CN105548068A - 动态演化模型校正方法及系统 - Google Patents

Abstract

本发明提供一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法及系统，其中的方法包括：利用K/S算法从标准样品中选择有代表性的建模样品；采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；线性关系利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，通过所述标准样品确定PLS校正模型；定期对待测样品进行化验，获取所述待测样品的样品数据；利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。利用本发明能够保证近红外光谱校正模型具有自适应性，降低重建模型成本，从而实现在线分析。

Description

动态演化模型校正方法及系统

技术领域

本发明涉及在线近红外光谱分析技术领域，更为具体地，涉及一种基于KF-PLS(卡尔曼滤波偏最小二乘)近红外光谱动态演化模型校正方法及系统。

背景技术

建立准确性高、自适应性强的校正模型是近红外光谱定量分析方法成功应用的关键。现代近红外光谱以其分析速度快、重现性好、成本低、不消耗样品、易于实现在线分析等鲜明的特点正得到越来越多的应用。在近红外光谱分析实际应用中，样品近红外光谱和待测量存在复杂的间接关系。常通过求解标准曲线，建立测量数据与分析体系中某一待测组分含量之间的对应关系。PLS在处理近红外光谱建模问题上显示出独特的优越性，被广泛用于模型校正过程。

但是，上述方法通常假设仪器的环境噪声和部件状态是稳定的，是一种静态建模方法。其效果仅限于短期相对稳定的模型使用过程。然而光谱获取过程受被测对象变化、仪器老化、环境扰动等影响具有时变性。当仪器测量过程慢慢发生演变时，基于早期数据的校正模型预测效果将无法得到保证。传统方法通过利用补充样品数据库定期维护模型，从而保证其适应性，其特点是工作量大、成本高和不易实现在线分析等。且更新的校正模型中包含大量光谱仪早期状态信息，不能精确代表仪器最新测量状态。

为解决上述问题，本发明需要提供一种新的模型校正方法。

发明内容

鉴于上述问题，本发明的目的是提供一种基于卡尔曼滤波偏最小二乘法近红外光谱动态演化模型校正方法及系统，以保证近红外光谱校正模型具有自适应性，降低重建模型成本，从而实现在线分析。

本发明提供一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法，包括：

利用K/S算法从标准样品中选择有代表性的建模样品；

采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；

所述线性关系利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，然后通过所述标准样品确定PLS校正模型；

定期对待测样品进行化验，获取所述待测样品的样品数据；

同时，利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；

获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。

本发明还提供一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统，包括：

建模样品选取单元，用于利用K/S算法从标准样品中选择有代表性的建模样品；

线性关系建立单元，用于采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；

PLS校正模型建立单元，用于利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，然后通过所述标准样品确定PLS校正模型；

样品数据获取单元，用于定期对待测样品进行化验，获取所述待测样品的样品数据；

预测值获取单元，用于利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；

PLS校正模型的主因子系数修正单元，用于对获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。

从上面的技术方案可知，本发明提供的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法及系统，利用卡尔曼滤波偏最小二乘算法以保证近红外光谱校正模型具有自适应性，降低重建模型成本，从而达到实现在线分析的目的。

为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等同物。

附图说明

通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：

图1为根据本发明实施例的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法流程示意图；

图2为根据本发明实施例的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统结构框图。

在所有附图中相同的标号指示相似或相应的特征或功能。

具体实施方式

在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节的情况下实现这些实施例。

以下将结合附图对本发明的具体实施例进行详细描述。

为了说明本发明提供的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法，图1示出了根据本发明实施例的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法流程。

如图1所示，本发明提供的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法包括：

S110：利用K/S(Kennard-Stone)算法从标准样品中选择有代表性的建模样品；

S120：采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；

S130：线性关系利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，然后通过所述标准样品确定PLS校正模型；

S140：定期对待测样品进行化验，获取所述待测样品的样品数据；同时，利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；

S150：获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。

在上述步骤S120中，设A_n×m为n个样品在m个波长上的光谱参数矩阵，C_n×l为n个样品l种成分含量构成的浓度矩阵。PLS法不直接建立每种成份与光谱参数向量的关系方程，而是考虑A_n×m与C_n×l的外部关系和联系二者的内部关系，将A_n×m和C_n×l分解为如下形式：

