CN105738317A - 纺织品近红外模型转移方法 - Google Patents

Abstract

本发明涉及一种纺织品近红外模型转移方法，其通过设定主机仪器和从机仪器，其中主机仪器已有纺织品近红外预测模型；对主机仪器的纺织品近红外预测模型进行波长选择，筛选出若干关键波长；选择若干代表性样品组成标准化样品集，分别在主机仪器和从机仪器上扫描得到光谱，并计算关键波长光谱间差异；对两仪器间关键波长光谱数据进行校正；对校正后的关键波长光谱进行预测效果评价，可实现纺织品近红外模型在不同类型仪器间的共享，且共享精度高。

Description

纺织品近红外模型转移方法

技术领域

本发明涉及近红外光谱定量分析领域，尤其是涉及一种纺织品近红外模型转移方法。

背景技术

多元校正模型是近红外光谱定量分析的基础。建立一个长期稳健、可靠、准确的数学模型是非常复杂的过程，需要消耗大量的时间、人力、物力、财力。由于模型中包含着建模样品的理化性质、装样条件、仪器状态以及环境因素等信息，因此必须对该模型能否适用于新样品或在新仪器上测定的光谱进行评价和研究，如果模型不适用，也就是说，模型在预测过程(Predictionstep)中所遇到的样本信息并非在校正过程(Calibrationstep)中所包含的变异，导致预测结果偏差较大，那么就需要进行模型的共享。

发明内容

基于此，有必要提供一种可有效精确的纺织品近红外模型转移方法，以实现模型共享和有效利用。

一种纺织品近红外模型转移方法，其特征在于，包括如下步骤：

步骤一、选择并设定两台近红外光谱仪作为对纺织品进行光谱分析的主机仪器和从机仪器，其中，所述主机仪器中存储有纺织品近红外预测模型；

步骤二、在模型集群分析框架下，以粒子群优化算法为手段，以交互验证预测值和量测值的相关系数为优化目标，对所述主机仪器的纺织品经红外预测模型进行多次粒子群优化波长选择，筛选出若干关键波长；

步骤三、选择若干样品组成标准化样品集，分别在所述主机仪器和所述从机仪器上扫描得到光谱，计算关键波长对应的光谱之间典型分析变量的差异；

步骤四、利用步骤三中关键波长对应的光谱之间典型分析变量的差异对所述主机仪器的关键波长光谱数据进行校正；

步骤五、对校正后的关键波长光谱进行预测效果评价，实现纺织品近红外模型在不同类型仪器间转移共享。

在其中一个实施例中，在所述步骤二中，以模型集群分析为框架，进行N次粒子群优化波长选择，N为5000-10000，最终以选择频率大于50％的波长为所述关键波长。

在其中一个实施例中，在所述步骤二中，以粒子群优化算法为手段，F＝Q²作为适应度函数，在D维问题中，定义粒子i根据邻近粒子和自身的经验不断调整其位置x和速度v，用适应性函数来评估所有粒子并确定迭代次数：

xⁱ＝(xⁱ¹,xⁱ²,…,x^iD)，

vⁱ＝(vⁱ¹,vⁱ²,…,v^iD)；

粒子i的速度通过跟踪当前最优粒子的位置p_best和所有粒子中的最优位置g_best来更新迭代：

$v_{k+1}^i=w_k{v}_k^i+c_1{r}_1(p_{best}-x_k^i)+c_2{r}_2(g_{best}-x_k^i),$

$x_{k+1}^i=x_k^i+v_{k+1}^i,$

w_k＝w_max-(w_max-w_min)×(k-1)/iter_max，

式中惯性权重w_k控制前期速度对当前速度的影响，正常数c₁和c₂表示加速度系数，随机系数r₁、r₂∈[0,1]，k表示当前迭代次数，iter_max表示最大迭代次数，当满足迭代终止条件后，迭代终止。

