CN109253981B - 基于红外光谱的定量分析模型建立方法及装置 - Google Patents
基于红外光谱的定量分析模型建立方法及装置 Download PDFInfo
- Publication number
- CN109253981B CN109253981B CN201811342599.1A CN201811342599A CN109253981B CN 109253981 B CN109253981 B CN 109253981B CN 201811342599 A CN201811342599 A CN 201811342599A CN 109253981 B CN109253981 B CN 109253981B
- Authority
- CN
- China
- Prior art keywords
- matrix
- infrared spectrum
- quantitative analysis
- training sample
- projection vector
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 103
- 238000004445 quantitative analysis Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 59
- 239000011159 matrix material Substances 0.000 claims abstract description 141
- 239000013598 vector Substances 0.000 claims abstract description 81
- 238000012549 training Methods 0.000 claims abstract description 72
- 230000004044 response Effects 0.000 claims abstract description 64
- 238000004566 IR spectroscopy Methods 0.000 claims abstract description 25
- 239000000126 substance Substances 0.000 claims abstract description 23
- 230000006870 function Effects 0.000 claims description 41
- 238000004458 analytical method Methods 0.000 claims description 22
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000012360 testing method Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 abstract description 9
- 238000004891 communication Methods 0.000 description 5
- 238000011946 reduction process Methods 0.000 description 5
- 241000209140 Triticum Species 0.000 description 3
- 235000021307 Triticum Nutrition 0.000 description 3
- 235000009508 confectionery Nutrition 0.000 description 3
- 235000013336 milk Nutrition 0.000 description 3
- 239000008267 milk Substances 0.000 description 3
- 210000004080 milk Anatomy 0.000 description 3
- 238000010238 partial least squares regression Methods 0.000 description 3
- 239000000843 powder Substances 0.000 description 3
- 238000002835 absorbance Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 238000012847 principal component analysis method Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 230000003595 spectral effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 239000007789 gas Substances 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 239000007788 liquid Substances 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 235000015097 nutrients Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 238000012628 principal component regression Methods 0.000 description 1
