一种基于多元光谱数据的智能校正方法、系统及装置制造方法及图纸

本发明专利技术提供了一种基于多元光谱数据的智能校正方法、系统及装置，本技术方案通过对用户输入的光谱数据一些基本性质，样品的物质形态，模型精确性要求等信息，结合多元光谱分析专家知识库，可以智能建立m个多元光谱数据校正模型。m个多元光谱数据校正模型建立过程中，借助多元光谱分析专家知识库，全部通过智能循环计算完成，无需用户多次尝试不同的校正方法建立模型，可以大大减少计算时间。通过定义综合评价指标S值判定模型优劣，并结合多元光谱分析专家知识库和S值权重专家知识库推荐最优模型给用户。该方案速度快捷，结果准确，适用场景广泛。

【技术实现步骤摘要】
一种基于多元光谱数据的智能校正方法、系统及装置
本专利技术涉及光谱数据处理领域，尤其涉及一种光谱仪采集的多元光谱数据评价相关的智能校正方法、系统及装置。
技术介绍
目前市售的各种光谱仪配套软件中在提供数据采集功能的基础上，基本都可以提供一些基本的定量和定性校正方法，例如对光谱中某一波长处的响应值或者多个波长响应值组成的面积值，进行一元线性回归分析。提供的一元基本校正方法使用简便，适合在不同行业应用中使用。然而，能够提供多元光谱数据校正方法的国内外商用软件较少，并且操作十分复杂，应用范围窄。目前，具有多元光谱数据校正方法的软件，判定定量模型的优劣方法基本都采用验证模型的验证标准误差SEV的大小来判断；判定定性模型的优劣方法基本都采用验证模型的识别率的大小来判断。利用这些多元光谱数据校正软件提供的方法，建立高质量的多元光谱数据模型，是一件不容易的事情，进行校正方法测试过程也是非常耗时的，需要用户尝试不同的校正方法，重复建立多个多元光谱数据校正模型。因为很多用户没有专业的化学计量学和光谱分析的经验，建立的校正模型质量较本文档来自技高网...

【技术保护点】
1.一种基于多元光谱数据的智能校正方法，其特征在于，所述方法包括：/n步骤1、输入数据初始化，得到初始化输入数据；所述初始化输入数据包括多元光谱数据、化学组分数据；/n步骤2、多元光谱分析专家知识库接收所述初始化输入数据，基于多元光谱分析专家知识库包含的方法对所述初始化输入数据进行处理，得到相应的输出数据，从而完成多元光谱分析专家知识库初始化；所述知识库包括异常剔除方法、样品集划分方法、波长选择方法、光谱数据预处理方法、校正算法组、因子选择规则和校正次数；所述异常剔除方法用于对多元光谱数据、化学组分数据进行异常数据分析并剔除不适合校正的数据；所述样品集划分方法用于划分校正集和验证集；/n步骤3...

【技术特征摘要】
1.一种基于多元光谱数据的智能校正方法，其特征在于，所述方法包括：
步骤1、输入数据初始化，得到初始化输入数据；所述初始化输入数据包括多元光谱数据、化学组分数据；
步骤2、多元光谱分析专家知识库接收所述初始化输入数据，基于多元光谱分析专家知识库包含的方法对所述初始化输入数据进行处理，得到相应的输出数据，从而完成多元光谱分析专家知识库初始化；所述知识库包括异常剔除方法、样品集划分方法、波长选择方法、光谱数据预处理方法、校正算法组、因子选择规则和校正次数；所述异常剔除方法用于对多元光谱数据、化学组分数据进行异常数据分析并剔除不适合校正的数据；所述样品集划分方法用于划分校正集和验证集；
步骤3、对选择的所述多元光谱数据、化学组分数据进行智能校正，形成m个校正模型；所述智能校正包括定性校正、定量校正；
步骤4、显示m个校正模型的综合评价指标S值结果对比，选择并推荐最优校正模型，并存储最优校正模型。


2.根据权利要求1所述的方法，其特征在于，所述步骤2中，初始化输入数据还包括仪器类型、探测器类型、样品的物质形态类型、模型校正类型、模型精确性类型。


3.根据权利要求1所述的方法，其特征在于，所述步骤3中，定量校正包括多元线性回归、主成分回归、偏最小二乘回归中的一种或其任意组合。


4.根据权利要求1所述的方法，其特征在于，所述步骤3中，定性校正包括簇类的独立软模式、偏最小二乘判别分析中的一种或其任意组合。


5.根据权利要求1所述的方法，其特征在于，所述步骤3中，对选择的所述多元光谱数据、化学组分数据进行智能校正进一步包括：
步骤31、对选择的所述多元光谱数据、化学组分数据进行异常数据分析，剔除不适合校正的数据；
步骤32、将剔除异常数据后的已选数据分为校正集和验证集，校正集独立于验证集；
步骤33、针对校正集进行校正计算，在第一个校正模型中，不需要波长选择和数据预处理；所述数据预处理指对所述校正集中的多元光谱数据进行预处理；
步骤34、对步骤33中的校正计算结果进行校正优化，并进行波长选择和数据预处理；
步骤35、基于多元光谱分析专家知识库的校正次数，建立m个校正模型；
步骤36、所述m个校正模型分别对校正集和验证集进行预测，得到预测结果；
步骤37、基于所述预测结果，计算m个校正模型的综合评价指标S，并存储所述S至每个校正模型中。


6.根据权利要求5所述的方法，其特征在于，所述综合评价指标S值的获取方式为：
步骤41、判定校正类型，若为定量校正，则转至步骤42，若为定性校正，则转至步骤43；
步骤42、获取对校正集和验证集数据的预测结果，计算模型的校正标准误差、校正决定系数、验证标准误差、验证决定系数、验证误差、验证平均误差、验证误差的标准偏差、T检验值；随后计算模型的定量评价指标，并转至步骤44；所述定量评价指标包括误差一致性、模型相似性、模型有效性、偏差准确性、残差准确性、误差精确性、验证排斥性中的一种或其任意组合；
步骤43、获取对校正集和验证集数据的预...

【专利技术属性】
技术研发人员：王毅，王箫，王文智，田燕龙，高学军，龚蓉晔，刘志国，杨海山，
申请(专利权)人：北京北分瑞利分析仪器集团有限责任公司，
类型：发明
国别省市：北京;11