一种傅里叶红外光谱仪及其温漂在线校正方法技术

本发明专利技术公开了一种傅里叶红外光谱仪及其温漂在线校正方法，其通过获取傅里叶红外光谱仪采集的光谱数据；对所述光谱数据进行数据清洗和数据归一化处理；对所述光谱数据提取如下特征：波长、光强、待校正温度，并对波长和光强进行特征融合，得到融合特征；将所述待校正温度和所述融合特征输入Stacking集成模型进行数据训练或预测；其中，所述Stacking集成模型包括两层，第一层采用LightGBM模型，第二层采用多元线性回归模型；最后，将所述Stacking集成模型的输出值反归一化为标准温度下的光强值；能将非标准温度下测得的光谱曲线校准为标准温度下的光谱曲线，最终得到在线光谱仪温漂校正结果，具有普适性、精确性和高效率等优点，提升光谱仪适用范围和精度。提升光谱仪适用范围和精度。提升光谱仪适用范围和精度。

【技术实现步骤摘要】
一种傅里叶红外光谱仪及其温漂在线校正方法


[0001]本专利技术涉及红外光谱分析
，特别是一种温漂在线校正方法及其应用该方法的傅里叶红外光谱仪。

技术介绍

[0002]红外光可以穿透不透明物体，在材料科学、生物化学等领域有着广泛的应用。将镓、砷及磷砷镓、磷化镓等材料构成的半导体发光二极管设置正向偏置，使得内部载流子发生复合，电子从高能级向低能级跃迁，以电磁辐射的形式释放能量。在特定的半导体材料和掺杂条件下，就产生了具有穿透能力的红外光，检测不同能量的红外光光强就组成了红外光谱。
[0003]红外光谱分析是一种利用物质对不同波长的红外光的吸收特性，进行分子结构和化学组成分析的技术。当一束具有连续波长的红外光通过物质，物质分子中某个基团的振动频率或转动频率和红外光的频率一样时，分子就吸收能量由原来的基态振动能级跃迁到能量较高的振动能级，该处波长的光就被物质吸收。红外辐射在穿透物质时，不同波长的红外光被物质吸收的程度不同。穿透物质后的各波长对应的光强组成了红外吸收光谱，分析光谱可以对物质进行定性定量分析。
[0004]红外光谱仪通常由光源、单色器、探测器和计算机处理信息系统组成。根据分光装置的不同，分为色散型红外光谱仪和傅里叶红外光谱仪。
[0005]傅立叶红外光谱仪是利用迈克尔逊干涉仪将红外光分成两束，在动镜和定镜上反射回分束器上，这两束光是宽带的相干光，会发生干涉。相干的红外光照射到样品上，经检测器采集，获得含有样品信息的红外干涉图数据，经过计算机对数据进行傅立叶变换后，得到样品的红外光谱图。
[0006]目前市面上的傅里叶红外光谱仪各有优缺点，但无一例外的都会受到温度变化的影响，在非标准温度下测得的光强值存在误差，这就是红外光谱的温漂问题。但是，目前针对该温漂问题的研究，主要为针对某一种确定物质的不同温度下的光谱曲线变化的研究。一方面，单纯探索确定物质下温度变化与光强的数量关系，不具有推广性；另一方面，在光谱测定实验中，光谱仪由于自身的工作放热，温度也会逐渐升高，温漂问题不可避免，如果忽略光谱仪的仪器因素，将导致测量结果的不准确性。