- 235000004252 protein component Nutrition 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种基于红外光谱的定量分析模型建立方法及装置，本发明通过获取多个训练样品的训练红外光谱矩阵及训练响应矩阵；基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型；将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量；根据所述投影向量及所述红外光谱矩阵建立预测函数，将所述预测函数作为定量分析模型，所述定量分析模型在建模过程中投影向量的元素是非负的，相对于现有模型来说其物理意义更加明确，而且提高了物质定量分析的精度，能得到更准确的定量分析结果。
Description
技术领域
本发明涉及物质含量定量分析领域，尤其涉及一种基于红外光谱的定量分析模型建立方法及装置。
背景技术
物质的定量分析是研究物质性质的重要手段。回归是常用的定量模型建模方法。假设光谱矩阵为X∈n×p是一个n行p列的矩阵，响应矩阵为Y∈n×q是一个n行q列的矩阵，普通的最小二乘回归是求回归系数满足：
其中||.||F表示求F范数，易得β＝(XTX)-1XY。但是,通常红外光谱的个数n小于光谱的维数p，所以变量之间存在高度的相关性XTX使得不可逆，因此普通的最小二乘法就失效。为了解决这个问题，偏最小二乘回归是常用的方法，偏最小二乘回归首先求投影向量,使其满足：
maxWTXTYYTXW；
s.t.WTXTXW＝1；
其中max表示求最大值，s.t.表示约束条件。这样利用降维后的数据进行建模就可以避免普通最小二乘回归中的小样本问题。偏最小二乘回归中的降维过程实际上是对数据赋予权重的过程。
根据上述模型求出的投影向量W中的元素可正可负，如果投影向量W是负值，那么在降维的过程中红外光谱数据就被赋予了负的权重，即光谱的吸光度被赋予了一个负值。红外光谱数据本身是非负的，降维过程中被赋予负的权重就没有意义，如果这个变量不重要其重要性最低可以为0，也不因该是负值。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种基于红外光谱的定量分析模型建立方法及装置，旨在解决现有技术中使用偏小二乘法回归模型时红外光谱数据被赋予了负的权重导致分析结果误差大的技术问题。
为实现上述目的，本发明提供一种基于红外光谱的定量分析模型建立方法，所述方法包括以下步骤：
获取多个训练样品的训练红外光谱矩阵及训练响应矩阵；
基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型；
将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量；
根据所述投影向量、所述红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型。
优选地，所述根据所述投影向量、所述红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型之后，所述方法还包括：
获取待测样品的待测红外光谱矩阵；
将所述待测红外光谱矩阵代入所述定量分析模型，获得待测样品的物质含量。
优选地，所述获取多个训练样品的训练红外光谱矩阵及训练响应矩阵，具体包括：
获取训练样品的红外光谱，根据所述训练样品的红外光谱建立红外光谱矩阵；
对训练样品进行化学分析，根据所述训练样品的化学分析结果建立响应矩阵。
优选地，所述非负偏最小二乘回归模型为：
其中，所述Y为响应矩阵，所述X为红外光谱矩阵，所述T为矩阵的转置，所述||·||F为求矩阵的F范数，所述W为投影向量，所述λ为拉格朗日乘数，所述s.t.为限制条件。
优选地，所述将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量，具体包括：
将所述非负偏最小二乘回归模型中的所述红外光谱矩阵及响应矩阵的每个点展开，获得第一公式；
将所述第一公式中所述投影向量的每个元素展开，获得第二公式；
将所述红外光谱矩阵及响应矩阵代入所述第二公式中，求所述第二公式的极值，获得第三公式；
在所述极值为负时，使所述极值为零，获得所述拉格朗日乘数；
将所述拉格朗日乘数、所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型，获得投影向量。
优选地，所述第一公式为：
其中，A＝YTX，W∈Rq×p，Aij为所述A向量的第i行第j列的点，Wj为所述投影向量W的第j个元素，所述n为光谱个数，所述p为光谱长度，所述q为所述训练样品中物质种类数；
相应地，所述第二公式为：
f(Wk)＝αWk 2+βWk+γ；
其中，
相应地，所述第三公式为：
其中，Wk为所述投影向量W的第k个元素。
优选地，所述根据所述投影向量、所述红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型，具体包括：
根据所述投影向量、所述红外光谱矩阵及响应矩阵获得回归系数；
根据所述投影向量及所述回归系数建立预测函数，将所述预测函数作为定量分析模型。
优选地，所述根据所述投影向量、所述红外光谱矩阵及响应矩阵获得回归系数，具体包括：
用X-tipi T更新X，代入所述非负偏最小二乘回归模型迭代N次，获得N个投影向量W1,…,WN，其中，
i为当前迭代次数；
根据所述N个投影向量、所述红外光谱矩阵及响应矩阵通过第四公式获得回归系数；其中，所述第四公式为：
η＝T+Y；
其中，η为回归系数，+为广义逆的符号，T＝XW,W＝[W1,…,WN]。
优选地，根据所述投影向量及所述回归系数通过第五公式建立预测函数，将所述预测函数作为定量分析模型；其中，所述第五公式为：
R＝(XtestW)η；
其中，Xtest为测试样本。
此外，为实现上述目的，本发明还提供一种基于红外光谱的定量分析模型建立装置，所述基于红外光谱的定量分析模型建立装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于红外光谱的定量分析模型建立的程序，所述基于红外光谱的定量分析模型建立的程序配置为实现所述的基于红外光谱的定量分析模型建立的方法的步骤。
