[发明专利]一种基于PCA建模反馈式载荷加权的波长选择方法

说明书

本发明公开了一种基于PCA建模反馈式载荷加权的波长选择方法。该方法以PCA算法为基础，针对不同频率的光谱检测数据进行训练，建立并优化计量学分析模型，将建模系数反馈式PCA载荷向量进行加权组合，为每一个波长变量加以信息贡献度的衡量，进而选择具有较高信噪比的信息波长集合，能够有效减少参与建模的波长数量，降低模型复杂度；依此筛选出的波长组合可以结合线性判别或多元线性回归等各种简便的统计算法完成定性或定量分析。该方法能够提高光谱信息变量筛选的工作效率，可以应用于近红外、红外、紫外等多种频段的光谱降维快速检测，为小型专用光谱仪器的研发和应用提供算法理论基础和技术支持，有望推广应用于高光谱图像分析领域。

技术领域

本发明涉及近红外、红外光谱分析中的建模优化领域，具体涉及建模过程中的一种基于主成分分析(PCA)建模反馈式载荷加权的波长选择方法。

背景技术

光谱分析是利用不同频率的光测量物质的光谱响应数据，并通过定性或定量方法来确定待测对象中的化学成分及其含量信息的一种现代化快速检测技术。红外光介于可见光与远红外光之间，可分为近红外(NIR)、中红外(简称红外，MIR)两个常用技术谱段。近年来随着大数据科学、计算机技术和化学计量学的发展，NIR/MIR分析技术以其分析速度快、效率高、成本低、非破坏性、可实时在线分析、多成分同时检测等特点，在食品、农业、环境、生物医学等众多领域得到广泛的应用。光谱分析的一般过程分为样本划分、数据预处理、波长特征筛选、建模预测、模型检验五个阶段。研究学者们已经在数据预处理、波长特征筛选、建模预测这几个阶段做了很多研究工作。

然而，近年来，研制基于连续长波段的通用型光谱检测仪器的技术已经趋于成熟，但是连续波段通用型光谱仪的体积庞大、价格昂贵、不便于携带，现阶段主要应用于实验室检测，不利于推广应用。此外，对于不同对象都不作区分地进行全谱扫描，由于波长变量个数众多、光谱响应信号重叠严重、单目标对应的光谱吸收峰不能突显，不能快速有效地实现实时在线检测。因此，为了在某一领域中实现多目标同时快速检测，有必要研发便携式的小型专用光谱仪，这其中涉及的关键技术是如何快速有效地选取具有高信噪比的光谱波长变量(信息变量)进行组合建模优化。但已有研究多为对波长变量进行空间变换后筛选出对应的特征变量，并不是对原始波长变量的筛选；如果能够利用比较简单的算法过程能够实现对光谱数据原始波长变量进行筛选，将是光谱分析的计量方法研究中的一项突破。

由于近红外、红外光谱的响应数据通常不具备明显的单目标吸收峰，光谱共线性问题一直是影响长波段光谱数据建模精度的技术障碍。常用的消除共线性的计量学算法有主成分分析(PCA)和偏最小二乘法(PLS)，它们是通过坐标转换的方式将原始波长变量投影到一个新的坐标空间，使得在新的坐标中的成分变量两两之间具有最大的差异；其中PLS的算法步骤也采用了PCA算法的思想。基于此，本发明提出一种基于PCA建模反馈式载荷加权的波长选择方法(简称载荷加权波长选择方法，LWVS方法)；该方法可以实现单独利用PCA算法，结合简易计量学线性建模方法，即可在原始光谱的序列数据中选择信息波长变量，并非选择空间变换后的特征变量；利用模型优化系数反馈作为各个载荷变量的组合系数，以衡量各个原始波长变量在新坐标成分变量中的贡献程度，进而实现在光谱分析的波长特征筛选阶段完成对原始波长信息变量的选择。

发明内容

本发明是为近红外、红外光谱定性/定量分析技术提供一种基于PCA建模反馈式载荷加权的波长选择方法(LWVS)。该方法是只需要对PCA基本算法过程中进行整合和改进，就能在波长特征选择的阶段中完成对光谱数据原始波长的筛选，通过内部自建模的方式选择信息波长。该方法所选波长是为光谱数据原始波长，与空间变换的特征变量具有本质的区别。

数据准备：利用(近)红外光谱仪器测量光谱数据，设置测量的光谱波段起止位置和光谱分辨率，以确定输出的连续光谱波段共包含p个波长变量；将n个样本逐次放入光谱仪中进行测量，获得光谱响应数据以矩阵的形式保存，称为光谱矩阵X_n×p；此外，利用常规化学方法定性/定量测定相同n个样本的某个目标成分含量，作为光谱分析建模优化的目标数据Y_n×1。