在其中一个实施例中，在所述步骤二中，交互验证预测值和量测值的相关系数表示所述主机仪器近红外预测值与量测值之间的拟合程度，即：

${R_{CV}}^2=\[1-\frac{\underset{i=1}{\overset{n}{\Σ}}{(y_i-z_i)}^2}{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}\]$

式中，Rcv²表示所述相关系数，n为样品数，y_i为第i个样品的量测值，z_i为第i个样品的近红外预测值，为全部样品量测值的平均值。

在其中一个实施例中，在所述步骤三中，所述典型分析变量指对主机仪器和从机仪器的关键波长光谱进行典型相关分析，计算出典型变量和典型变量间差异：

V_主机＝V_从机×F

其中，V_主机和V_从机为主机仪器和从机仪器的关键波长光谱典型变量，F为两者的转换矩阵。

在其中一个实施例中，所述步骤三中，所述典型分析变量的计算公式为

$C=\left[\begin{array}{cc}{C}_{xx}& C_{xy}\\ C_{yx}& C_{yy}\end{array}\right]=E\[\left(\begin{array}{c}X\\ Y\end{array}\right){\left(\begin{array}{c}X\\ Y\end{array}\right)}^T\]$

$\left\{\begin{array}{c}{C}_{xx}^{-1}{C}_{xy}{C}_{yy}^{-1}{C}_{yx}{w}_x={\mathrm{\ρ}}^2{w}_x\\ C_{yy}^{-1}{C}_{yx}{C}_{xx}^{-1}{C}_{xy}{w}_y={\mathrm{\ρ}}^2{w}_y\end{array}\right.$

式中，X和Y分别为标准化样品集在所述主机仪器和所述从机仪器上的关键波长光谱；C为X和Y的协方差矩阵，ρ为典型变量间的相关系数，w_x和w_y为典型变量间的系数向量。

在其中一个实施例中，在所述步骤五中，所述预测效果评价的评价指标为交互验证均方根误差RMSECV和预测均方根误差RMSEP，其计算公式分别为：

$RMSECV=\sqrt{\frac{{\Σ}_1^n{(z_{i,cv}-y_i)}^2}{n}}$

式中，RMSECV为交互验证均方根误差，n为样品数，z_i,cv是第i个样本交互验证预测值，y_i为第i个样品的量测值；

$RMSEP=\sqrt{\frac{{\Σ}_1^n{(z_i-y_i)}^2}{n}}$

式中，RMSEP为预测均方根误差，n为样品数，z_i是第i个样本预测值，y_i为第i个样品的量测值。

上述纺织品近红外模型转移方法，通过设定主机仪器和从机仪器，其中主机仪器已有纺织品近红外预测模型；对主机仪器的纺织品近红外预测模型进行波长选择(即粒子群优化)，筛选出若干关键波长；选择若干代表性样品组成标准化样品集，分别在主机仪器和从机仪器上扫描得到光谱，并计算关键波长光谱间差异；对两仪器间关键波长光谱数据进行校正；对校正后的关键波长光谱进行预测效果评价，可实现纺织品近红外模型在不同类型仪器间的共享，且共享精度高。

附图说明

图1为一实施例的纺织品近红外模型转移方法的流程示意图。

具体实施方式

为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的较佳实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。

需要说明的是，当元件被称为“固定于”另一个元件，它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件，它可以是直接连接到另一个元件或者可能同时存在居中元件。

除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及/或”包括一个或多个相关的所列项目的任意的和所有的组合。

如图1所示，一实施例的纺织品近红外模型转移方法包括如下步骤：

步骤S110，选择并设定两台近红外光谱仪作为对纺织品进行光谱分析的主机仪器和从机仪器，其中，主机仪器中存储有纺织品近红外预测模型。

步骤S120，在模型集群分析框架下，以粒子群优化算法为手段，以交互验证预测值和量测值的相关系数为优化目标，对主机仪器的纺织品经红外预测模型进行多次粒子群优化，筛选出若干关键波长。

