[发明专利]一种近红外光谱数据微弱差异信号的评价方法

说明书

本发明公开了一种近红外光谱数据微弱差异信号的评价方法，即SSMS(Standard normal variate transform+Savitzky golay+Min max+Spectral similarity)方法。该方法采用标准正态变量变换对近红外光谱数据进行散射校正，消除由于样品分布不均匀所导致的散射影响；采用一阶求导去除光谱中噪声，提高光谱信噪比增强重叠峰区分度；采用最大最小规则方法，消除光谱量纲和增强数据可比性；最终综合欧式距离、相关系数、散度等评价信息近红外光谱数据相似性。本发明能有效识别近红外光谱建的微弱信号差异，进而对不同类别检测样本进行精准区分，可作为采用近红外技术精准辨识检测样本间差异的有效工具。

技术领域

本发明属于近红外光谱定性分析领域，尤其涉及一种近红外光谱数据微弱差异信号的评价方法。

背景技术

近红外技术以其快速、低成本、高精度等优势，得到了广泛应用。但受谱峰重叠、背景噪声、基线漂移等影响，近红外光谱需进行适当预处理，才能有效识别表征烟叶的多种化学成分整体信息，诠释烟叶整体差异和相似性。

如果所选择的预处理方式不当，那么无法挖掘近红外光谱间的细微差异；如果计算近红外光谱间相似度值的算法不合适，那么最终的近红外相似度值也无法体现近红外光谱建的细微差异。

发明内容

本发明发展一种近红外光谱数据微弱差异信号的评价方法，即SSMS方法。该方法采用标准正态变量变换对近红外光谱数据进行散射校正，消除由于样品分布不均匀所导致的散射影响；采用一阶求导去除光谱中噪声，提高光谱信噪比增强重叠峰区分度；采用最大最小规则方法，消除光谱量纲和增强数据可比性；最终结合欧式距离、相关系数、散度等信息评价近红外光谱数据相似性。本发明能有效识别近红外光谱间的微弱信号差异，进而对不同类别检测样本进行精准区分，可作为采用近红外技术精准辨识检测样本间差异的有效工具。

为实现上述目的，本发明采用如下技术方案：

一种近红外光谱数据微弱差异信号的评价方法，包括以下步骤：

步骤1：对样本A和样本B分别进行红外光谱测定，得到两条近红外光谱数据；

步骤2：采用标准正态变量变换分别对两条近红外光谱数据进行散射校正，消除由于样品分布不均匀所导致的散射影响；

步骤3：采用一阶求导方法分别对完成散射校正的两条近红外光谱数据进行噪声处理，去除光谱中噪声，提高光谱信噪比增强重叠峰区分度；

步骤4：采用最大最小规则方法，分别对去除光谱中噪声的两条近红外光谱数据进行规范化处理，增强数据可比性；

步骤5：结合欧式距离、相关系数、信息散度计算两条近红外光谱数据相似度。

进一步地，步骤1具体方法如下：

分别采集样本A和样本B的近红外光谱数据并记为SpecA和SpecB，分别表示如式(1)与式(2)所示：

其中，m为波长点数，表示样本A的近红外光谱数据SpecA的第i个波长点的吸光度，表示样本B的近红外光谱数据SpecB的第i个波长点的吸光度。

进一步地，步骤2具体方法如下：

采用标准正态变量变换方法消除近红外光谱采集过程中，因为样本颗粒表面散射与光程变化对近红外漫反射光谱的影响，与标准化算法不同之处在于，标准正态变量变换方法可对一条光谱进行单独处理；

其中，样本A的近红外光谱数据SpecA的标准正态变量变换处理方法如下：