本发明通过获取多个训练样品的训练红外光谱矩阵及训练响应矩阵；基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型；将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量；根据所述投影向量及所述红外光谱矩阵建立预测函数，将所述预测函数作为定量分析模型，所述定量分析模型在建模过程中投影向量的元素是非负的，相对于现有模型来说其物理意义更加明确，而且提高了物质定量分析的精度，能得到更准确的定量分析结果。
附图说明
图1是本发明实施例方案涉及的硬件运行环境的基于红外光谱的定量分析模型建立装置结构示意图；
图2为本发明基于红外光谱的定量分析模型建立方法第一实施例的流程示意图；
图3为本发明基于红外光谱的定量分析模型建立方法第二实施例的流程示意图；
图4为本发明第二实施例小麦蛋白质含量分析结果图；
图5为本发明第二实施例甜奶粉含糖量分析结果图。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
参照图1，图1为本发明实施例方案涉及的硬件运行环境的基于红外光谱的定量分析模型建立装置结构示意图。
如图1所示，该基于红外光谱的定量分析模型建立装置可以包括：处理器1001，例如CPU，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(Display)、输入单元比如键盘(Keyboard)，可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如WI-FI接口)。存储器1005可以是高速RAM存储器，也可以是稳定的存储器(non-volatile memory)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的结构并不构成对基于红外光谱的定量分析模型建立装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及基于红外光谱的定量分析模型建立程序。
在图1所示的基于红外光谱的定量分析模型建立装置中，网络接口1004主要用于与外部网络进行数据通信；用户接口1003主要用于接收用户的输入指令；所述基于红外光谱的定量分析模型建立装置通过处理器1001调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，并执行以下操作：
获取多个训练样品的训练红外光谱矩阵及训练响应矩阵；
基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型；
将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量；
根据所述投影向量、所述红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
获取待测样品的待测红外光谱矩阵；
将所述待测红外光谱矩阵代入所述定量分析模型，获得待测样品的物质含量。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
获取训练样品的红外光谱，根据所述训练样品的红外光谱建立红外光谱矩阵；
对训练样品进行化学分析，根据所述训练样品的化学分析结果建立响应矩阵。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
所述非负偏最小二乘回归模型为：
其中，所述Y为响应矩阵，所述X为红外光谱矩阵，所述T为矩阵的转置，所述||·||F为求矩阵的F范数，所述W为投影向量，所述λ为拉格朗日乘数，所述s.t.为限制条件。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
将所述非负偏最小二乘回归模型中的所述红外光谱矩阵及响应矩阵的每个点展开，获得第一公式；
将所述第一公式中所述投影向量的每个元素展开，获得第二公式；
将所述红外光谱矩阵及响应矩阵代入所述第二公式中，求所述第二公式的极值，获得第三公式；
在所述极值为负时，使所述极值为零，获得所述拉格朗日乘数；
将所述拉格朗日乘数、所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型，获得投影向量。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
所述第一公式为：
其中，A＝YTX，W∈Rq×p，Aij为所述A向量的第i行第j列的点，Wj为所述投影向量W的第j个元素，所述n为光谱个数，所述p为光谱长度，所述q为所述训练样品中物质种类数；
所述第二公式为：
f(Wk)＝αWk 2+βWk+γ；
其中，
所述第三公式为：
其中，Wk为所述投影向量W的第k个元素。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
根据所述投影向量、所述红外光谱矩阵及响应矩阵获得回归系数；
根据所述投影向量及所述回归系数建立预测函数，将所述预测函数作为定量分析模型。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
用X-tipi T更新X，代入所述非负偏最小二乘回归模型迭代N次，获得N个投影向量W1,…,WN，其中，
i为当前迭代次数；
根据所述N个投影向量、所述红外光谱矩阵及响应矩阵通过第四公式获得回归系数；其中，所述第四公式为：
η＝T+Y；
其中，η为回归系数，+为广义逆的符号，T＝XW,W＝[W1,…,WN]。
进一步地，处理器1001可以调用存储器1005中存储的基于红外光谱的定量分析模型建立程序，还执行以下操作：
根据所述投影向量及所述回归系数通过第五公式建立预测函数，将所述预测函数作为定量分析模型；其中，所述第五公式为：