A_n×m＝T_n×hP_h×m+E_n×m

C_n×l＝U_n×hQ_h×l+F_n×l

其中，h为样品的抽象组分数，T_n×h为光谱参数特征因子阵，U_n×h为浓度特征因子阵，P_h×m为光谱参数载荷阵，Q_h×l为浓度载荷阵，E_n×m和F_n×l分别为光谱参数阵和浓度矩阵的残差矩阵。

然后建立T_n×h与U_n×h的关系矩阵B(浓度与光谱参数间的内部关系)：

U_n×h＝T_n×hB_h×h

此时，浓度与光谱参数间的外部关系为:

C_n×l＝T_n×hB_h×hQ_h×l+F_n×l

其中要求||F_n×l||达到最小。

在上述步骤S130中，在建立PLS初始校正模型中，T_n×h与U_n×h的关系矩阵B_h×h，设B矩阵元素分别为b(i,j)(i＝1,2,…,h；j＝1,2,…,h)。为使回归关系系数的计算转化为滤波递推估计形式，将模型中的所有系数值组成状态向量：

W＝[b(1,1)…b(1,h)…b(h,1)…b(h,h)]^T

则系统的状态方程和观测方程可表示为：

$\left\{\begin{array}{c}{W}_k=W_{k-1}\\ C_{ek}=C_{rk}+V_k=h(W_k,A_k)+V_k\end{array}\right.$

其中，C_ek为标样浓度，A_k为第k个样品光谱矢量，C_rk为预测浓度；V_k为观测噪声，即为随机白噪声，其统计特性为：

$E\left(V_k\right)=0,E\left(V_k{V}_k^T\right)=R_k$

令 $\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}=H_k,h({\hat{W}}_k^{-},A_k)-\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}{\hat{W}}_k^{-}=D_k$

则观测方程为：

C_ek＝H_kW_k+D_k+V_k

在本发明中，需要说明的是，在建立PLS校正模型后，待测样品就可以使用PLS校正模型进行预测，当时此模型使用一段时间后，可以再次对PLS校正模型进行校正，则校正的具体方法就是上述步骤S140至S150，校正后的模型在预测时更为精确。

在本发明中，由卡尔曼滤波基本公式得PLS校正模型主因子系数学习的卡尔曼滤波算法如下：

时间更新(预测)

Step1:向前推算权值变量，其中公式为：

Step2:向前推算误差协方差，其中公式为：

测量更新(修正)

Step3:计算卡尔曼增益，其中公式为：

Step4:由期望输出Y_ek更新估计，其中公式为：

Step5:更新误差协方差，其中公式为：

Step6:k＝k+1转Step2

其中，为初始估计权值变量；P_k-1为初始估计误差协方差。

与上述方法相对应，本发明还提供一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统，图2示出了根据本发明实施例的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统逻辑结构。

如图2所示，本发明提供的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统200，包括：建模样品选取单元210、线性关系建立单元220、PLS校正模型建立单元230、样品数据获取单元240、预测值获取单元250和PLS校正模型的主因子系数修正单元260。

具体地，建模样品选取单元210，用于利用K/S(Kennard-Stone)算法从标准样品中选择有代表性的建模样品；

线性关系建立单元220，用于采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；

PLS校正模型建立单元230，用于利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，然后通过所述标准样品确定PLS校正模型；

样品数据获取单元240，用于定期对待测样品进行化验，获取所述待测样品的样品数据；

预测值获取单元250，用于利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；

PLS校正模型的主因子系数修正单元，用于对获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。

其中，线性关系建立单元220在采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系的过程中，

设A_n×m为n个样品在m个波长上的光谱参数矩阵，C_n×l为n个样品l种成分含量构成的浓度矩阵；A_n×m和C_n×l分解为如下形式：

A_n×m＝T_n×hP_h×m+E_n×m

C_n×l＝U_n×hQ_h×l+F_n×l

然后，建立T_n×h与U_n×h的关系矩阵B：

U_n×h＝T_n×hB_h×h

此时，浓度与光谱参数间的外部关系为:

