CN102841070A - 由二维相关红外同步光谱识别原油种类的方法 - Google Patents

Abstract

一种由二维相关红外同步光谱识别原油种类的方法，包括(1)选取755～1107cm^-1谱区的吸光度进行二维相关处理，由各样品的同步光谱矩阵建立原油红外光谱数据库X，X是一个三阶张量，(2)测定待识别混兑原油样品的红外光谱进行二阶微分处理，选取755～1107cm^-1谱区的吸光度并进行二维相关处理得到同步光谱矩阵x，(3)计算矩阵x与原油二维红外光谱数据库每个样品在755～1107cm^-1谱区的每个移动矩阵窗口内的相关系数，按式(I)计算每个数据库样品的识别参数Q，若Q_i＞Q_t，且i样品的每个移动矩阵相关系数均不小于0.9700，则待识别原油与数据库中的i样品相同。该法识别率高，可快速识别被测原油是否与数据库中的已知原油种类相同，特别是可有效识别混兑原油的种类。

Description

由二维相关红外同步光谱识别原油种类的方法

技术领域

本发明为一种原油种类的快速识别方法，具体地说，是一种由二维相关同步红外光谱快速识别原油种类的方法。

背景技术

原油评价在原油开采、贸易、加工等各个方面发挥着十分重要的作用，尽管目前已经建立了一套较为完整的原油评价方法，但是这些方法分析时间长、工作量大、成本高，远不能满足快速评价的需要。因此，目前国内外大型石化企业正在利用多种现代仪器分析手段开发建立原油快速评价技术，包括色-质联用(GC-MS)、核磁共振(NMR)、近红外光谱(NIR)和红外光谱(IR)等，其中以红外、近红外光谱的应用最为广泛，目前已经成功的运用到了许多石化领域中。但由于原油成分复杂，光谱信息相互掩盖，光谱信息的提取一直是红外、近红外光谱技术面临的重大问题。随着二维相关技术的发展，二维相关技术越来越多的与红外光谱结合起来，二维光谱技术拓展了光谱信息量，可以放大光谱细节信息，对于原油识别领域有着重大意义。

原油评价指标多，仅原油的一般性质就有几十项，若加上各馏分的性质将有上百项。将二维红外光谱与原油性质数据库结合起来可避免采用传统的因子分析方法如偏最小二乘(PLS)建立逐个性质的校正模型的复杂、繁琐过程，即以二维红外光谱为特征对待测原油进行识别，从二维红外光谱库中识别出其品种，然后再从已有的原油性质数据库中调出其评价数据，从而实现原油的快速评价，为确定原油加工方案和优化生产决策及时获得评价数据提供了一种简捷的方法。

原油的二维相关红外同步光谱中包含了丰富的组成结构信息，具有很强的指纹性，非常适合油品的定量和定性分析，且红外光谱的采集方便、快速、成本低，因此，以红外光谱为指纹特征对原油的品种进行识别将会成为一种快速简便的原油识别方式。

王景芳在《模糊聚类分析在依原油特性归类中的应用》(石油炼制与化工，1991，22(6)：41～44)一文中，通过原油的6项性质将待加工原油和原油评价数据库内有此6项性质记录的样品进行聚类比较，找出与待加工原油相似度最大的库样品，作为待加工原油评价数据指导生产。

段东勇，陈丙珍，向小荣在《基于原油已知性质预测其未知性质的模糊匹配方法》(石油炼制与化工，1996，27(7)：59～62)一文中，通过原油的若干个性质计算隶属度函数来比较已知原油与待评价原油的相似度。

Hai-Yan Fu等在“Moving window partial least-squares discriminant analysisfor identification of different kinds of bezoar samples by near infrared spectroscopyand comparison of different pattern recognition methods”{Journal of Near InfraredSpectroscopy，Volume 15Issue 5，Pages 291-298(2007)}一文中采用移动窗口偏最小二乘法，用红外光谱对牛黄产品进行质量监测。