R＝(XtestW)η；
其中，Xtest为测试样本。
本实施例通过上述方案，通过获取多个训练样品的训练红外光谱矩阵及训练响应矩阵；基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型；将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量；根据所述投影向量及所述红外光谱矩阵建立预测函数，将所述预测函数作为定量分析模型，所述定量分析模型在建模过程中投影向量的元素是非负的，相对于现有模型来说其物理意义更加明确，而且提高了物质定量分析的精度，能得到更准确的定量分析结果。
基于上述硬件结构，提出本发明基于红外光谱的定量分析模型建立方法实施例。
参照图2，图2为本发明基于红外光谱的定量分析模型建立方法第一实施例的流程示意图。
在第一实施例中，所述基于红外光谱的定量分析模型建立方法包括以下步骤：
S10：获取多个训练样品的训练红外光谱矩阵及训练响应矩阵。
可以理解的是，所述训练样品可以是固体、气体或液体，本实施例对此不加以限制。
具体地，获取训练样品的红外光谱，根据所述训练样品的红外光谱建立红外光谱矩阵；对训练样品进行化学分析，根据所述训练样品的化学分析结果建立响应矩阵。
所述红外光谱矩阵为X；其中，X∈n×p是一个n行p列的矩阵，所述n为光谱个数，所述p为光谱长度；
所述响应矩阵为Y；其中，Y∈n×q是一个n行q列的矩阵，所述n为光谱个数，所述q为所述训练样品中物质种类数，所述响应矩阵Y表示每个训练样品中q种物质的浓度。
应理解的是，所述红外光谱可以通过红外光谱仪或光谱分析仪获得，所述化学分析可以根据特定的分析仪获得，比如蛋白成分分析仪等。
S20：基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型。
可以理解的是，偏最小二乘回归是一种统计学方法，与主成分回归有关系，但不是寻找响应和独立变量之间最小方差的超平面，而是通过投影预测变量和观测变量到一个新空间来寻找一个线性回归模型。偏最小二乘法集主成分分析、典型相关分析和多元线性回归分析3种分析方法的优点于一身，它与主成分分析法都试图提取出反映数据变异的最大信息，但主成分分析法只考虑一个自变量矩阵，而偏最小二乘法还有一个“响应”矩阵，因此具有预测功能。
需要说明的是，为建立非负偏最小二乘回归模型，所述预设限制条件为投影向量W≥0。
本实施例中，建立非负偏最小二乘回归模型的步骤如下：
为求解投影向量，建立模型：
maxWTXTYYTXW；
s.t.WTXTXW＝1，W≥0；
其中所述Y为响应矩阵，所述X为红外光谱矩阵，所述T为矩阵的转置，所述W为投影向量，max为求最大值，s.t.为限制条件。
将上述模型进行拉格朗日乘子法变化，得到非负偏最小二乘回归模型：
其中，所述||·||F为求矩阵的F范数，所述λ为拉格朗日乘数。
S30：将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量。
具体地，将所述非负偏最小二乘回归模型中的所述红外光谱矩阵及响应矩阵的每个点展开，获得第一公式：
其中，A＝YTX，W∈Rq×p，Aij为所述A向量的第i行第j列的点，Wj为所述投影向量W的第j个元素；
将所述第一公式中所述投影向量的每个元素展开，获得第二公式：
f(Wk)＝αWk 2+βWk+γ；
其中，
将所述红外光谱矩阵及响应矩阵代入所述第二公式中，求所述第二公式的极值，获得第三公式：
其中，Wk为所述投影向量W的第k个元素。
在所述极值Wk为负时，使所述极值为零，获得所述拉格朗日乘数λ；
将所述拉格朗日乘数、所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型，获得投影向量。
需要说明的是，在建立非负偏最小二乘回归模型时，如果投影向量W是负值，那么在降维的过程中红外光谱数据就被赋予了负的权重，即光谱的吸光度被赋予了一个负值。红外光谱数据本身是非负的，降维过程中被赋予负的权重就没有意义，会加大最终的分析结果误差。
S40：根据所述投影向量、所述红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型。
需要说明的是，为了提高所述定量分析模型的精度，减小分析误差，可以通过非负偏最小二乘回归模型获得多个投影向量。
可以理解的是，在所述定量分析模型建立完成之后，只需要获取待测样品的待测红外光谱矩阵；将所述待测红外光谱矩阵代入所述定量分析模型，就可以获得待测样品的物质含量。
本实施例通过获取多个训练样品的训练红外光谱矩阵及训练响应矩阵；基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型；将所述红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得投影向量；根据所述投影向量及所述红外光谱矩阵建立预测函数，将所述预测函数作为定量分析模型，所述定量分析模型在建模过程中投影向量的元素是非负的，相对于现有模型来说其物理意义更加明确，而且提高了物质定量分析的精度，能得到更准确的定量分析结果。
进一步地，如图3所示，基于第一实施例提出本发明基于红外光谱的定量分析模型建立方法第二实施例，在本实施例中，所述步骤S40具体包括以下步骤：
S41：根据所述投影向量、所述红外光谱矩阵及响应矩阵获得回归系数。
具体地，用X-tipi T更新X，代入所述非负偏最小二乘回归模型迭代N次，获得N个投影向量W1,…,WN，其中，
i为当前迭代次数；
根据所述N个投影向量、所述红外光谱矩阵及响应矩阵通过第四公式获得回归系数；其中，所述第四公式为：
η＝T+Y；
其中，η为回归系数，+为广义逆的符号，T＝XW,W＝[W1,…,WN]。
S42：根据所述投影向量及所述回归系数建立预测函数，将所述预测函数作为定量分析模型。
