红外光谱的定性分析方法技术

本发明专利技术公开了一种红外光谱的定性分析方法，采用ENet方法从光谱数据库中对待检测样本光谱图进行初次筛选组分；随后建立CLS模型进行循环迭代计算剔除CAE<0的组分，完成二次筛选组分；最后根据二次筛选光谱数据进行拟合YAC，计算判断PA1与PA2的大小，完成三次筛选组分，整个过程结合了ENet方法的变量选择能力，通过循环迭代CLS过程，以及UPAs过程，实现红外光谱的快速、准确定性识别分析，同时，该方法不需要事先建模，还能解决多组分红外光谱中，光谱组分的严重多重共线性问题。

【技术实现步骤摘要】
红外光谱的定性分析方法
本专利技术涉及红外光谱分析领域，特别涉及一种红外光谱的定性分析方法。
技术介绍
红外光谱分析是物质定性的重要方法，它的解析能够提供许多关于官能团的信息，可以帮助确定部分乃至全部分子类型及结构，其定性分析有特征性高、分析时间短、需要的试样量少、不破坏试样、测定方便等优点。红外光谱定性分析主要用于物质的定性判别，即通过比较未知样品与已知参考样品集的光谱来确定未知物的归属。随着红外光谱的定性分析方法的发展，尤其是傅里叶变换红外光谱，现有技术已经有多种方法可以对傅里叶变换红外光谱进行定性分析：如经典最小二乘回归法(CLS)、偏最小二乘法(PLS)、人工神经网络算法(ANN)等，基于这些方法对红外光谱进行定性分析时都存在着一定的缺陷。比如，采用CLS来进行组分识别时，首先需要选出所考察波段所有光谱的吸光度数据，但是所有光谱数据最后都能影响到该算法的识别结果，同时CLS分析方法无法解决光谱数据库中光谱的多重共线性问题，而在采用PLS建模进行定性分析时，新组分的出现将会降低识别的准确度；近年来人工神经网络算法发展迅速，但是该算法需要复杂的训练过程，并且单一人工神经网络算法只能对单一组分进行定性识别，且无法实现快速定性识别分析。同时，随着红外光谱数据库中红外光谱种类的增加，组分吸收光谱特性共线性加重，现有红外光谱的定性分析方法很难解决此类问题。为此，对于实时在线应用，要想从红外光谱的大数据库中实现对待检测样本的红外光谱的准确、快速定性分析，目前来说还尚有难度。
技术实现思路
本专利技术的目的在于提供一种红外光谱的定性分析方法，实时在线应用对待检测样本的红外光谱进行准确、快速的定性分析，识别样本组分。为了实现上述目的，本专利技术采取以下技术方案：一种红外光谱的定性分析方法，包括如下步骤：(A)、制备待检测样本；(B)、调取待检测样本所属领域的光谱数据库；(C)、利用光谱仪采集待检测样本的红外光谱图；(D)、采用ENet(基于弹性网的变量选择技术)方法从光谱数据库中进行初次选择样本组分，建立样本红外光谱组分的吸光度矩阵XAE，即n行mAE的矩阵(X为组分标准吸收光谱，n为组分光谱数据点数，m为组分光谱的个数)；(E)、根据步骤D中的样本组分数据建立CLS(线性最小二乘拟合)模型：CAE＝(XAETXAE)-1XAET*Y，随后进入循环迭代计算剔除CAE<0的组分，进行二次筛选，得出新的样本组分数据XAC，mAC，CAC(C为组分浓度，Y为红外吸光度谱)；(F)、根据步骤E中二次筛选的样本组分数据再次拟合计算得出YAC值，XAC*CAC的每一列在YAC方向上的投影长度与YAC自身长度的比值记为PA1，XAC*CAC的长度与YAC在各自组分方向上的投影长度比值记为PA2，比较PA1与PA2进行组分三次筛选；(G)整合步骤F中三次筛选的组分，即为样本的红外光谱的定性分析结果。与现有技术相比，本专利技术采用ENet方法从光谱数据库中对待检测样本光谱图进行初次筛选组分；随后建立CLS模型进行循环迭代计算剔除CAE<0的组分，完成二次筛选组分；最后根据二次筛选光谱数据进行拟合YAC，计算判断PA1与PA2的大小，完成三次筛选组分，整个过程结合了ENet方法的变量选择能力，通过循环迭代CLS过程，以及UPAs过程，实现红外光谱的快速、准确定性识别分析，同时，方法不需要事先建模，还能解决多组分红外光谱中，光谱组分的严重多重共线性问题。附图说明图1为本专利技术方法的流程图；图2为实施例2700cm-1～3040cm-1波段的吸光度谱；图3为采用ENet方法初次筛选结果图；图4为采用ENet方法筛选的组分、浓度表格；图5为LCLS一次迭代结果图；图6为LCLS一次迭代筛选的组分、浓度表格；图7为LCLS二次迭代结果图；图8为LCLS二次迭代筛选的组分、浓度表格；图9为LCLS三次迭代结果图；图10为LCLS三次迭代筛选的组分、浓度表格；图11为UPAs值三次筛选计算图表；图12为最终筛选结果拟合图。具体实施方式结合附图1～12对本专利技术做出进一步的说明：一种红外光谱的定性分析方法，包括如下步骤：(A)、制备待检测样本；(B)、调取待检测样本所属领域的光谱数据库；(C)、利用光谱仪采集待检测样本的红外光谱图；(D)、采用ENet(基于弹性网的变量选择技术)方法从光谱数据库中进行初次选择样本组分，建立样本红外光谱组分的吸光度矩阵XAE，即n行mAE的矩阵(X为组分标准吸收光谱，n为组分光谱数据点数，m为组分光谱的个数)；(E)、根据步骤D中的样本组分数据建立CLS(线性最小二乘拟合)模型：CAE＝(XAETXAE)-1XAET*Y，随后进入循环迭代计算剔除CAE<0的组分，进行二次筛选，得出新的样本组分数据XAC，mAC，CAC(C为组分浓度，Y为红外吸光度谱)；(F)、根据步骤E中二次筛选的样本组分数据再次拟合计算得出YAC值，XAC*CAC的每一列在YAC方向上的投影长度与YAC自身长度的比值记为PA1，XAC*CAC的长度与YAC在各自组分方向上的投影长度比值记为PA2，比较PA1与PA2进行组分三次筛选；(G)整合步骤F中三次筛选的组分，即为样本的红外光谱的定性分析结果。采用ENet方法从光谱数据库中对待检测样本光谱图进行初次筛选组分；随后建立CLS模型进行循环迭代计算剔除CAE<0的组分，完成二次筛选组分；最后根据二次筛选光谱数据进行拟合YAC，计算判断PA1与PA2的大小，完成三次筛选组分，整个过程结合了ENet方法的变量选择能力，通过循环迭代CLS计算，以及PA判断，实现红外光谱的快速、准确定性识别分析，同时不需要事先建模，还能解决多组分红外光谱中，光谱组分的严重多重共线性问题。所述的步骤E按如下步骤进行二次筛选：(E1)、进行变量初始化C(0)＝(XAETXAE)-1XAET*Y，X(0)＝XAE；(E2)、进行循环迭代，迭代次数k＝k+1；(E3)、剔除X(k-1)中与C(k-1)中小于0对应位置的光谱列向量，得到新的光谱矩阵X(k)，其中选入的列向量的个数为m(k)；(E4)、计算C(k)＝(X(k)TX(k))-1X(k)T*Y；(E5)、判断对于任意i，i∈{1...m(k)}时Ci≥0是否成立，如果是则进入E6，否则进入E2；(E6)、计算结果，得出新的样本组分数据XAC，mAC，CAC。此过程可称为LCLS(循环线性最小二乘拟合过程)，模型的建立根据比尔朗博定量模型Y＝XAEC+ε，对于任意i，i∈{1...m(k)}时Ci≥0，因此可以通过线性最小二乘拟合方法计算出新的模型参数CAE＝(XAETXAE)-1XAET*Y，里面会存在CAE<0的情况，事实上CAE<0为过拟合造成，因此需剔除相对应的组分，进行循环迭代计算对组分进行二次筛选剔除不符合模型参数的组分，得出新的样本组分数据XAC，mAC，CAC。所述的步骤F按如下步骤进行三次筛选：(F1)、根据公式CAC＝(XACTXAC)-1XACT*YAC，将步骤E中得出的XAC，mAC，CAC代入，得出再拟合的YAC；(F2)、XAC*CAC的每一列在YAC方向上的投影长度与YAC自身长度比值记为PA1，XAC*CAC的本文档来自技高网...

