基于二维重构的光谱定量分析方法技术

本发明专利技术公开了一种基于二维重构的光谱定量分析方法，所述包括以下步骤：S1：获取用于建模的标样光谱信号，对一维光谱数据基于不同参数的信号变换方法进行二维重构；S2：构造基于二维CNN的光谱高阶特征提取网络；S3：建立并训练组分含量回归模型；S4：将待测样本的光谱信号经过二维重构后，输入特征提取网络和回归模型，提取高阶特征图，并计算各组分的定量分析结果。本发明专利技术基于二维重构的光谱定量分析方法，通过二维重构和深度CNN网络提取光谱信号的高阶特征，并建立组分定量分析模型，能够高质量的完成多组分重叠光谱的定量分析，提高定量分析精度，实现复杂物质成分的光谱测量，可用于化工、食品、环境等领域中光谱信号的定量分析。分析。分析。

【技术实现步骤摘要】
基于二维重构的光谱定量分析方法


[0001]本专利技术涉及光谱定量分析
，具体涉及基于二维重构的光谱定量分析方法。

技术介绍

[0002]光谱是物质组分定量分析的重要技术，广泛应用于环境、食品、化工等领域。在复杂样品的检测中，多种组分的光谱相互影响，高度重叠，导致各组分光谱的特征难以提取，造成复杂样品的定量分析精度降低。
[0003]光谱预处理是光谱定量分析的重要步骤，其通常包括基线校正、多元散射校正、滤波、波长选择、信号变换等。光谱预处理的参数对光谱定量分析的性能至关重要，然而，各光谱预处理与建模方法之间存在复杂的耦合关系，预处理参数往往通过反复实验试错获得，复杂的预处理方法选择和参数优化过程导致光谱定量分析十分繁琐。
[0004]近年来，基于深度学习的模型被逐渐应用于光谱定量分析。通过模型自学习光谱信号预处理的模式建立端到端的定量分析模型，使得基于深度学习的光谱定量分析可以规避繁琐复杂的预处理方法选择和参数优化过程。然而，待测物质光谱标样的获取成本仍然较高，复杂、重叠、小样本的光谱定量分析，对该类方法的模型训练难度、定量分析精度会造成很大影响，导致测量结果精度的下降。