技术实现思路

[0007]本专利技术的主要目的在于提供了一种傅里叶红外光谱仪及其温漂在线校正方法，基于深度学习的温漂校正方法，能准确预测出非标准温度下采集的光谱曲线在标准温度下的校正曲线，预测精度只取决于仪器本身而不限于被测物质特性，具有普适性。
[0008]为实现上述目的，本专利技术提供了一种温漂在线校正方法，其包括以下步骤：
[0009]步骤(1)，获取傅里叶红外光谱仪采集的光谱数据；
[0010]步骤(2)，对所述光谱数据进行数据清洗和数据归一化处理；
[0011]步骤(3)，对所述光谱数据提取如下特征：波长、光强、待校正温度，并对波长和光强进行特征融合，得到融合特征；
[0012]步骤(4)，将所述待校正温度和所述融合特征输入Stacking集成模型进行数据训练或预测；其中，所述Stacking集成模型包括两层，第一层采用LightGBM模型，第二层采用多元线性回归模型；
[0013]步骤(5)，将所述Stacking集成模型的输出值反归一化为标准温度下的光强值。
[0014]本专利技术采用基于Stacking集成模型的温漂校正方法，能准确预测出非标准温度下采集的光谱曲线在标准温度下的校正曲线，预测精度只取决于仪器本身而不限于被测物质特性，具有普适性。
[0015]并且，本专利技术对波长和光强进行特征融合，将得到的融合特征作为模型训练或预测的输入特征，能够极大的提高后续模型预测精度和速度。
[0016]本专利技术以波长、光强、待校正温度作为输入特征，不仅发挥了光谱仪温度传感器的作用，而且关联了温漂成因，在后续模型预测时，输入温度变化比单纯的检测光谱信号形变更直接快速，也具有更直观的物理意义。
[0017]本专利技术的Stacking集成模型，第一层采用LightGBM模型，第二层采用多元线性回归模型，再结合波长、光强、待校正温度三个特征作为输入，不仅能够提升校正速度以便在线使用，而且能够有效避免过拟合。
[0018]优选的，所述的步骤(2)中，所述数据清洗进一步包括：
[0019]步骤(21)，选择sym8为小波基，分解层数为3层，对光谱数据进行三级小波变换，得到低频系数和高频系数；
[0020]步骤(22)，对所述高频系数使用固定阈值进行阈值化处理；
[0021]步骤(23)，将所述低频系数和阈值化处理后的高频系数通过小波重构，得到初步去噪数据；
[0022]步骤(24)，对初步去燥后的高频系数再使用中值滤波处理；
[0023]步骤(25)，将初步去燥后的低频系数和中值滤波处理后的高频系数重构为清洗后数据。
[0024]在光谱分析时，光谱原始数据通常会包含噪声，例如脉冲干扰或高斯白噪声等，这些噪声会让光谱原始数据的形状、位置等发生变化，进而影响分析的结果。为了提高分析的精确度，需要对光谱原始数据进行数据清洗，降低原始数据中的噪声，保留有用的信息，从而得到更精确而正确的结果。本专利技术中使用的中值滤波结合小波变换的数据清洗方法，光谱原始数据在去除了噪声后更加平滑，也尽可能地保留了有用的信息。
[0025]优选的，所述的步骤(2)中，所述数据归一化处理，是指对所述光谱数据进行Z
‑
socre标准化，标准化公式为其中，为μ(E)的平均值，σ为标准差，标准化后的数据符合标准正态分布，即均值为0，标准差为1。
[0026]由于输入的特征间量纲不一，绝对数值相差过大，为了消除特征间量纲的影响，需要进行数据标准化处理，以解决数据量纲之间的可比性。原始数据经过本专利技术的标准化处理后，各量纲处于同一数量级，使数据落入一个指定规则的区间，适合进行综合对比评价。同时，数据归一化可以提升模型的收敛速度和训练精度。
[0027]优选的，所述的步骤(3)中，对波长和光强进行特征融合，进一步包括：
[0028]步骤(31)，用高斯分布计算波长和光强之间的融合前距离，高斯分布的公式为P
j|i
表示中心为高维空间中一点x
i
时，高维空间中另一点x
j
是其临近点的概率；x
i
、x
j
、x
k
均为高维空间中某一点的坐标值；σ
i
为不同的中心点x
i
对应的高斯分布的方差；
[0029]步骤(32)，用t分布计算波长和光强之间融合后距离，t分布的公式为y