Yiping Du等在“Improvement of partial least squares models for in vitro and invivo glucose quantifications by using near-infrared spectroscopy and searchingcombination moving window partial least squares”[Chemometrics and intelligentlaboratory systems，2006，vol.82，no1-2，Pages 97-103]使用红外光谱和移动窗口，将第一特征谱区的每个移动窗口的数据用交互验证法建立偏最小二乘模型，选出校正标准差最小的窗口作为基本区间，再将基本区间与第二个特征谱区每个移动窗口数据结合，建立偏最小二乘模型，找出新的校正标准差最小的窗口作为新的基本区间，如此重复，直到最后一个特征谱区，得到最后一个基本区间。通过搜索结合移动窗口建立的预测模型在测定牛血清和人皮肤中的葡萄糖浓度上具有最小的RMSEV和最大的相关系数。

Isao Noda在“A spectrometer for measuring time resolved infrared lineardichroism induced by a smallamplitude oscillatory strain”[Appllied Spectroscopy，1988，vol.42，no 2，pages203-216]将正弦形低频扰动作用在样品体系上使样品被激发，产生红外吸收光谱的动态变化。这个低频率的扰动作用在样品上，通过测定一系列的红外振动动态光谱，然后对红外信号进行数学上的相关分析得到二维相关红外谱图。

发明内容

本发明的目的是提供一种由二维相关红外同步光谱识别原油种类的方法，该方法可由被测样品的二维相关红外同步光谱，快速与已建数据库中的样品比对，识别被测原油样品的种类。

本发明提供的由二维相关红外同步光谱识别原油种类的方法，包括如下步骤：

(1)测定各种类型原油样品在不同温度下的红外光谱进行二阶微分处理，选取755～1107cm^-1谱区的吸光度进行二维相关处理，得到每一样品的二维相关同步光谱矩阵，再由各样品的同步光谱矩阵建立原油红外同步光谱数据库X，X是一个三阶张量，

(2)按(1)步方法测定待识别原油样品的红外光谱并进行二阶微分处理，选取755～1107cm^-1谱区的吸光度并进行二维相关处理得到同步光谱矩阵x，

(3)计算矩阵x与原油二维红外光谱数据库每个样品在755～1107cm^-1谱区的每个移动矩阵窗口内的相关系数，即移动矩阵相关系数，按式(I)计算每个数据库样品的识别参数，

$Q_i={\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{ji}}\right)}^{1/2},$ i＝1，2，...，m                                         (I)

式(I)中，Q_i为同步光谱数据库中某一样品i的识别参数，r_ji为移动矩阵相关系数；i为数据库中样品的序号，j为移动矩阵窗口的序号，n为移动矩阵窗口的总数，m为数据库X中的样品总数，

(4)计算阈值Q_t，Q_t＝(d-w-0.25)，其中d为红外光谱的采样点数，w为移动矩阵窗口宽度；

若Q_i＞Q_t，且i样品的每个移动矩阵相关系数均不小于0.9700，则待识别原油与数据库X中的i样品相同。

本发明方法通过计算红外光谱特征谱区内，待识别原油样品与预先建好的原油数据库样品的二维相关红外同步光谱的移动矩阵相关系数，通过确定数据库中各样品与待识别原油样品的识别参数，由阈值和移动矩阵相关系数判断待测原油样品与数据库中的某一样品是否为同一种原油。相对于一维红外和近红外光谱而言，二维相关光谱由于一个样品要在不同的扰动条件下测定多次，因而具有非常高的分辨率，能够揭示分子内、分子间的相互作用，有利于隐藏信息的提取，可以识别某一种油含量很低的混兑原油的种类。