C_n×l＝T_n×hB_h×hQ_h×l+F_n×l

其中，h为样品的抽象组分数；T_n×h为光谱参数特征因子阵；

U_n×h为浓度特征因子阵；P_h×m为光谱参数载荷阵；Q_h×l为浓度载荷阵；

E_n×m和F_n×l分别为光谱参数阵和浓度矩阵的残差矩阵。

其中，PLS校正模型建立单元230在所述线性关系利用去一交互检验法确定PLS因变量数，然后通过所述标准样品确定PLS校正模型的过程中，

在所述PLS初始校正模型中，已知T_n×h与U_n×h的关系矩阵B_h×h，设B矩阵元素分别为b(i,j)(i＝1,2,…,h；j＝1,2,…,h)；将模型中的所有系数值组成状态向量：

W＝[b(1,1)…b(1,h)…b(h,1)…b(h,h)]^T

则系统的状态方程和观测方程可表示为：

$\left\{\begin{array}{c}{W}_k=W_{k-1}\\ C_{ek}=C_{rk}+V_k=h(W_k,A_k)+V_k\end{array}\right.$

其中，V_k为观测噪声，其统计特性为：

$E\left(V_k\right)=0,E\left(V_k{V}_k^T\right)=R_k$

令 $\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}=H_k,h({\hat{W}}_k^{-},A_k)-\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}{\hat{W}}_k^{-}=D_k$

则观测方程为：

C_ek＝H_kW_k+D_k+V_k

其中，C_ek为标样浓度，A_k为第k个样品光谱矢量，C_rk为预测浓度。

其中，主因子系数修正单元260在获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数的过程中，

Step1:向前推算权值变量，其公式为：

Step2:向前推算误差协方差，其公式为：

Step3:计算卡尔曼增益，其公式为：

Step4:由期望输出Y_ek更新估计，其公式为：

Step5:更新误差协方差，其公式为：

Step6:k＝k+1转Step2；

其中，为初始估计权值变量；P_k-1为初始估计误差协方差。

通过上述实施方式可以看出，本发明提供的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法及系统，利用KF-PLS法使得近红外光谱校正模型具有自适应性，降低重建模型成本，从而达到实现在线分析的目的。

如上参照附图以示例的方式描述了根据本发明提出的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法及系统。但是，本领域技术人员应当理解，对于上述本发明所提出的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法及系统，还可以在不脱离本发明内容的基础上做出各种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。

Claims (8)

1.一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法，包括：

利用K/S算法从标准样品中选择有代表性的建模样品；

采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；

所述线性关系利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，然后通过所述标准样品确定PLS校正模型；

定期对待测样品进行化验，获取所述待测样品的样品数据；

同时，利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；

获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。

2.如权利要求1所述的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法，其中，

在采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系的过程中，

设A_n×m为n个样品在m个波长上的光谱参数矩阵，C_n×l为n个样品l种成分含量构成的浓度矩阵；A_n×m和C_n×l分解为如下形式：

A_n×m＝T_n×hP_h×m+E_n×m

C_n×l＝U_n×hQ_h×l+F_n×l

然后，建立T_n×h与U_n×h的关系矩阵B：

U_n×h＝T_n×hB_h×h

此时，浓度与光谱参数间的外部关系为:

C_n×l＝T_n×hB_h×hQ_h×l+F_n×l

其中，h为样品的抽象组分数；T_n×h为光谱参数特征因子阵；

U_n×h为浓度特征因子阵；P_h×m为光谱参数载荷阵；Q_h×l为浓度载荷阵；

E_n×m和F_n×l分别为光谱参数阵和浓度矩阵的残差矩阵。

3.如权利要求1所述的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法，其中，

在所述线性关系利用去一交互检验法确定PLS因变量数，然后通过所述标准样品确定PLS校正模型的过程中，

在所述PLS初始校正模型中，已知T_n×h与U_n×h的关系矩阵B_h×h，设B矩阵元素分别为b(i,j)(i＝1,2,…,h；j＝1,2,…,h)；将模型中的所有系数值组成状态向量：

W＝[b(1,1)…b(1,h)…b(h,1)…b(h,h)]^T

则系统的状态方程和观测方程可表示为：

$\left\{\begin{array}{c}{W}_k=W_{k-1}\\ C_{ek}=C_{rk}+V_k=h(W_k,A_k)+V_k\end{array}\right.$