在本实施例中，对主机仪器的纺织品经红外预测模型进行N次粒子群优化波长选择，N一般为5000-10000，最终以选择频率大于50％的波长为关键波长。

在本实施例中，以粒子群优化算法为手段，F＝Q²作为适应度函数，在D维问题中，定义粒子i根据邻近粒子和自身的经验不断调整其位置x和速度v，用适应性函数来评估所有粒子并确定迭代次数：

xⁱ＝(xⁱ¹,xⁱ²,…,x^iD)，

vⁱ＝(vⁱ¹,vⁱ²,…,v^iD)；

粒子i的速度通过跟踪当前最优粒子的位置p_best和所有粒子中的最优位置g_best来更新迭代：

$v_{k+1}^i=w_k{v}_k^i+c_1{r}_1(p_{best}-x_k^i)+c_2{r}_2(g_{best}-x_k^i),$

$x_{k+1}^i=x_k^i+v_{k+1}^i,$

w_k＝w_max-(w_max-w_min)×(k-1)/iter_max，

式中惯性权重w_k控制前期速度对当前速度的影响，正常数c₁和c₂表示加速度系数，随机系数r₁、r₂∈[0,1]，k表示当前迭代次数，iter_max表示最大迭代次数，当满足迭代终止条件后，迭代终止。

在本实施例中，交互验证预测值和量测值的相关系数表示主机仪器近红外预测值与量测值之间的拟合程度，即：

${R_{CV}}^2=\[1-\frac{\underset{i=1}{\overset{n}{\Σ}}{(y_i-z_i)}^2}{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}\]$

式中，Rcv²表示相关系数，n为样品数，y_i为第i个样品的量测值，z_i为第i个样品的近红外预测值，为全部样品量测值的平均值。

步骤S130，选择若干样品组成标准化样品集，分别在主机仪器和从机仪器上扫描得到光谱，计算关键波长对应的光谱之间典型分析变量的差异。

在本实施例中，典型分析变量指对主机仪器和从机仪器的关键波长光谱进行典型相关分析，计算出典型变量和典型变量间差异：

V_主机＝V_从机×F

其中，V_主机和V_从机为主机仪器和从机仪器的关键波长光谱典型变量，F为两者的转换矩阵。

在本实施例中，典型分析变量的计算公式为

$C=\left[\begin{array}{cc}{C}_{xx}& C_{xy}\\ C_{yx}& C_{yy}\end{array}\right]=E\[\left(\begin{array}{c}X\\ Y\end{array}\right){\left(\begin{array}{c}X\\ Y\end{array}\right)}^T\]$

$\left\{\begin{array}{c}{C}_{xx}^{-1}{C}_{xy}{C}_{yy}^{-1}{C}_{yx}{w}_x={\mathrm{\ρ}}^2{w}_x\\ C_{yy}^{-1}{C}_{yx}{C}_{xx}^{-1}{C}_{xy}{w}_y={\mathrm{\ρ}}^2{w}_y\end{array}\right.$

式中，X和Y分别为标准化样品集在主机仪器和从机仪器上的关键波长光谱；C为X和Y的协方差矩阵，ρ为典型变量间的相关系数，w_x和w_y为典型变量间的系数向量。

步骤S140，利用上述步骤中关键波长对应的光谱之间典型分析变量的差异对主机仪器的关键波长光谱数据进行校正。

步骤S150，对校正后的关键波长光谱进行预测效果评价，实现纺织品近红外模型在不同类型仪器间共享。

在本实施例中，预测效果评价的评价指标为交互验证均方根误差RMSECV和预测均方根误差RMSEP，其计算公式分别为：

$RMSECV=\sqrt{\frac{{\Σ}_1^n{(z_{i,cv}-y_i)}^2}{n}}$

式中，RMSECV为交互验证均方根误差，n为样品数，z_i,cv是第i个样本交互验证预测值，y_i为第i个样品的量测值；

$RMSEP=\sqrt{\frac{{\Σ}_1^n{(z_i-y_i)}^2}{n}}$

式中，RMSEP为预测均方根误差，n为样品数，z_i是第i个样本预测值，y_i为第i个样品的量测值。

上述纺织品近红外模型转移方法，通过设定主机仪器和从机仪器，其中主机仪器已有纺织品近红外预测模型；对主机仪器的纺织品近红外预测模型进行波长选择(即粒子群优化)，筛选出若干关键波长；选择若干代表性样品组成标准化样品集，分别在主机仪器和从机仪器上扫描得到光谱，并计算关键波长光谱间差异；对两仪器间关键波长光谱数据进行校正；对校正后的关键波长光谱进行预测效果评价，可实现纺织品近红外模型在不同类型仪器间的共享，且共享精度高。

