CN110909470B - 一种红外光谱化学计量学分析系统及方法 - Google Patents
一种红外光谱化学计量学分析系统及方法 Download PDFInfo
- Publication number
- CN110909470B CN110909470B CN201911166035.1A CN201911166035A CN110909470B CN 110909470 B CN110909470 B CN 110909470B CN 201911166035 A CN201911166035 A CN 201911166035A CN 110909470 B CN110909470 B CN 110909470B
- Authority
- CN
- China
- Prior art keywords
- spectrum
- sample
- model
- qualitative
- sample set
- 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
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000004458 analytical method Methods 0.000 title claims abstract description 49
- 238000002329 infrared spectrum Methods 0.000 title claims description 18
- 238000001228 spectrum Methods 0.000 claims abstract description 259
- 238000012937 correction Methods 0.000 claims abstract description 73
- 238000012546 transfer Methods 0.000 claims abstract description 66
- 238000004566 IR spectroscopy Methods 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 8
- 238000012795 verification Methods 0.000 claims description 36
- 238000011156 evaluation Methods 0.000 claims description 33
- 230000003595 spectral effect Effects 0.000 claims description 20
- 230000000694 effects Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 230000001174 ascending effect Effects 0.000 claims description 3
- 238000012417 linear regression Methods 0.000 claims description 3
- 238000012706 support-vector machine Methods 0.000 claims description 3
- 238000010239 partial least squares discriminant analysis Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
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
本发明提供一种红外光谱化学计量学分析系统，包含：模型建立模块，用于根据系统内预存的样本集文件建立样本集，并为样本集中的样本生成与其样本性质对应的定量模型、定性模型，并绑定样本和与该样本对应的若干个定量模型，绑定样本集和与样本集对应的若干个定性模型、定量模型；模型传递模块，用于生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F，并评价F的准确度；分析预测模块，通过所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪，并通过所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。本发明还包含一种红外光谱化学计量学分析方法。
Description
技术领域
本发明涉及红外光谱分析技术领域，具体涉及一种红外光谱化学计量学分析系统及方法。
背景技术
目前国内外近红外分析仪器产品配备的化学计量学软件的主要功能包括建立校正集和验证集、预处理光谱信息、多元校正定性和定量建模，以及预测等功能。这些软件主要存在以下不足：(1)一般情况，实际收集样本的性质数据在变化范围内呈不均匀分布，而大多数软件缺乏校正集和验证集样本优化选择功能，非专业操作人员难以得到优化样本集，进而影响建模质量；(2)缺乏对定量模型适用范围的准确界定，造成分析结果准确性存在着很大风险；(3)软件设计普遍缺乏智能化，一般用户使用较为困难，不利推广使用。(4)缺乏模型传递功能。以上不足不利于近红外分析技术的推广。
发明内容
本发明的目的是提供一种红外光谱化学计量学分析系统及方法。通过本发明的红外光谱化学计量学分析系统为样本集中的样本生成与其样本性质对应的定量模型、定性模型，生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F。依据所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪，并通过所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。
为了达到上述目的，本发明提供一种红外光谱化学计量学分析系统，包含：
模型建立模块，用于根据系统内预存的样本集文件建立样本集，并为样本集中的样本生成与其样本性质对应的定量模型、定性模型，并绑定样本和与该样本对应的若干个定量模型，绑定样本集和与样本集对应的若干个定性模型、定量模型；