技术实现思路

[0005]本专利技术要解决的技术问题就在于：本专利技术提供一种基于二维重构的光谱定量分析方法，能够有效提取待测样本多元光谱中各组分的特征，并建立各组分的定量分析模型，特别是在复杂、重叠、小样本的光谱分析中，能够有效地提高定量分析模型的精度。
[0006]为解决上述技术问题，本专利技术提出的技术方案为：
[0007]一种基于二维重构的光谱定量分析方法，所述包括以下步骤：
[0008]步骤S1：获取用于建模的标样光谱信号，对一维光谱数据基于不同参数的信号变换方法进行二维重构；
[0009]步骤S2：构造基于二维CNN的光谱高阶特征提取网络；
[0010]步骤S3：建立并训练组分含量回归模型；
[0011]步骤S4：将待测样本的光谱信号经过二维重构后，输入模型中提取高阶特征图，得到各组分的定量分析结果。
[0012]作为上述技术方案的进一步改进为：
[0013]优选地，所述S1中，采用参数连续变化的信号变换方法对同一组标样光谱信号进行信号处理，然后将处理后的光谱信号沿参数维度依次排列，再进行二维重构得到二维光谱矩阵，所述信号变换方法包括但不限于小波变换、分数阶微分。
[0014]优选地，所述步骤S2中，将步骤S1中的二维重构光谱矩阵作为高阶特征提取网络的输入层，经过多层卷积层、池化层的计算，提取高阶特征图，并传输到高阶特征提取网络
的输出层。
[0015]优选地，所述步骤S3中，具体包括以下步骤：
[0016]S31：采用所述步骤S2中得到的高阶特征图作为输入；
[0017]S32：采用回归网络对高阶特征图进行回归，计算得到回归结果；
[0018]S33：将均方误差作为损失函数；
[0019]S34：使用误差反向传播算法更新网络权重；
[0020]S35：重复S31～S34，直到完成预设的训练次数，建立定量分析模型。
[0021]优选地，所述步骤S4中，具体包括以下步骤：
[0022]S41：测量待测样本的光谱，并进行二维重构得到二维重构光谱矩阵；
[0023]S42：将输入高阶特征提取网络，得到待测样本的高阶特征图；
[0024]S43：将高阶特征图输入定量分析模型，得到定量分析结果。
[0025]本专利技术提供的基于二维重构的光谱定量分析方法，与现有技术相比，有以下优点：
[0026](1)本专利技术基于二维重构的光谱定量分析方法，通过二维重构和二维CNN特征提取网络，能够有效地提取多元光谱的细节特征，提高重叠光谱的定量分析精度，避免了传统化学计量学预处理方法中繁琐的参数优化过程，提高了定量分析的建模效率。
[0027](2)本专利技术基于二维重构的光谱定量分析方法，综合了化学计量学方法和深度学习的优势，利用化学计量学获取的知识降低深度学习模型的学习难度，特别是提高面向小样本、多元、重叠光谱分析的模型学习效率和建模精度。
附图说明
[0028]图1是本专利技术光谱定量分析方法的流程示意图。
[0029]图2是本专利技术实施例中玉米样本的近红外光谱信号图。
[0030]图3是本专利技术实施例中药品样本的近红外光谱信号图。
[0031]图4是本专利技术实施例中玉米样本的近红外光谱信号基于二维重构的光谱定量分析方法的流程图。
具体实施方式
[0032]以下对本专利技术的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本专利技术，并不用于限制本专利技术。
[0033]图1示出了本专利技术基于二维重构的光谱定量分析方法的一种实施方式，包括如下步骤：
[0034]S1：获取一组用于建模的标样光谱信号X
train
以及其对应的组分含量y
train
，X
train
由M个样本组成，每个样本包含N个光谱波长处的光谱响应，X
train
大小为M
×
N，对一维光谱数据使用不同的k个参数的信号变换方法进行二维重构，得到二维重构光谱矩阵X
train_2D
，其大小为M
×
N
×
k。
[0035]所述二维重构光谱矩阵X
train_2D
的过程如下：
[0036]S11：使用参数连续变化的信号变换方法处理光谱信号X
train
；
[0037]S12：将处理后的光谱信号沿参数维度依次排列，重构为二维光谱矩阵X
train_2D
，本实施例中优选方案是将处理后地光谱信号沿参数维度按参数大小顺序依次排列。
[0038]S2：构造基于二维CNN的光谱高阶特征提取网络N
F
。
[0039]其中，高阶特征提取网络N
F
的输入为步骤S1中的二维重构光谱矩阵X
train_2D
，经过多层卷积层、池化层的计算提取高阶特征图，并传输到高阶特征提取网络的输出层。
[0040]本实施例中，步骤S2中高阶特征提取网络N
F
使用2层二维CNN网络，分别为Conv1、Conv2；Conv1和Conv2的卷积核大小为3
×
3，卷积核以一个波长为步长进行卷积运算。
[0041]S3：建立并训练组分含量回归模型。
[0042]具体包括如下步骤：
[0043]S31：采用高阶特征提取网络N
F
提取所述步骤S1中二维重构光谱矩阵X
train_2D
的高阶特征，得到高阶特征图
[0044]S32：采用回归网络N
R
对高阶特征图进行回归，计算得到回归结果y
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于二维重构的光谱定量分析方法，其特征在于，所述包括以下步骤：步骤S1：获取用于建模的标样光谱信号，对一维光谱数据基于不同参数的信号变换方法进行二维重构；步骤S2：构造基于二维CNN的光谱高阶特征提取网络；步骤S3：建立并训练组分含量回归模型；步骤S4：将待测样本的光谱信号经过二维重构后，输入模型中提取高阶特征图，计算各组分的定量分析结果。2.根据权利要求1所述的基于二维重构的光谱定量分析方法，其特征在于，所述步骤S1中，采用参数连续变化的信号变换方法对同一组标样光谱信号进行信号处理，然后将处理后的光谱信号沿参数维度依次排列，再进行二维重构得到二维光谱矩阵。3.根据权利要求2所述的基于二维重构的光谱定量分析方法，其特征在于，所述步骤S2中，将步骤S1中的二维重构光谱矩阵作为高阶特征提取网络的输入层，经过多层...

【专利技术属性】
技术研发人员：陈俊名，何正杨，李灵，李靖，王子扬，李家鑫，
申请(专利权)人：长沙理工大学，
类型：发明
国别省市：