附图说明

图1为典型原油样品在不同温度下测定的红外光谱。

图2为图1测定的红外光谱进行二维相关后得到的同步相关光谱。

图3为未知原油A与光谱数据库中Q_i大于阈值Q_t的光谱的移动矩阵相关系数图，右侧为投影图。

图4为未知原油B与光谱数据库中Q_i大于阈值Q_t的光谱的移动矩阵相关系数图及投影图。

图5为未知原油C与光谱数据库中Q_i大于阈值Q_t的光谱的移动矩阵相关系数图及投影图。

图6为用近红外光谱法测定的两种原油样品的移动相关系数图。

具体实施方式

本发明方法采用温度作为外界扰动条件，测量不同温度下的几张光谱，通过二维相关处理即希尔伯特(Hilbert)矩阵变换得到二维相关光谱矩阵。选用二维相关的同步光谱作为识别光谱，在特征谱区内，采用移动矩阵窗口，由移动过程中每个矩阵窗口的移动矩阵相关系数，计算待测样品与每个数据库样品的识别参数，由识别参数确定待识别样品是否与数据库中的某个样品为同一种原油。该法可以准确、快速地识别光谱数据库中已有的与待测样品相同的原油品种，结合原油评价数据库能够快速给出待测原油的性质数据，得到一种简易而可靠的原油评价分析数据快速预测方法。

本发明通过识别参数Q和移动矩阵相关系数确定数据库中是否有与待识别样品相同种类的原油。若所有样品的Q值均不大于阈值Q_t，或没有一个样品的移动矩阵相关系数大于0.9700，则数据库中没有与待识别原油相同的样品。若某一样品的Q_i大于阈值Q_t，且该样品的每个移动矩阵相关系数均不小于0.9700，则确定该样品与待识别样品为同一种原油。

本发明所述的红外光谱为扫描波数范围内各采样点对应的吸光度，所述的采样点间隔为1～10个波数，由红外光谱仪的分辨率决定。

所述的移动矩阵相关系数采用移动矩阵窗口测定，窗口的行向量和列向量宽度均为7～25个采样点。

本发明建立二维相关光谱时，使用温度变化作为外界扰动条件，即测定同一样品在不同温度下的光谱，测定原油样品的温度优选为30～60℃，每次测定改变的温度间隔优选5～10℃。

所述的将755～1107cm^-1特征谱区的吸光度进行二维相关处理的方法为使用希尔伯特矩阵变换。

本发明所述的移动矩阵相关系数的测定方法为：在特征光谱区间进行二维相关处理后得到的同步光谱矩阵中，从波数最低的采样点处选择一个移动矩阵窗口，计算该窗口内待识别原油样品与原油红外光谱数据库中每个样品的移动矩阵相关系数，保持行向量不变，沿列向量移动移动矩阵窗口直至达到波数最高的采样点，改变移动矩阵窗口的行向量，再保持行向量不变，改变列向量至波数最高的采样点，如此循环，直至移动矩阵窗口的行向量和列向量均达到最高波数，计算每个移动矩阵窗口内的待识别原油样品与数据库中每个样品的移动矩阵相关系数。

上述测定移动矩阵相关系数过程中，每次沿行向量或沿列向量移动移动矩阵窗口的距离均优选1～10个采样点。

传统的相关系数常用来比较两个光谱的相似程度，计算时所有光谱变量都参与运算，最终得到一个相关系数值，其计算公式如式(II)所示：

$R_{\mathrm{ij}}=\frac{\underset{k=1}{\overset{d}{\mathrm{\Σ}}}(x_{\mathrm{ik}}-{\stackrel{\‾}{x}}_i)(x_{\mathrm{jk}}-{\stackrel{\‾}{x}}_j)}{\sqrt{\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{(x_{\mathrm{ik}}-{\stackrel{\‾}{x}}_i)}^2\underset{k=1}{\overset{d}{\mathrm{\Σ}}}{(x_{\mathrm{jk}}-{\stackrel{\‾}{x}}_j)}^2}}---\left(\mathrm{II}\right)$

式(II)中，

分别为第i个和第j个光谱所有采样点吸光度的均值，d为采样点数，k为采样点序号，x_ik为第i个光谱第k个采样点吸光度、x_jk为第j个光谱第k个采样点吸光度。两个光谱越接近，它们之间的相似系数越接近于1或-1。

本发明计算某一移动矩阵窗口的相关系数的方法是将大小为w×w的移动矩阵窗口，按行或列依次拼接成w²×1或1×w²的向量，再按传统的相关系数计算法计算拼接后向量之间的相关系数，但将传统方法中使用的吸光度值改为二维同步相关光谱中的吸光度相关强度，在二维相关处理后得到的同步相关光谱中，X、Y坐标相交处的数值为吸光度相关强度。