具体地，根据所述投影向量及所述回归系数通过第五公式建立预测函数，将所述预测函数作为定量分析模型；其中，所述第五公式为：
R＝(XtestW)η；
其中，Xtest为测试样本。
本实施例通过用X-tipi T更新X，代入所述非负偏最小二乘回归模型进行多次迭代，可以获得多个投影向量，减少了物质定量分析结果的误差，使所述定量分析模型具有较高精度，通过建立预设函数，只需要将待测样品的光谱代入预测函数中即可获得准确地物质含量结果。
如图4所示，图4为利用本发明基于红外光谱的定量分析模型建立方法第二实施例的小麦蛋白质含量分析结果。利用上述定量分析模型对小麦光谱进行分析，该光谱数据集由共有523个数据组成，分析指标为蛋白质含量。随机选择50％的样本作为训练样本，剩下的样本做为测试样本。其中的纵坐标表示误差，横坐标表示W的个数。□表示偏最小二乘分析误差，○表示本发明方法分析误差。
如图5所示，图5为利用本发明基于红外光谱的定量分析模型建立方法第二实施例的甜奶粉含糖量分析结果。利用上述定量分析模型对甜奶粉近红外光谱分析,该数据集由200个样本组成，随机选择50％的样本作为训练样本，剩下的样本做为测试养样本。其中的纵坐标表示误差，横坐标表示W的个数。□表示偏最小二乘分析误差，○表示本发明方法分析误差。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，空调器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (7)
1.一种基于红外光谱的定量分析模型建立方法，其特征在于，所述方法包括以下步骤：
获取多个训练样品的红外光谱矩阵及响应矩阵；
基于预设限制条件及拉格朗日乘子法建立非负偏最小二乘回归模型；
将所述训练样品的红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得所述训练样品的投影向量；
根据所述训练样品的投影向量、所述训练样品的红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型；
其中，所述非负偏最小二乘回归模型为：
其中，所述Y为响应矩阵，所述X为红外光谱矩阵，所述T为矩阵的转置，所述||||F为求矩阵的F范数，所述W为投影向量，所述λ为拉格朗日乘数，所述s.t.为限制条件；
所述根据所述训练样品的投影向量、所述训练样品的红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型之后，所述方法还包括：
获取待测样品的待测红外光谱矩阵；
将所述待测红外光谱矩阵代入所述定量分析模型，获得待测样品的物质含量。
2.如权利要求1所述的基于红外光谱的定量分析模型建立方法，其特征在于，所述获取多个训练样品的红外光谱矩阵及响应矩阵，具体包括：
获取训练样品的红外光谱，根据所述训练样品的红外光谱建立所述训练样品的红外光谱矩阵；
对训练样品进行化学分析，根据所述训练样品的化学分析结果建立所述训练样品的响应矩阵。
3.如权利要求2所述的基于红外光谱的定量分析模型建立方法，其特征在于，所述将所述训练样品的红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型中，获得所述训练样品的投影向量，具体包括：
将所述非负偏最小二乘回归模型中的红外光谱矩阵及响应矩阵的每个点展开，获得第一公式；
将所述第一公式中的投影向量的每个元素展开，获得第二公式；
将所述训练样品的红外光谱矩阵及响应矩阵代入所述第二公式中，求所述第二公式的极值，获得第三公式；
在所述极值为负时，使所述极值为零，获得所述拉格朗日乘数；
将所述拉格朗日乘数、所述训练样品的红外光谱矩阵及响应矩阵代入所述非负偏最小二乘回归模型，获得训练样品的投影向量；其中，所述第一公式为：
其中，A＝YTX，W∈Rq×p，Aij为所述A向量的第i行第j列的点，Wj为所述投影向量W的第j个元素，所述n为光谱个数，所述p为光谱长度，所述q为所述训练样品中物质种类数；
相应地，所述第二公式为：
f(Wk)＝αWk 2+βWk+γ；
其中，
相应地，所述第三公式为：
其中，Wk为所述投影向量W的第k个元素。
4.如权利要求3所述的基于红外光谱的定量分析模型建立方法，其特征在于，所述根据所述训练样品的投影向量、所述训练样品的红外光谱矩阵及响应矩阵建立预测函数，将所述预测函数作为定量分析模型，具体包括：
根据所述训练样品的投影向量、所述训练样品的红外光谱矩阵及响应矩阵获得回归系数；
根据所述训练样品的投影向量及所述回归系数建立预测函数，将所述预测函数作为定量分析模型。
5.如权利要求4所述的基于红外光谱的定量分析模型建立方法，其特征在于，所述根据所述训练样品的投影向量、所述训练样品的红外光谱矩阵及响应矩阵获得回归系数，具体包括：
用X-tipi T更新X，代入所述非负偏最小二乘回归模型迭代N次，获得N个投影向量W1,…,WN，其中，ti＝XW,
i为当前迭代次数；
根据所述N个投影向量、所述训练样品的红外光谱矩阵及响应矩阵通过第四公式获得回归系数；其中，所述第四公式为：
η＝T+Y；
其中，η为回归系数，+为广义逆的符号，T＝XW,W＝[W1,…,WN]。
6.如权利要求5所述的基于红外光谱的定量分析模型建立方法，其特征在于，根据所述训练样品的投影向量及所述回归系数通过第五公式建立预测函数，将所述预测函数作为定量分析模型；其中，所述第五公式为：
R＝(XtestW)η；
其中，Xtest为测试样本。