其中，V_k为观测噪声，其统计特性为：

$E\left(V_k\right)=0,E\left(V_k{V}_k^T\right)=R_k$

令 $\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}=H_k,h({\hat{W}}_k^{-},A_k)-\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}{\hat{W}}_k^{-}=D_k$

则观测方程为：

C_ek＝H_kW_k+D_k+V_k

其中，C_ek为标样浓度，A_k为第k个样品光谱矢量，C_rk为预测浓度。

4.如权利要求1所述的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法，其中，

在获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数的过程中，

Step1:向前推算权值变量，其公式为：

Step2:向前推算误差协方差，其公式为：

Step3:计算卡尔曼增益，其公式为：

Step4:由期望输出Y_ek更新估计，其公式为：

Step5:更新误差协方差，其公式为：

Step6:k＝k+1转Step2；

其中，为初始估计权值变量；P_k-1为初始估计误差协方差。

5.一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统，包括：

建模样品选取单元，用于利用K/S算法从标准样品中选择有代表性的建模样品；

线性关系建立单元，用于采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；

PLS校正模型建立单元，用于利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，然后通过所述标准样品确定PLS校正模型；

样品数据获取单元，用于定期对待测样品进行化验，获取所述待测样品的样品数据；

预测值获取单元，用于利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；

PLS校正模型的主因子系数修正单元，用于对获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。

6.如权利要求5所述的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统，其中，

所述线性关系建立单元在采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系的过程中，

设A_n×m为n个样品在m个波长上的光谱参数矩阵，C_n×l为n个样品l种成分含量构成的浓度矩阵；A_n×m和C_n×l分解为如下形式：

A_n×m＝T_n×hP_h×m+E_n×m

C_n×l＝U_n×hQ_h×l+F_n×l

然后，建立T_n×h与U_n×h的关系矩阵B：

U_n×h＝T_n×hB_h×h

此时，浓度与光谱参数间的外部关系为:

C_n×l＝T_n×hB_h×hQ_h×l+F_n×l

其中，h为样品的抽象组分数；T_n×h为光谱参数特征因子阵；

U_n×h为浓度特征因子阵；P_h×m为光谱参数载荷阵；Q_h×l为浓度载荷阵；

E_n×m和F_n×l分别为光谱参数阵和浓度矩阵的残差矩阵。

7.如权利要求5所述的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统，其中，

所述PLS校正模型建立单元在所述线性关系利用去一交互检验法确定PLS因变量数，然后通过所述标准样品确定PLS校正模型的过程中，

在所述PLS初始校正模型中，已知T_n×h与U_n×h的关系矩阵B_h×h，设B矩阵元素分别为b(i,j)(i＝1,2,…,h；j＝1,2,…,h)；将模型中的所有系数值组成状态向量：

W＝[b(1,1)…b(1,h)…b(h,1)…b(h,h)]^T

则系统的状态方程和观测方程可表示为：

$\left\{\begin{array}{c}{W}_k=W_{k-1}\\ C_{ek}=C_{rk}+V_k=h(W_k,A_k)+V_k\end{array}\right.$

其中，V_k为观测噪声，其统计特性为：

$E\left(V_k\right)=0,E\left(V_k{V}_k^T\right)=R_k$

令 $\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}=H_k,h({\hat{W}}_k^{-},A_k)-\frac{\∂h}{\∂W}{|}_{W_k={\hat{W}}_k^{-}}{\hat{W}}_k^{-}=D_k$

则观测方程为：

C_ek＝H_kW_k+D_k+V_k

其中，C_ek为标样浓度，A_k为第k个样品光谱矢量，C_rk为预测浓度。

8.如权利要求5所述的基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正系统，其中，

所述PLS校正模型的主因子系数修正单元在获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数的过程中，

Step1:向前推算权值变量，其公式为：

Step2:向前推算误差协方差，其公式为：

Step3:计算卡尔曼增益，其公式为：

Step4:由期望输出Y_ek更新估计，其公式为：

Step5:更新误差协方差，其公式为：

Step6:k＝k+1转Step2；

其中，为初始估计权值变量；P_k-1为初始估计误差协方差。