本发明所述的移动矩阵相关系数是指对于要比较的两个光谱，先进行二维相关处理，得到其同步光谱矩阵，然后对每一个移动矩阵窗口以波数为变量的矩阵区均用传统的相关系数公式(II)计算出两个要比较的光谱的相关系数一移动矩阵相关系数，得到一系列的以波数为变量的子波数矩阵区的移动相关系数。所述的子波数矩阵区为一个移动矩阵窗口的大小。

按本发明方法连续移动移动矩阵窗口，计算每个移动矩阵窗口内待识别原油样品与数据库中每个样品的经二维同步相关处理后吸光度相关强度之间的相关系数，得到一个由移动矩阵窗口产生的由相关系数构成的矩阵，将该矩阵中的相关系数值与对应移动矩阵窗口的起始位置作图，即得到移动矩阵相关系数的立体图。从立体图中可以方便地看出两个样品光谱之间的相似程度，若两个光谱完全相同，则在整个光谱范围内的移动矩阵相关系数值都为1，若两个光谱只是在某一区间存在差异，则该区间的移动矩阵相关系数值将明显下降。

在移动矩阵相关系数计算中，移动矩阵窗口的宽度，即行向量和列向量的宽度应是一个固定值，优选7～25个采样点。所述的移动矩阵窗口的行向量和列向量宽度相同。移动矩阵窗口宽度过小，虽有助于细节信息的辨别，但会存在不能准确识别同一种原油的风险。移动矩阵窗口宽度过大，虽可以排除外界测试条件如温度和湿度等的影响，但会存在错误识别的风险。

本发明方法适用于未知原油样品与已知原油样品的快速识别，可通过红外光谱快速判断未知原油是否与已知原油为同一种类原油，以借助于已知原油的性质对未知原油性质进行快速测评。

下面通过实例详细说明本发明，但本发明并不限于此。

实例中测定原油红外光谱的仪器采用Thermo Nicolet-6700傅立叶变换红外光谱仪，光谱范围400～4000cm^-1，分辨率8cm^-1，采样点间隔为1cm^-1，累积扫描次数64次，ATR测量方式。

实例1

建立原油样品的二维相关红外同步光谱数据库

收集有代表性的原油样品312种，原油品种基本覆盖了世界主要原油产区。依次测定每个原油样品在30℃、40℃、50℃、60℃的红外光谱，对其进行二阶微分，选取755～1107cm^-1光谱范围的吸光度用希尔伯特矩阵变换进行二维相关处理，提取每个样品的同步光谱，建立原油样品的二维相关红外同步光谱数据库X，X是一个三阶张量，其维数为312×352×352，其中312为收集原油的样品数，352为红外光谱吸光度的采样点数。即上述二维相关红外同步光谱数据库的数据结构以三阶张量的形式存在，实际计算时按三维数组的寻址规则进行。其中一个原油样品在30℃、40℃、50℃、60℃测定的红外光谱见图1，图2为图1光谱经二维相关处理后得到的同步相关光谱，右图为三维立体图，左图为俯视图或二维等高线图，其X、Y坐标以波数表示，Z坐标是X、Y坐标交叉处吸光度的相关强度值，是无单位的量纲。从二维等高线图中可以看出同步光谱是以主对角线为对称轴对称的。

实例2

以下实例用本发明方法对未知原油种类进行识别。

(1)建立待识别原油的同步光谱矩阵

按照与建立二维相关红外同步光谱数据库相同的条件测定未知原油A在30℃、40℃、50℃、60℃的红外光谱，原油A的性质见表1，对其在不同温度下测定的红外光谱进行二阶微分，将755～1107cm^-1光谱范围的吸光度经过二维相关处理，得其二维相关同步光谱矩阵x_A，其维数为352×352。