7.一种基于红外光谱的定量分析模型建立装置，其特征在于，所述基于红外光谱的定量分析模型建立装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的基于红外光谱的定量分析模型建立的程序，所述基于红外光谱的定量分析模型建立的程序配置为实现如权利要求1至6中任一项所述的基于红外光谱的定量分析模型建立的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811342599.1A CN109253981B (zh) | 2018-11-12 | 2018-11-12 | 基于红外光谱的定量分析模型建立方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811342599.1A CN109253981B (zh) | 2018-11-12 | 2018-11-12 | 基于红外光谱的定量分析模型建立方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109253981A CN109253981A (zh) | 2019-01-22 |
| CN109253981B true CN109253981B (zh) | 2021-04-27 |
Family
ID=65043141
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811342599.1A Active CN109253981B (zh) | 2018-11-12 | 2018-11-12 | 基于红外光谱的定量分析模型建立方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109253981B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111143270B (zh) * | 2019-12-23 | 2023-05-05 | 武汉轻工大学 | 距离投影的计算方法、装置、计算设备及存储介质 |
| CN116908134B (zh) * | 2023-09-12 | 2023-11-24 | 津海威视技术(天津)有限公司 | 增塑剂含量的半定量分析方法及分析模型的训练方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102042968A (zh) * | 2010-11-24 | 2011-05-04 | 南京财经大学 | 粮食品质近红外快速检测无线系统 |
| CN102539378A (zh) * | 2012-01-16 | 2012-07-04 | 江苏大学 | 阵列式半导体激光器近红外光谱分析仪 |
| CN103134767A (zh) * | 2013-01-30 | 2013-06-05 | 华中科技大学 | 一种红外光谱校正鉴定白酒品质的方法 |
| CN105181619A (zh) * | 2015-08-31 | 2015-12-23 | 深圳华中科技大学研究院 | 一种具有变量选择功能的红外光谱定量分析方法 |
| CN105973828A (zh) * | 2016-04-27 | 2016-09-28 | 湖北大学 | 一种红外光谱定量分析方法及系统 |
| CN107367467A (zh) * | 2017-09-22 | 2017-11-21 | 武汉轻工大学 | 一种物质含量定量分析方法 |
| CN107664623A (zh) * | 2017-09-22 | 2018-02-06 | 武汉轻工大学 | 一种物质光谱特征提取的方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140012504A1 (en) * | 2012-06-14 | 2014-01-09 | Ramot At Tel-Aviv University Ltd. | Quantitative assessment of soil contaminants, particularly hydrocarbons, using reflectance spectroscopy |
-
2018
- 2018-11-12 CN CN201811342599.1A patent/CN109253981B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102042968A (zh) * | 2010-11-24 | 2011-05-04 | 南京财经大学 | 粮食品质近红外快速检测无线系统 |
| CN102539378A (zh) * | 2012-01-16 | 2012-07-04 | 江苏大学 | 阵列式半导体激光器近红外光谱分析仪 |
| CN103134767A (zh) * | 2013-01-30 | 2013-06-05 | 华中科技大学 | 一种红外光谱校正鉴定白酒品质的方法 |
| CN105181619A (zh) * | 2015-08-31 | 2015-12-23 | 深圳华中科技大学研究院 | 一种具有变量选择功能的红外光谱定量分析方法 |
| CN105973828A (zh) * | 2016-04-27 | 2016-09-28 | 湖北大学 | 一种红外光谱定量分析方法及系统 |
| CN107367467A (zh) * | 2017-09-22 | 2017-11-21 | 武汉轻工大学 | 一种物质含量定量分析方法 |
| CN107664623A (zh) * | 2017-09-22 | 2018-02-06 | 武汉轻工大学 | 一种物质光谱特征提取的方法 |
Non-Patent Citations (2)
| Title |
|---|
| "红外光谱定量分析关键算法研究与应用";牟怿;《中国博士学位论文全文数据库 基础科学辑》;20170815;摘要、第109-129页 * |
| 牟怿."红外光谱定量分析关键算法研究与应用".《中国博士学位论文全文数据库 基础科学辑》.2017, * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109253981A (zh) | 2019-01-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Tauler et al. | A protocol for LC-MS metabolomic data processing using chemometric tools | |
