[发明专利]一种用于紫外分光光度计实验数据的分析方法

权利要求书

1.一种用于紫外分光光度计实验数据的分析方法，其特征在于，该方法包括如下步骤：

步骤一：获取多组紫外分光光度计采集输出的实验数据，采用常规方法对实验数据进行处理，去除明显不合理的异常数据，应用非监督学习算法辨识并去除隐含的离群数据；

步骤二：采用监督学习算法建立紫外分光光度计实验数据分析模型，鉴别实验数据的可靠性；

步骤三：将输出的实验数据与分析方法、分析仪器类型相同历史数据中的多组实验数据进行比较，得到误差集合，根据误差集合绘制误差碪测系数表；

步骤四：根据误差碪测系数表形成的误差系数对实验数据进行修正；

步骤五：确定实验数据的审核通过与否，具体确定的步骤为：根据修正后的实验数据与阈值的偏差；若偏差不大，则数据合理，通过审核，并将其加入实验数据集；反之偏差过大，将该数据列为可疑数据，应用支持向量机回归方法从紫外分光光度计的实验数据的时间序列中分离异常数据。

2.根据权利要求1所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，步骤一中所述常规方法包括数据逻辑判断法、Dixon检验法和Grubbs检验法中的任意一种。

3.根据权利要求1所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，步骤一中所述非监督学习算法为聚类算法。

4.根据权利要求3所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，所述聚类算法的步骤为：对输入的实验数据进行重新表示得到新的数据集，对新的数据集进行相似矩阵、拉普拉斯矩阵的计算和拉普拉斯矩阵的特征求解，对得到的特征向量矩阵使用新的初始中心点的选取方式代替随机选点，最后使用k-means聚类得到聚类结果。

5.根据权利要求1所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，步骤二中所述监督学习算法为k均值聚类算法、粒子群优化算法、人工神经网络算法中的任意一种。

6.根据权利要求5所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，所述k均值聚类算法包括如下步骤：

S1：随机地选择k个实验数据，每个实验数据初始地代表一个类的平均值或中心；

S2：对剩余的每个实验数据，根据其与各个类中心的距离，将它赋给最近的类，对于重新聚成的k的类，判断准则函数是否收敛：若收敛，则算法终止；否则，转S3；

S3：重新计算每个类的中心，转S2。

7.根据权利要求5所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，所述粒子群优化算法包括：

(1)获取步骤一处理后的实验数据；

(2)初始化粒子群，所述粒子群为各实验数据作为粒子所构建的集群，确定粒子的基本参数值；

(3)判断当前粒子群是否满足约束条件，若超过设定的约束，将粒子信息修改为约束条件的边界；

(4)计算每个粒子的当前收益，并将所有粒子收益的最大值作为全局最优值；

(5)判断迭代次数是否达到设定值，若达到，则停止计算，否则，进行步骤(6)；

(6)根据全局最优值更新粒子群的位置和速度，并返回步骤(3)重新计算。

8.根据权利要求5所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，所述人工神经网络算法包括SDBP、MOBP、VLBP、RPROP、CGBP、QN、LM算法中的一种或几种。

9.根据权利要求1所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，步骤四中所述误差碪测系数表为实验数据与对应该实验数据的误差值的二维数据表。

10.根据权利要求1所述的一种用于紫外分光光度计实验数据的分析方法，其特征在于，步骤五中所述阈值为95％置信区间。