(2)识别未知原油种类

对于二维相关红外同步光谱数据库X和光谱矩阵x_A，分别从755cm^-1处开始取对应的一段光谱区间作为移动矩阵窗口，移动矩阵窗口的大小为15×15，即行向量和列向量宽度均为15个采样点，每个采样点间隔为1cm^-1。第1个移动矩阵窗口的行向量为755cm^-1～770cm^-1、列向量为755cm^-1～770cm^-1，计算数据库X中每一个光谱与光谱矩阵x_A在这一移动矩阵窗口内吸光度相关强度之间的移动矩阵相关系数，记为r_1，i，i＝1，2，...，312。然后，保持行向量不变，将移动矩阵窗口向波数高的列方向移动1cm^-1，此时，移动矩阵窗口的行向量为755cm^-1～770cm^-1、列向量为756cm^-1～771cm^-1，在此窗口内，计算光谱数据库X中每一个光谱和光谱矩阵x_A之间的移动矩阵相关系数，记为r_2，i，i＝1，2，...，312。依次类推，逐列移动矩阵窗口，直至将移动矩阵窗口移至第一行的最后一个移动矩阵窗口，其行向量为755cm^-1～770cm^-1、列向量为1092～1107cm^-1，计算该窗口内，光谱数据库X中每一个光谱和光谱矩阵x_A之间的移动矩阵相关系数，记为r_337，，i，i＝1，2，...，312。然后将移动矩阵窗口沿行向量下移1cm^-1，将移动矩阵窗口的第一行置于整个光谱矩阵第二行的第一个波数采样点，此时，移动矩阵窗口的行向量为756cm^-1～771cm^-1、列向量为755cm^-1～770cm^-1，计算该窗口内，光谱数据库X中每一个光谱和光谱矩阵x_A之间的移动矩阵相关系数，直至移动到第二行最后一个移动矩阵窗口。

按上述方法，将移动矩阵窗口每次逐行下移1cm^-1，再保持行向量不变，逐列移动移动矩阵窗口，每次移动1cm^-1，直至列向量为1092～1107cm^-1，依次类推，计算每个移动矩阵窗口内光谱数据库X中每一个光谱和光谱矩阵x_A之间的移动矩阵相关系数，直至最后一行的最后一个移动矩阵窗口，其行向量为1092～1107cm^-1、列向量为1092～1107cm^-1，计算该移动矩阵窗口内，光谱数据库X中每一个光谱和光谱矩阵x_A之间的移动矩阵相关系数，记为r_113569，i，i＝1，2，...，312。

上述方法中每个移动矩阵窗口内的移动矩阵相关系数的计算方法为：将移动矩阵窗口(15×15个采样点)的各列按列次序依次拼接，即将第2列接在第1列后，第3列接在第2列之后，依此类推，第15列接在第14列之后，变成225×1的列向量，再按式(II)计算数据库内每个样品与被测样品，(此例为样品A)在移动矩阵窗口内拼接后产生的列向量之间的相关系数，为所在的移动矩阵窗口的移动矩阵相关系数，记为r_j，i，其中j为移动矩阵窗口的序号，i为数据库中的样品序号。

分别按式(I)计算x_A与数据库X中每一个库光谱的识别参数Q_i，其中n＝337×337＝113569，故数据库每个样品的识别参数按式(III)计算：

$Q_i={\left(\underset{j=1}{\overset{113569}{\mathrm{\Σ}}}{r}_{\mathrm{ji}}\right)}^{1/2},$ i＝1，2，...，312                                  (III)

阈值Q_t＝d-w-0.25＝352-15-0.25＝336.75。

对于未知原油样本A，经计算得出光谱数据库中第105个原油样品的Q₁₀₅值为336.9175，大于阈值Q_t，且每一个移动矩阵相关系数值r_1，105、r_2，105、...、r_337，105、...r_113569，105都不小于0.9700，移动矩阵相关系数立体图和投影图见图3，说明未知原油样本A与光谱数据库中的第105号原油样品种类相同。

实例3

对未知原油B进行识别。

(1)建立待识别原油的同步光谱矩阵

按照与建立光谱数据库相同的条件测定未知原油B在30℃、40℃、50℃、60℃的红外光谱，原油B的性质见表1，对其在不同温度下测定的红外光谱进行二阶微分，将755～1107cm^-1光谱范围的吸光度经过二维相关处理后得到其二维相关同步光谱矩阵x_B，其维数为352×352。