| US7561975B2 (en) | System, method, and computer program product for analyzing spectrometry data to identify and quantify individual components in a sample | |
| US9812306B2 (en) | Shift correction for spectral analysis | |
| WO2019195971A1 (zh) | 光谱分析方法、装置、电子设备及计算机可读存储介质 | |
| CN109253981B (zh) | 基于红外光谱的定量分析模型建立方法及装置 | |
| Lin et al. | Ordered homogeneity pursuit lasso for group variable selection with applications to spectroscopic data | |
| Rightmire | On the computation of Mahalanobis' generalized distance (D2) | |
| Chang et al. | iMet-Q: a user-friendly tool for label-free metabolomics quantitation using dynamic peak-width determination | |
| CN113567605B (zh) | 质量色谱图的自动化解释模型构建方法、装置和电子设备 | |
| Metz et al. | RoBoost-PLS2-R: an extension of RoBoost-PLSR method for multi-response | |
| Li et al. | ICECAP: an integrated, general-purpose, automation-assisted IC50/EC50 assay platform | |
| CN107367467B (zh) | 一种物质含量定量分析方法 | |
| CN106770155A (zh) | 一种物质含量分析方法 | |
| CN111289459A (zh) | 混合物质组分浓度检测方法、装置、设备及存储介质 | |
| Omidikia et al. | Bilinear model factor decomposition: A general mixture analysis tool | |
| Culzoni et al. | Determination of loratadine and pseudoephedrine sulfate in pharmaceuticals based on non-linear second-order spectrophotometric data generated by a pH-gradient flow injection technique and artificial neural networks | |
| CN115479905B (zh) | 光谱分析方法、装置、终端设备及介质 | |
| CN109508440B (zh) | 光谱分析模型的构建方法、装置、设备及存储介质 | |
| CN113989578B (zh) | 拉曼光谱的峰位分析方法、系统、终端设备及介质 | |
| Mathew et al. | Integrated nested Laplace approximation inference and cross-validation to tune variance components in estimation of breeding value | |
| US7904410B1 (en) | Constrained dynamic time warping | |
| CN109492707B (zh) | 光谱分析模型的构建方法、装置、设备及存储介质 | |
| CN114420219A (zh) | 相对保留时间预测模型的构建方法、预测方法及装置 | |
| CN111145831A (zh) | 构建遗传亚型预测模型的方法、装置和计算机设备 | |
| Forughi et al. | Portmanteau tests for generalized integer-valued autoregressive time series models: Portmanteau tests for GINAR models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20240417 Address after: 430000, 101, Building 2, Hanyang Technology Headquarters Port, Liandong U Valley, No. 8 Jinhua Road, Hanyang District, Wuhan City, Hubei Province Patentee after: WUHAN YT AUTOMATION EQUIPMENT CO.,LTD. Country or region after: China Address before: 430023 No. 68, Xuefu Road, Changqing Garden, Dongxihu District, Wuhan, Hubei Patentee before: WUHAN POLYTECHNIC University Country or region before: China |