i
、y
j
、y
k
为高维空间中x
i
、x
j
、x
k
映射到低维空间中的点；q
i|j
表示中心为低维空间中一点y
i
时，低维空间中另一点y
j
是其临近点的概率；
[0030]步骤(3本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种温漂在线校正方法，其特征在于，包括以下步骤：步骤(1)，获取傅里叶红外光谱仪采集的光谱数据；步骤(2)，对所述光谱数据进行数据清洗和数据归一化处理；步骤(3)，对所述光谱数据提取如下特征：波长、光强、待校正温度，并对波长和光强进行特征融合，得到融合特征；步骤(4)，将所述待校正温度和所述融合特征输入Stacking集成模型进行数据训练或预测；其中，所述Stacking集成模型包括两层，第一层采用LightGBM模型，第二层采用多元线性回归模型；步骤(5)，将所述Stacking集成模型的输出值反归一化为标准温度下的光强值。2.根据权利要求1所述的一种温漂在线校正方法，其特征在于，所述的步骤(2)中，所述数据清洗进一步包括：步骤(21)，选择sym8为小波基，分解层数为3层，对光谱数据进行三级小波变换，得到低频系数和高频系数；步骤(22)，对所述高频系数使用固定阈值进行阈值化处理；步骤(23)，将所述低频系数和阈值化处理后的高频系数通过小波重构，得到初步去噪数据；步骤(24)，对初步去燥后的高频系数再使用中值滤波处理；步骤(25)，将初步去燥后的低频系数和中值滤波处理后的高频系数重构为清洗后数据。3.根据权利要求1所述的一种温漂在线校正方法，其特征在于，所述的步骤(2)中，所述数据归一化处理，是指对所述光谱数据进行Z
‑
socre标准化，标准化公式为其中，为μ(E)的平均值，σ为标准差，标准化后的数据符合标准正态分布，即均值为0，标准差为1。4.根据权利要求1所述的一种温漂在线校正方法，其特征在于，所述的步骤(3)中，对波长和光强进行特征融合，进一步包括：步骤(31)，用高斯分布计算波长和光强之间的融合前距离，高斯分布的公式为P
j|i
表示中心为高维空间中一点x
i
时，高维空间中另一点x
j
是其临近点的概率；x
i
、x
j
、x
k
均为高维空间中某一点的坐标值；σ
i
为不同的中心点x
i
对应的高斯分布的方差；步骤(32)，用t分布计算波长和光强之间融合后距离，t分布的公式为y
i
、y
j
、y
k
为高维空间中x
i
、x
j
、x
k
映射到低维空间中的点；q
i|j
表示中心为低维空间中一点y
i
时，低维空间中另一点y
j
是其临近点的概率；步骤(33)，用KL距离计算所述融合前距离和所述融合后距离是否一样，即，计算所述高斯分布和所述t分布是否相似，KL距离的公式为
P
j|i
为高斯分布中表示中心为高维空间中一点x
i
时，高维空间中另一点x
j
是其临近点的概率；Q
j|i
表示中心为低维空间中一点y
i
时，低维空间中另一点y
j
是其临近点的概率；步骤(34)，通过梯度下降法的不断迭代和缩小所述KL距离，梯度下降法的公式为C为上述两分布的KL距离，y
i
、y
j
为低维空间中的某一点，P
j|i
表示中心为高维空间中一点x
i
时，高维空间中另一点x
j
是其临近点的概率；P
i|j
表示中心为高维空间中一点x
j
时，高维空间中另一点x
i
是其临近点的概率；q
i|j
表示中心为低维空间中一点y
i
时，低维空间中另一点y
j
是其临近点的概率,q
j|i
表示中心为低维空间中一点y
j
时，低维空间中另一点y
i
是其临近点的概率。5.根据权利要求1所述的一种温漂在线校正方法，其特征在于，所述的步骤(4)中，所述LightGBM模型的训练进一步包括：步骤(41)，使用直方图算法寻找最佳分裂节点:首先对每个特征的取值离散化，然后构建一个宽度为K的直方图，实现用直方图代替原有的数据，最后将借助于构建的直方图遍历数据，计算每段样本中的梯度和样本数量等用来寻找最优分裂节点；步骤(42)，使用基于...

【专利技术属性】
技术研发人员：周宇，粟放，
申请(专利权)人：厦门宇昊软件有限公司，
类型：发明
国别省市：