以下为具体实施例部分：

仪器和样本：

主机为AntarisⅡ傅里叶变换近红外光谱仪(主机A，Thermofisher，美国)，从机为便携式iSpec-近红外光谱仪(从机B，B&WTEK，美国)。

样品为93个毛涤混纺织物，其中75个为校正集，18个为测试集，按照标准FZ/T01057系列进行定性鉴别，按照标准GB/T2910系列进行定量分析。

光谱采集：主机A采用漫反射光谱测量方式进行光谱采集，每次测量样品旋转120度。光谱数据取3次采样的平均值，整个实验过程保持室内温度在20±2℃，湿度在60±5％。近红外光谱扫描范围为10000-4000cm^-1，分辨率为8cm^-1，扫描次数32次。从机B同样采用漫反射光谱测量方式进行光谱采集，每次测量样品旋转120度。光谱数据取3次采样的平均值，整个实验过程保持室内温度在20±2℃，湿度在60±5％。近红外光谱扫描范围为900-1700nm，分辨率为2nm，扫描次数32次。

模型建立：用75个校正集样品采用偏最小二乘法建立涤纶含量的校正模型，PLS因子数由10折交互验证确定，最终确定7个PLS因子用来建立模型。18个测试集样本用来检验模型，所得模型预测集相关系数，RMSEP为3.34。

模型共享：模型集群分析框架下的粒子群优化方法被用来选取关键变量。最终选择出如下表1所示的30个变量为关键变量。

表1选择的变量

接下来，采用典型相关分析对主从机光谱对应选出的变量进行转换，进而采用原模型进行预测，以RMSEP为考核指标来评价转移结果。当标准标样为15个时，转移后的RMSEP为3.98。

为了比较本方法的结果，本实施例采用目前应用较为普遍的分段直接校正(PDS)方法来进行对比。同样以RMSEP为考核指标来评价转移结果，15个标准标样下不同窗口大小的结果如下表2所示。

表2PDS方法模型转移结果

可以看出，窗口为3时，PDS方法的转移结果达到最好。但与本发明的方法比较可知，本发明的方法在标准标样为15个时，转移后的RMSEP为3.98，说明本发明的方法转移结果优于PDS方法。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (7)

1.一种纺织品近红外模型转移方法，其特征在于，包括如下步骤：

步骤一、选择并设定两台近红外光谱仪作为对纺织品进行光谱分析的主机仪器和从机仪器，其中，所述主机仪器中存储有纺织品近红外预测模型；

步骤二、在模型集群分析框架下，以粒子群优化算法为手段，以交互验证预测值和量测值的相关系数为优化目标，对所述主机仪器的纺织品经红外预测模型进行多次粒子群优化波长选择，筛选出若干关键波长；

步骤三、选择若干样品组成标准化样品集，分别在所述主机仪器和所述从机仪器上扫描得到光谱，计算关键波长对应的光谱之间典型分析变量的差异；

步骤四、利用步骤三中关键波长对应的光谱之间典型分析变量的差异对所述主机仪器的关键波长光谱数据进行校正；

步骤五、对校正后的关键波长光谱进行预测效果评价，实现纺织品近红外模型在不同类型仪器间转移共享。

2.如权利要求1所述的纺织品近红外模型转移方法，其特征在于，在所述步骤二中，以模型集群分析为框架，进行N次粒子群优化波长选择，N为5000-10000，最终以选择频率大于50％的波长为所述关键波长。

