一种用于紫外分光光度计实验数据的分析方法技术

本发明专利技术涉及一种用于紫外分光光度计实验数据的分析方法，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。本发明专利技术具有结构更简单、训练过程控制参数更少、数据更准确等优点。准确等优点。准确等优点。

【技术实现步骤摘要】
一种用于紫外分光光度计实验数据的分析方法


[0001]本专利技术涉及实验数据分析
，特别是涉及一种用于紫外分光光度计实验数据的分析方法。

技术介绍

[0002]紫外分光光度计是基于紫外可见分光光度法原理，利用物质分子对紫外可见光谱区的辐射吸收来进行分析的一种分析仪器。主要由光源、单色器、吸收池、检测器和信号处理器等部件组成。光源的功能是提供足够强度的、稳定的连续光谱。紫外光区通常用氢灯或氘灯，见光区通常用钨灯或卤钨灯。单色器的功能是将光源发出的复合光分解并从中分出所需波长的单色光。色散元件有棱镜和光栅两种。可见光区的测量用玻璃吸收池，紫外光区的测量须用石英吸收池。检测器的功能是通过光电转换元件检测透过光的强度，将光信号转变成电信号。常用的光电转换元件有光电管、光电倍增管及光二极管阵列检测器。分光光度计的分类方法有多种：按光路系统可分为单光束和双光束分光光度计；按测量方式可分为单波长和双波长分光光度计；按绘制光谱图的检测方式分为分光扫描检测与二极管阵列全谱检测。
[0003]紫外分光光度计常用于实验分析过程，在实验分析过程中，紫外分光光度计的数据会容易受到环境因素的影响而发生偏离，进而影响最终数据的准确性。因此，如何提供一种用于紫外分光光度计实验数据的分析方法以提高紫外分光光度计实验数据的准确性是本领域技术人员需要解决的技术问题。

技术实现思路

[0004]本专利技术实施例提供了一种用于紫外分光光度计实验数据的分析方法，以解决上述
技术介绍
中的部分问题。
[0005]本专利技术的实施例提出了一种用于紫外分光光度计实验数据的分析方法，该方法包括如下步骤：
[0006]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；
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]进一步地，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。
[0012]进一步地，步骤一中所述非监督学习算法为聚类算法。
[0013]进一步地，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。
[0014]进一步地，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。
[0015]进一步地，所述k均值聚类算法包括如下步骤：
[0016]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；
[0017]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；
[0018]S3：重新计算每个类的中心，转S2。
[0019]进一步地，所述粒子群优化算法包括：
[0020](1)获取步骤一处理后的实验数据；
[0021](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；
[0022](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；
[0023](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；
[0024](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)；
[0025](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。
[0026]进一步地，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。
[0027]进一步地，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。
[0028]进一步地，步骤五中所述阈值为95％置信区间。
[0029]本专利技术的优点具体如下：
[0030]本专利技术实施例用于紫外分光光度计实验数据的分析方法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，先以已知的历史数据对实验数据分析模型进行训练，得到相应的实验数据分析模型，然后将待审核的紫外分光光度计实验数据送入模型，再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，通过误差碪测系数表形成的误差系数对实验数据进行修正；最后再确定实验数据的审核通过与否。
[0031]用于紫外分光光度计实验数据的分析方法的分析结果表明：与现有技术相比，在得到相近实验数据的情况下，本专利技术实施例具有结构更简单、训练过程控制参数更少、数据更准确等优点。
附图说明
[0032]为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例中所需要使用的附图作简单地介绍，显而易见地，下面所描述的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0033]图1是本专利技术一实施例中用于紫外分光光度计实验数据的分析方法的流程示意图。
具体实施方式
[0034]下面结合附图和实施例对本专利技术的实施方式作进一步详细描述。以下实施例的详细描述和附图用于示例性地说明本专利技术的原理，但不能用来限制本专利技术的范围，即本专利技术不限于所描述的实施例，在不脱离本专利技术的精神的前提下覆盖了零件、部件和连接方式的任何修改、替换和改进。
[0035]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。
[0036]下面将参照附图1并结合实施例来详细说明本申请。
[0037]参阅附图1所示，本专利技术实施例的一种用于紫外分光光度计实验数据的分析方法，该方法包括如下步骤：
[0038]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；
[0039]步骤二：采用监督学习算法建本文档来自技高网...

【技术保护点】

【技术特征摘要】
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...

【专利技术属性】
技术研发人员：洪磊，董诚然，孟祥武，陈俊，韩蔚，吴克，王磊，金杰，刘斌，
申请(专利权)人：合肥学院，
类型：发明
国别省市：