(2)识别未知原油种类

按实例2(2)步的方法，计算光谱数据库X中的每个样品的二维相关同步光谱与x_B在755～1107cm^-1谱区内每个移动矩阵窗口的移动矩阵相关系数，计算光谱数据库X中每个样品光谱对x_B的识别参数，得知光谱数据库中第212个原油样品的Q₂₁₂值为336.9514，大于阈值Q_t，且每一个移动矩阵相关系数值r_1，212、r_2，212、...、r_337，212、...、r_113569，212都不小于0.9700，其移动矩阵相关系数立体图和投影图见图4，说明未知原油B与光谱数据库中的第212号原油样品种类相同。

实例4

对未知原油C进行识别。

(1)建立待识别原油的同步光谱矩阵

按照与建立光谱数据库相同的条件测定未知原油C在30℃、40℃、50℃、60℃的红外光谱，原油C的性质见表1，对其在不同温度下测定的红外光谱进行二阶微分，将755～1107cm^-1光谱范围的吸光度经过二维相关处理后得到其二维相关同步光谱矩阵x_C，其维数为352×352。

(2)识别未知原油种类

按实例2(2)步方法计算光谱数据库X中每个样品的二维相关同步光谱与光谱矩阵x_C在755～1107cm^-1谱区内每个移动矩阵窗口的移动矩阵相关系数，计算光谱数据库X中每个样品光谱对x_C的识别参数，得知光谱数据库中第9个原油样品的Q₀₀₉值为336.8600，大于阈值Q_t，且每一个移动矩阵窗口相关系数值r_1，009、r_2，009、...、r_337，009、...、r_113569，009都不小于0.9700，其移动相关系数立体图和投影图见图5，说明未知原油样本C与光谱数据库中的第009号原油样品种类相同。

表1

对比例1

按照CN200910169611.8的方法用近红外光谱识别表2所列原油及混兑原油的种类。

(1)增加近红外光谱数据库样品

按CN200910169611.8实例1的方法分别测定表2中混兑原油HC-2的近红外光谱，对其进行二阶微分处理，选取4628～4000cm^-1和6076～5556cm^-1谱区的吸光度，加入近红外光谱数据库中，使数据库的维数为313×289。

(2)建立待识别原油的吸光度矢量

按(1)步方法测定原油HC-1的近红外光谱，对其进行二阶微分处理，选取4628～4000cm^-1和6076～5556cm^-1谱区的吸光度，构成矢量x_C2，其维数为1×289。

(3)识别未知混兑原油

按CN200910169611.8实例2(2)步的方法计算矢量x_C2与近红外光谱数据库中每个光谱的移动相关系数，计算x_C2与每个库样品的识别参数，得知近红外光谱数据库中原油样品HC-2的Q_HC-2值为278.0275，大于阈值Q_t，其值为277.85，且每一个移动相关系数的值均大于0.9900，其移动相关系数图见图6。

说明未知原油样品HC-1与光谱数据库中的混兑原油HC-2属于同种，但实际HC-1与HC-2是不同种原油，为混兑原油。说明对近红外光谱，采用移动相关系数法不能识别混兑原油种类。

实例5

(1)建立待识别原油的同步光谱矩阵

按照与建立光谱数据库相同的条件测定原油HC-1与混兑原油HC-2在30℃、40℃、50℃、60℃的红外光谱，对其红外光谱进行二阶微分，将混兑原油HC-2在755～1107cm^-1光谱范围的吸光度经过二维相关处理后得到其二维相关同步光谱矩阵x_D，其维数为352×352，并加入到光谱数据库中。

