一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法技术

一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法，涉及近红外光谱变换技术领域。本发明专利技术是针对近红外光谱的谱峰重叠使待测物质的定量分析产生较大误差而提出的。该方法用待测物近红外光谱的离散点数确定参与高斯曲线拟合的高斯函数数量，用离散点的波长位置确定高斯函数中心位置；利用相关性分析，确定有利于提取重叠信息的最佳高斯函数带宽。基于此，构造曲线拟合的方程组，通过求解方程组确定高斯函数高度，并对高斯函数进行面积积分，得到待测物光谱的变换结果，进而构建待测物的含量预测模型。所提方法分别应用于污水COD含量和玉米水分含量的预测，其预测均方误差相比于变换前减少了至少25％，说明参与曲线拟合的高斯函数无需与真实谱峰信息对应，也可实现原始光谱中重叠信息的有效分解与重组，从而减小定量分析误差。而减小定量分析误差。而减小定量分析误差。

【技术实现步骤摘要】
一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法


[0001]本专利技术涉及一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法，涉及近红外光谱变换


技术介绍

[0002]近红外光谱技术因其不产生二次污染、检测速度快等优势被广泛应用于食品、化工、环境等领域的待测物质定量分析
[1]‑
[3]。近红外光谱是由分子中的极性化学键对780～2526nm波长范围内的光子能量吸收形成的，由于每个化学键存在多个倍频峰，其谱带通常较宽，且不同化学键的谱峰重叠严重，因此会导致定量分析误差
[4]。为了减小重叠峰的影响并提高光谱信息的利用率，对近红外光谱进行适当的变换或预处理至关重要。
[0003]近红外光谱通常不能直接根据谱峰数值进行定量分析，需要建立待测物含量的预测模型，在此过程中，不同的预处理方法被用于提高预测模型的准确性。文献[5]提出一种广义乘法散射校正方法，更好地消除基线对近红外光谱的影响，提升对油棕果中油含量的预测精度；文献[6]将多种预处理方法组合，提出一种选择性集合预处理策略，分别在玉米、血液、食用油近红外光谱上得到较好的预处理效果。除此之外还涌现出一些波段选择方法用于筛选原始光谱数据中的有效信息，文献[7]提出一种迭代缩减窗口自助软收缩算法，通过不断缩减窗口对近红外光谱波段进行精确选择，实现了玉米蛋白质含量预测的精度提升；文献[8]提出一种双竞争自适应重加权采样算法，有效减小多仪器、多批次采集的近红外光谱间的波段选择差异，并在玉米、药剂及小麦光谱数据集上进行了验证；文献[9]提出一种三步混合策略，结合粗略选择、精细选择以及最优选择的优点，实现了对烟草和啤酒近红外光谱波段的有效选择。此类方法可以实现预测模型精度的提升，但很少关注光谱重叠峰对定量分析的影响，且只在原始光谱数据上选择更有利于建模的信息，不能从根本上改变近红外光谱的谱峰重叠情况，对信息的利用率较低。
[0004]目前减小重叠峰对光谱影响的方法包括提高仪器自身的检测分辨率和通过数学方法对重叠峰进行分离，但仪器的改进往往受到资金、研发时间的限制，更多研究者选择使用数学方法
[10]。文献[11]提出一种基于高斯曲线拟合的近红外光谱特征提取方法，将原始光谱分解为三个高斯峰，建立较为准确的玉米叶绿素含量预测模型，验证了曲线拟合方法对近红外光谱重叠峰解析以及模型性能提升的有效性。而各种函数形式的曲线拟合通过确定谱峰形状参数实现谱峰解析，在此之前通常需要确定谱峰位置，文献[12]提出一种结合谱线二阶导和Voigt函数曲线拟合的重叠峰分离方法，先通过求二阶导确定峰位，再运用Voigt函数曲线拟合确定其他谱峰参数，将该方法应用于四种球蛋白的红外和拉曼光谱，实现了较准确的球蛋白结构估计；文献[13]提出一种结合二阶导和洛伦兹力函数曲线拟合的方法，对四种不同沥青的红外光谱进行解析，实现了不同化学键的谱峰分辨。以上方法通过提高光谱分辨率确定谱位，但忽略了可能受到的噪声影响。为了减小求导时噪声的影响，文献[14]提出一种将傅里叶反褶积和二阶导结合的谱峰位置确定方法，通过S
‑
G卷积平滑方
法控制噪声，实现了利用红外光谱对蛋白质二级结构的准确定性、定量分析。另外，将小波变换应用于重叠峰峰位检测也可减小噪声的影响
[15]。文献[16]提出一种结合图像分割和小波变换的方法，更好地消除噪声对峰位确定的影响，实现了对仿真光谱和实际基质辅助雷射解吸电离飞行时间质谱的峰值位置的准确检测。随着神经网络的发展，深度学习也被应用于重叠峰解析，文献[17]提出了一种利用深度神经网络确定谱峰参数的方法，通过合成的核磁共振数据集训练深度模型，并在复杂的蛋白质和代谢组学混合物的核磁共振谱上进行了验证，取得了较好的效果。
[0005]以上方法通过确定实际谱峰参数实现重叠峰分离，具有较强的可解释性，但很少应用于近红外光谱的定量分析，且具有一定的局限性。一方面，为减小噪声对峰位确定的影响，需对数据进行去噪处理，而去噪可能造成可用信息量的损失
[18]；另一方面，谱峰参数值通常与初始值相关，故解析结果可能不唯一。
[0006]为了避免寻找实际谱峰参数过程中遇到的上述问题，也有学者提出基于整体近红外光谱的方法，文献[19]将自建模混合分析法应用于混合物的单物质分析，利用矩阵分解将不同物质的表面增强拉曼散射谱分离，同时对混合农药中的各组分进行定性和定量分析；文献[20]将纯物质和混合物的红外光谱制作为数据集后，将神经网络应用于混合碳氢燃料的官能团的定量分析，有助于准确预测混合物的各种特性。以上方法无需确定实际谱峰也能减小重叠谱峰对定量分析的影响，然而基于整体近红外光谱的方法对谱质量的要求较高，通常基于叠加理论，故不适用于信号能量小、对外部干扰敏感、成分复杂的近红外光谱。
[0007]基于目前方法存在的问题，提出一种无需确定实际谱峰的高斯曲线拟合方法，结合相关性分析和方程组求解确定高斯函数的参数，使参数具有唯一解，在不引入拟合误差的条件下实现对原始近红外光谱中重叠信息的有效分解与重组，势在必行。

