模型，定性数学模型将给出其预测标识码，将所述预测标识码进行四舍五入判断其类别属性。例如，0.5≤预测标识码<1.5，视为第1类样本。

本发明的有益效果：

本发明所述一种近红外光谱分析方法按照近红外光谱分析流程将分析方法分成四个模块，提出了新的特征波长选择方法和定性模式识别方法，抛弃了传统的适用于专业技术人员使用的繁琐的光谱解析内容。本发明提取特征光谱波长效率高，能高效准确建立数学分析模型。本发明界面简洁、操作简单、通用性强，易于非专业人员快速上手并掌握。

附图说明

图1为本发明所述一种近红外光谱分析方法的流程框图；

图2为本发明中提取特征光谱波长的流程框图；

图3为本发明中所述定性识别效果图。

具体实施方式

下面结合附图对本发明的具体实施方式作进一步的详细说明，但不限于此。

如图1-3所示。

实施例、

一种近红外光谱分析方法，该方法用到以下模块：预处理模块、特征波长选择模块、定性识别模块和定量回归模块；所述近红外光谱分析方法，包括步骤如下：