将原油HC-1在755～1107cm^-1光谱范围内不同温度下测得的吸光度经过二维相关处理，得到其二维相关同步光谱矩阵x_C1，其维数为352×352。

(2)识别未知原油种类

按实例2(2)步方法计算光谱数据库X中每个样品的同步光谱与光谱矩阵x_C1在755～1107cm^-1谱区内的移动矩阵相关系数，计算光谱数据库X中每个样品光谱对x_C1的识别参数，得知光谱数据库中没有原油样品的Q值大于阈值Q_t，或没有一个移动矩阵相关系数r的值大于0.9700，说明数据库中没有与未知原油样品HC-1相同种类的样品。由此可知，本发明方法在混兑原油中的一种原油(原油C)的含量较小的情况下，仍可以区分混兑原油与未混兑原油的种类。

表2

^＊原油混合比例为质量分数。

Claims (9)

1.一种由二维相关红外同步光谱识别原油种类的方法，包括如下步骤：

(1)测定各种类型原油样品在不同温度下的红外光谱进行二阶微分处理，选取755～1107cm^-1谱区的吸光度进行二维相关处理，得到每一样品的二维相关同步光谱矩阵，再由各样品的同步光谱矩阵建立原油红外同步光谱数据库X，X是一个三阶张量，

(2)按(1)步方法测定待识别原油样品在不同温度下的红外光谱进行二阶微分处理，选取755～1107cm^-1谱区的吸光度进行二维相关处理得到同步光谱矩阵x，

(3)计算矩阵x与原油二维红外光谱数据库每个样品在755～1107cm^-1谱区的每个移动矩阵窗口内的相关系数，即移动矩阵相关系数，按式(I)计算每个数据库样品的识别参数，

$Q_i={\left(\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{ji}}\right)}^{1/2},$ i＝1，2，...，m                                            (I)

式(I)中，Q_i为同步光谱数据库中某一样品i的识别参数，r_ji为移动矩阵相关系数；i为数据库中样品的序号，j为移动矩阵窗口的序号，n为移动矩阵窗口的总数，m为数据库X中的样品总数，

(4)计算阈值Q_t，Q_t＝(d-w-0.25)，其中d为红外光谱的采样点数，w为移动矩阵窗口行向量或列向量的宽度；

若Q_i＞Q_t，且i样品的每个移动矩阵相关系数均不小于0.9700，则待识别原油与数据库X中的i样品相同。

2.按照权利要求1所述的方法，其特征在于若所有样品的识别参数均不大于Q_t，或没有一个样品的移动矩阵相关系数大于0.9700，则数据库中没有与待识别原油相同的样品。

3.按照权利要求1所述的方法，其特征在于在所述红外光谱特征谱区内吸光度的采样点间隔为1～10个波数。

4.按照权利要求1所述的方法，其特征在于所述的移动矩阵相关系数采用移动矩阵窗口测定，窗口的行向量和列向量宽度均为7～25个采样点。

5.按照权利要求1所述的方法，其特征在于测定原油样品的温度为30～60℃，每次测定改变的温度间隔为5～10℃。

6.按照权利要求1所述的方法，其特征在于所述的将755～1107cm^-1谱区的吸光度进行二维相关处理的方法为使用希尔伯特矩阵变换。

7.按照权利要求1所述的方法，其特征在于所述的移动矩阵相关系数的测定方法为：在特征光谱区间进行二维相关处理后得到的同步光谱矩阵中，从波数最低的采样点处选择一个移动矩阵窗口，计算该窗口内待识别原油样品与原油红外光谱数据库中每个样品的移动矩阵相关系数，保持行向量不变，沿列向量移动移动矩阵窗口直至达到波数最高的采样点，改变移动矩阵窗口的行向量，再保持行向量不变，改变列向量至波数最高的采样点，如此循环，直至移动矩阵窗口的行向量和列向量均达到最高波数，计算每个移动矩阵窗口内的待识别原油样品与数据库中每个样品的移动矩阵相关系数。

8.按照权利要求7所述的方法，其特征在于每次沿行向量或沿列向量移动移动矩阵窗口的距离均为1～10个采样点。

9.按照权利要求7所述的方法，其特征在于计算移动矩阵相关系数的方法是将大小为w×w的移动矩阵窗口，按行或列依次拼接成w²×1或1×w²的向量，再计算拼接后形成的待识别样品和数据库样品向量之间的相关系数。

Images