模型传递模块，用于生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F，并评价F的准确度；
分析预测模块，包含光谱采集模块和未知样本预测模块；通过所述光谱采集模块根据所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪；通过所述未知样本预测模块，根据所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。
所述模型建立模块包含：
样本集编辑模块，用于打开系统内预存的样本集文件，所述样本集文件包含若干个已知成分样本的性质数据、光谱数据；编辑所述性质数据、光谱数据建立样本集；
定量模型建立模块，用于为样本集建立定量模型，通过所述定量模型预测样本性质的性质值；通过所述定量模型建立模块选择定量模型建模方法，设置用于建立定量模型的光谱预处理参数，选择待建立定量模型的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；定量模型建立模块还用于预设待定量建模的光谱区间，根据选择的定量模型建模方法对选择的样本性质在设置的光谱区间内对样本集进行定量建模，生成定量模型；定量模型建立模块的视图分析界面可视化的显示与定量模型建模方法对应的定量模型建模结果及定量模型评价参数；根据所述定量模型建模结果删除样本集中的异常样本，根据所述定量模型评价参数判断所述定量模型是否符合设定的标准；
定性模型建立模块，用于为样本集建立定性模型，通过所述定性模型预测样本性质；通过所述定性模型建立模块选择定性模型建模方法，设置用于建立定性模型的光谱预处理参数，选择待建立定性模型的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；定性模型建立模块还用于预设待定性建模的光谱区间，根据选择的定性模型建模方法对选择的样本性质在设置的光谱区间内对样本集进行定性建模生成定性模型；定性模型建立模块的视图分析界面可视化的显示与定性模型建模方法对应的定性模型建模结果及定性模型评价参数；根据所述定性模型建模结果删除样本集中的异常样本，根据所述定性模型评价参数判断所述定性模型是否符合设定的标准；
模型捆绑模块，用于绑定样本集中的样本和与该样本对应的若干个定量模型；所述模型捆绑模块用于绑定样本集和与样本集对应的若干个定性模型、定量模型。
所述模型传递模块包含：
传递标样集建立模块，从所述样本集中选取若干个样本的光谱数据、性质数据，建立传递标样集、传递验证集；所述传递标样集、传递验证集中的样本的光谱数据均覆盖样本集的整个近红外光谱空间；
光谱校正因子计算模块，用于输入所述传递标样集在母光谱仪采集的光谱数据Sm和在子光谱仪采集的光谱数据Ss，通过预设的模型传递算法，计算从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F；
Sm＝Ss*F
F为m×m维矩阵，m为光谱波长点数；F的最小二乘解为F＝(Ss TSs)-1Ss TSm；
光谱校正效果评价模块，其根据光谱校正因子F校正转换验证集中样本在子光谱仪上采集的光谱数据Ss′为Sm′，根据Ss′、Sm′和传递验证集中样本在母光谱仪上采集的光谱数据Sm″，通过预设的算法计算光谱平均差异值和光谱校正率；光谱校正效果评价模块还通过预设的校正模型根据Ss′、Sm′和Sm″计算标准偏差值，根据所述光谱校正率、光谱平均差异值与标准偏差值的差值来评价子光谱仪光谱向母光谱仪光谱校正的效果。
一种红外光谱化学计量学分析方法，采用本发明所述的红外光谱化学计量学分析系统实现的，包含步骤：
S1、根据系统内预存的样本集文件建立样本集，并为样本集中的样本生成与其样本性质对应的定量模型、定性模型，并绑定样本和与该样本对应的若干个定量模型，绑定绑定样本集和与样本集对应的若干个定性模型、定量模型；
S2、生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F，并评价F的准确度；
S3、通过所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪，并通过所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。
步骤S1包含：
S11、选择系统内预存的样本集文件；编辑样本集文件内包含的已知成分样本的性质数据、光谱数据建立样本集；
S12、选择定量模型建模方法，设置定量模型建模的光谱预处理参数，选择样本集中待进行定量建模的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；
预设待进行定量建模的光谱区间，根据选择的定量模型建模方法、样本性质和预设的光谱区间，对样本集进行定量建模，生成定量模型；
可视化的显示与定量模型建模方法对应的定量模型建模结果及定量模型评价参数；根据所述定量模型建模结果删除样本集中的异常样本，根据所述定量模型评价参数判断所述定量模型是否符合设定的标准；
S13选择定性模型建模方法，设置定性模型建模的光谱预处理参数，选择待进行定性建模的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；
预设待进行定性建模的光谱区间，根据选择的定性模型建模方法、样本性质和预设的光谱区间，对样本集进行定性建模生成定性模型；
可视化的显示与选择的定性建模方法对应的定性模型建模结果及定性模型评价参数；根据所述定性模型建模结果删除样本集中的异常样本，根据所述定性模型评价参数判断所述定性模型是否符合设定的标准；
S14、绑定样本集中的样本与该样本对应的若干个定量模型；所述模型捆绑模块用于绑定样本集和与样本集对应的若干个定性模型、定量模型。
骤S2包含：
S21、从样本集中选取若干个样本的光谱数据、性质数据，建立传递标样集、传递验证集；所述传递标样集、传递验证集中的样本的光谱数据均覆盖样本集的整个近红外光谱空间；
S22、通过预设的模型传递算法，计算从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F；
Sm＝Ss*F