3.如权利要求2所述的纺织品近红外模型转移方法，其特征在于，在所述步骤二中，以粒子群优化算法为手段，F＝Q²作为适应度函数，在D维问题中，定义粒子i根据邻近粒子和自身的经验不断调整其位置x和速度v，用适应性函数来评估所有粒子并确定迭代次数：

xⁱ＝(xⁱ¹,xⁱ²,…,x^iD)，

vⁱ＝(vⁱ¹,vⁱ²,…,v^iD)；

粒子i的速度通过跟踪当前最优粒子的位置p_best和所有粒子中的最优位置g_best来更新迭代：

$v_{k+1}^i=w_k{v}_k^i+c_1{r}_1(p_{best}-x_k^i)+c_2{r}_2(g_{best}-x_k^i),$

$x_{k+1}^i=x_k^i+v_{k+1}^i,$

w_k＝w_max-(w_max-w_min)×(k-1)/iter_max，

式中惯性权重w_k控制前期速度对当前速度的影响，正常数c₁和c₂表示加速度系数，随机系数r₁、r₂∈[0,1]，k表示当前迭代次数，iter_max表示最大迭代次数，当满足迭代终止条件后，迭代终止。

4.如权利要求3所述的纺织品近红外模型转移方法，其特征在于，在所述步骤二中，交互验证预测值和量测值的相关系数表示所述主机仪器近红外预测值与量测值之间的拟合程度，即：

${R_{CV}}^2=\[1-\frac{\underset{i=1}{\overset{n}{\Σ}}{(y_i-z_i)}^2}{\underset{i=1}{\overset{n}{\Σ}}{(y_i-\stackrel{\‾}{y})}^2}\]$

式中，Rcv²表示所述相关系数，n为样品数，y_i为第i个样品的量测值，z_i为第i个样品的近红外预测值，为全部样品量测值的平均值。

5.如权利要求1所述的纺织品近红外模型转移方法，其特征在于，在所述步骤三中，所述典型分析变量指对主机仪器和从机仪器的关键波长光谱进行典型相关分析，计算出典型变量和典型变量间差异：

V_主机＝V_从机×F

其中，V_主机和V_从机为主机仪器和从机仪器的关键波长光谱典型变量，F为两者的转换矩阵。

6.如权利要求5所述的纺织品近红外模型转移方法，其特征在于，所述步骤三中，所述典型分析变量的计算公式为

$C=\left[\begin{array}{cc}{C}_{xx}& C_{xy}\\ C_{yx}& C_{yy}\end{array}\right]=E\[\left(\begin{array}{c}X\\ Y\end{array}\right){\left(\begin{array}{c}X\\ Y\end{array}\right)}^T\]$

$\left\{\begin{array}{c}{C}_{xx}^{-1}{C}_{xy}{C}_{yy}^{-1}{C}_{yx}{w}_x={\mathrm{\ρ}}^2{w}_x\\ C_{yy}^{-1}{C}_{yx}{C}_{xx}^{-1}{C}_{xy}{w}_y={\mathrm{\ρ}}^2{w}_y\end{array}\right.$

式中，X和Y分别为标准化样品集在所述主机仪器和所述从机仪器上的关键波长光谱；C为X和Y的协方差矩阵，ρ为典型变量间的相关系数，w_x和w_y为典型变量间的系数向量。

7.如权利要求1所述的纺织品近红外模型转移方法，其特征在于，在所述步骤五中，所述预测效果评价的评价指标为交互验证均方根误差RMSECV和预测均方根误差RMSEP，其计算公式分别为：

$RMSECV=\sqrt{\frac{{\Σ}_1^n{(z_{i,cv}-y_i)}^2}{n}}$

式中，RMSECV为交互验证均方根误差，n为样品数，z_i,cv是第i个样本交互验证预测值，y_i为第i个样品的量测值；

$RMSEP=\sqrt{\frac{{\Σ}_1^n{(z_i-y_i)}^2}{n}}$

式中，RMSEP为预测均方根误差，n为样品数，z_i是第i个样本预测值，y_i为第i个样品的量测值。