技术实现思路

[0008]本专利技术要解决的技术问题是：由于近红外光谱的谱峰重叠使待测物质的定量分析产生较大误差，针对该问题提出一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法。
[0009]本专利技术为解决上述技术问题所采用的技术方案为：
[0010]一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法，所述方法的实现过程为：
[0011](1)根据原始光谱离散点数n确定高斯函数数量，使每个离散波长对应一个高斯函数，每个高斯函数对应一个中心波长；
[0012](2)原始近红外光谱结合式(9)自适应确定每个高斯函数的最佳带宽，以保证后续的变换不放大噪声并有效展现重叠峰信息；
[0013][0014]式中，P(δ，λ)表示以波长λ为波段中心的局部原始光谱数据与带宽为δ的高斯函数的相关性，相关性越大表示该波长处带宽为δ的高斯函数成分越多；S(x)表示原始光谱波长
x对应的原始光谱向量；
[0015]通过式(9)计算出每个高斯函数的各个带宽对应的相关性，从中选出最大相关性值对应的带宽δ，将其作为该高斯函数的最佳带宽；最佳带宽的数量与高斯函数的数量一致；
[0016](3)根据步骤(1)的中心波长和步骤(2)的最佳带宽代入如式(5)所示的线性方程组，求得各个高斯函数的高度A，
[0017][0018]式中，A为高斯函数的高度向量，为拟合光谱向量，S为原始光谱向量；n为光谱离散点数；λ(1)表示光谱离散点数1对应的波长，λ(n)表示光谱离散点数n对应的波长，其他同理；表示第1个光谱离散点对应的拟合值；s(1)表示第1个光谱离散点的原始值；a(1)表示第1个光谱离散点对应的高斯函数的高度；其他同理；公式(5)左边的矩阵为满秩矩阵；
[0019]根据带宽δ和高斯函数的高度A(列向量)，对每个高斯函数的面积进行积分，从而完成近红外光谱的变换。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于相关性和高斯曲线拟合的自适应近红外光谱变换方法，基特征在于，所述方法的实现过程为：(1)根据原始光谱离散点数n确定高斯函数数量，使每个离散波长对应一个高斯函数，每个高斯函数对应一个中心波长；(2)原始近红外光谱结合式(9)自适应确定每个高斯函数的最佳带宽，以保证后续的变换不放大噪声并有效展现重叠峰信息；式中，P(δ，λ)表示以波长λ为波段中心的局部原始光谱数据与带宽为δ的高斯函数的相关性，相关性越大表示该波长处带宽为δ的高斯函数成分越多；S(x)表示原始光谱波长x对应的原始光谱向量；通过式(9)计算出每个高斯函数的各个带宽对应的相关性，从中选出最大相关性值对应的带宽δ，将其作为该高斯函数的最佳带宽；最佳带宽的数量与高斯函数的数量一致；(3)根据步骤(1)的中心波长和步骤(2)的最佳带宽代入如式(5)所示的线性方程组，求得各个高斯函数的高度A，式中，A为高斯函数的高度向量，为拟合光谱向量，S为原始光谱向量；n为光谱离散点数；λ(1)表示光谱离散点数1对应的波长，λ(n)表示光谱离散点数n对应的波长，其他同理；表示第1个光谱离散点对应的拟合值；s(1)表示第1个光谱离散点的原始值；a(1)表示第1个光谱离散点对应的高斯函数的高度；其他同理；公式(5)左边的矩阵为满秩矩阵；根据带宽δ和高斯函数的高度A(列向量)，对每个高斯函数的面积进行积分，从而完成近红外光谱的变换。2.一种近红外光谱的应用，其特征在于，近红外光谱为利用权利要求1所述变换方法得到的变换后的近红外光谱，将变换后的近红外光谱用于定量分析。3.一种基于近红外光谱的定量分析方法，其特征在于，...

【专利技术属性】
技术研发人员：康守强，赵瑞凡，薛原，沈涛，
申请(专利权)人：哈尔滨理工大学，
类型：发明
国别省市：