【技术实现步骤摘要】
光谱分析方法、装置、终端设备及介质
[0001]本专利技术涉及数据分析
，尤其涉及一种光谱分析方法、装置、终端设备及计算机可读存储介质。
技术介绍
[0002]光谱分析是进行物质鉴别的有效手段。相比于传统的光谱分析方法而言，应用机器学习算法，对光谱进行分析，能够显著降低成本、提高效率。然而，当样品是多种物质的复杂混合物时，其光谱信息就是多种物质光谱的叠加。这就使得在将机器学习算法应用于光谱分析时，单个学习器往往难以抽取出光谱数据中蕴含的有效信息。并且，在实际应用中，样品的光谱往往不是在同一批次测量完成的。由于测量批次的不同所带来的误差，称为批次效应（batch effect）。对于一些批次效应强烈的光谱数据而言，能否有效移除或降低批次效应的影响，对于利用机器学习算法进行光谱分析是很关键的。
[0003]可见，现有的使用单个学习器进行光谱分析的方式极大程度降低了光谱分析结果的准确性，另外，还忽略了批次效应对于光谱分析结果的影响，导致得到的光谱分析结果更加不可靠。
技术实现思路
[0004]本专利技...
【技术保护点】
【技术特征摘要】
1.一种光谱分析方法，其特征在于，所述光谱分析方法包括：获取待分析样本的光谱数据，并根据所述光谱数据构建对应的邻接矩阵；基于所述邻接矩阵，对所述光谱数据的批次误差进行移除；对移除批次误差的光谱数据进行集成学习得到对应的光谱分析结果。2.如权利要求1所述的光谱分析方法，其特征在于，所述光谱数据包括光谱特征，所述根据所述光谱数据构建对应的邻接矩阵的步骤，包括：基于所述光谱特征确定所述待分析样本的光谱间的相似度图，并确定所述相似度图中的各个节点；对所述各个节点对应的特征向量之间的距离进行排序得到排序结果；基于所述排序结果，构建所述各个节点对应的节点集合，并基于多个所述节点集合构建邻接矩阵。3.如权利要求2所述的光谱分析方法，其特征在于，在所述基于所述排序结果，构建所述各个节点对应的节点集合，并基于多个所述节点集合构建邻接矩阵的步骤之后，还包括：根据所述邻接矩阵，确定对应的正则化拉普拉斯矩阵，以基于所述正则化拉普拉斯矩阵，对所述待分析样本的光谱数据的批次误差进行移除。4.如权利要求1
‑
3中任一项所述的光谱分析方法，其特征在于，所述基于所述邻接矩阵，对所述光谱数据的批次误差进行移除的步骤，包括：基于所述邻接矩阵对应的正则化拉普拉斯矩阵，通过预设优化算法，确定所述待分析样本的光谱数据对应的初始特征矩阵，其中，所述初始特征矩阵为去除批次效应和噪声影响的矩阵；基于所述初始特征矩阵获取对应的初始批次效应因子矩阵；基于所述初始批次效应因子矩阵确定目标初始特征矩阵和目标批次效应因子矩阵，以对所述光谱数据的批次误差进行移除处理。5.如权利要求4所述的光谱分析方法，其特征在于，所述基于所述初始批次效应因子矩阵确定目标初始特征矩阵和目标批次效应因子矩阵，以对所述光谱数据的批次误差进行移除处理的步骤，包括：对所述初始批次效应因子矩阵进行非负矩阵分解得到大小不同的第一非负矩阵和第二...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。