【技术保护点】
一种红外光谱的定性分析方法，包括如下步骤：(A)、制备待检测样本；(B)、调取待检测样本所属领域的光谱数据库；(C)、利用光谱仪采集待检测样本的红外光谱图；(D)、采用ENet(基于弹性网的变量选择技术)方法从光谱数据库中进行初次选择样本组分，建立样本红外光谱组分的吸光度矩阵XAE，即n行mAE的矩阵(X为组分标准吸收光谱，n为组分光谱数据点数，m为组分光谱的个数)；(E)、根据步骤D中的样本组分数据建立CLS(线性最小二乘拟合)模型：CAE＝(XAE

【技术特征摘要】
1.一种红外光谱的定性分析方法，包括如下步骤：(A)、制备待检测样本；(B)、调取待检测样本所属领域的光谱数据库；(C)、利用光谱仪采集待检测样本的红外光谱图；(D)、采用ENet(基于弹性网的变量选择技术)方法从光谱数据库中进行初次选择样本组分，建立样本红外光谱组分的吸光度矩阵XAE，即n行mAE的矩阵(X为组分标准吸收光谱，n为组分光谱数据点数，m为组分光谱的个数)；(E)、根据步骤D中的样本组分数据建立CLS(线性最小二乘拟合)模型：CAE＝(XAETXAE)-1XAET*Y，随后进入循环迭代计算剔除CAE<0的组分，进行二次筛选，得出新的样本组分数据XAC，mAC，CAC(C为组分浓度，Y为红外吸光度谱)；(F)、根据步骤E中二次筛选的样本组分数据再次拟合计算得出YAC值，XAC*CAC的每一列在YAC方向上的投影长度与YAC自身长度的比值记为PA1，XAC*CAC的长度与YAC在各自组分方向上的投影长度比值记为PA2，比较PA1与PA2进行组分三次筛选；(G)整合步骤F中三次筛选的组分，即为样本的红外光谱的定性分析结果。2.根据权利要求1所述的红外光谱的定性分析方法，其特征在于：所述的步骤E按如下步骤进行二次筛选：(E1)、进行变量初始化C(0)＝(XAETXAE)-1XAET*Y，...

【专利技术属性】
技术研发人员：徐亮，叶树彬，沈先春，刘文清，李亚凯，金岭，胡荣，胡洋，刘建国，
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：安徽,34