Sm为传递标样集在母光谱仪采集的光谱数据，Ss为传递标样集在子光谱仪采集的光谱数据，F为m×m维矩阵，m为光谱波长点数；F的最小二乘解为F＝(Ss TSs)-1Ss TSm；
S23、根据光谱校正因子F校正传递验证集中样本在子光谱仪上采集的光谱数据Ss′为Sm′，根据Ss′、Sm′和传递验证集中样本在母光谱仪上采集的光谱数据Sm″，通过预设的算法计算光谱平均差异值和光谱校正率；
S24、通过预设的校正模型根据Ss′、Sm′和Sm″计算标准偏差值，根据所述光谱校正率、光谱平均差异值与标准偏差值的差值来评价子光谱仪光谱向母光谱仪光谱校正的效果。
步骤S12中所述定量模型建模方法为多元线性回归法，偏最小二乘法、人工神经网络法、正交投影非建模算法中的任一种。
步骤S13中所述定性模型建模方法为簇类独立软模式方法、主成分马氏距离法、支持向量机方法、偏最小二乘判别分析方法中的任一种。
步骤S21中通过Rank-KS方法建立传递验证集，具体包含步骤：
S211、通过浓度梯度法，将样本集的性质矩阵升序或降序排序；
S212、将传递验证集性质矩阵的整个性质区间等分为m个子性质区间；
S213、在所述子性质区间内利用KS方法，挑选出对该子性质区间覆盖范围最广的一个样本，将该样本的性质数据、光谱数据放入传递验证集。
与现有技术相比，本发明的优点在于：
通过本发明的红外光谱化学计量学分析系统建立样本集，并能够根据所述样本集建立对应的定量模型、定性模型；本发明还能够将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪，并通过所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。本发明的红外光谱化学计量学分析系统自动化程度高，易于操作，能够快速生成预测结果，具有很好的使用价值。本发明的红外光谱化学计量学分析方法对样本的性质定性准确，对样本的性质值定量准确。
附图说明
为了更清楚地说明本发明技术方案，下面将对描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一个实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图：
图1为本发明红外光谱化学计量学分析系统结构示意图；
图2为本发明红外光谱化学计量学分析方法流程图；
图3为本发明的实施例中，生成样本集示意图；
图4为本发明的实施例中，生成定量模型示意图；
图5为本发明的实施例中，对子光谱仪采集的未知光谱样本进行预测示意图；
图中：1、模型建立模块；11、样本集编辑模块；12、定量模型建立模块；13、定性模型建立模块；14、模型捆绑模块；
2、模型传递模块；21、传递标样集建立模块；22、光谱校正因子计算模块；23、光谱校正效果评价模块；
3、分析预测模块；31、光谱采集模块；32、未知样本预测模块；。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明提供一种红外光谱化学计量学分析系统，如图1所示，包含：模型建立模块1、所述模型传递模块2、分析预测模块3、模型捆绑模块14。
所述模型建立模块1用于根据系统内预存的样本集文件建立样本集，并为样本集中的样本生成与其样本性质对应的定量模型、定性模型，并绑定样本和与该样本对应的若干个定量模型，绑定样本集和与样本集对应的若干个定性模型、定量模型。
模型建立模块1具体包含：样本集编辑模块11、定量模型建立模块12、定性模型建立模块13、模型捆绑模块14。
所述样本集编辑模块11用于打开系统内预存的样本集文件，所述样本集文件包含若干个已知成分样本的性质数据、光谱数据；编辑所述性质数据、光谱数据建立样本集。
在本发明的一个实施例中，打开后的样本集将以表格的形式显示包含的性质数据、光谱数据，并可对其性质数据按数据值的大小排序，按光谱文件名或创建时间排序。
所述定量模型建立模块12用于为样本集建立定量模型，通过所述定量模型预测样本性质的性质值。通过所述定量模型建立模块12选择定量模型建模方法，设置用于建立定量模型的光谱预处理参数，选择待建立定量模型的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱。定量模型建立模块12还用于预设待定量建模的光谱区间，根据选择的定量模型建模方法对选择的样本性质在设置的光谱区间内对样本集进行定量建模，生成定量模型；定量模型建立模块12的视图分析界面可视化的显示与定量模型建模方法对应的定量模型建模结果及定量模型评价参数。
在本发明的实施例中，视图分析界面通过Press图，性质和光谱残差分布图、马氏距离分布图、载荷(loading)图和得分(Score)图，实际值/预测值对比图等显示所述定量模型建模结果。通过设置阈值从定量模型建模结果中识别样本集中的异常样本，删除该异常样本。删除异常样本后，可重新进行定量模型建模，优化定量模型。
在本发明的实施例中，所述定量模型评价参数包含校正标准误差SEC、验证标准误差SEV、决定系数R2。根据所述定量模型评价参数判断所述定量模型是否符合设定的标准；在本发明的另一个实施例中，采用了偏最小二乘法(PLS)作为定性模型建模方法，同时利用PRESS图来选择对样本集建模的最佳主成分数进行模型优化。
所述定性模型建立模块13用于为样本集建立定性模型，通过所述定性模型预测样本性质；通过所述定性模型建立模块13选择定性模型建模方法，设置用于建立定性模型的光谱预处理参数，选择待建立定性模型的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；定性模型建立模块13还用于预设待定性建模的光谱区间，根据选择的定性模型建模方法对选择的样本性质在设置的光谱区间内对样本集进行定性建模生成定性模型；定性模型建立模块13的视图分析界面可视化的显示与定性模型建模方法对应的定性模型建模结果及定性模型评价参数；根据所述定性模型建模结果删除样本集中的异常样本，根据所述定性模型评价参数判断所述定性模型是否符合设定的标准。在本发明的一个实施例中，定性模型建立模块13的视图分析界面能够根据选择定性模型建模方法而显示不同的视图。当定性模型建模方法为主成分马氏距离法，则显示特征向量图和三维score图。偏最小二乘判别分析方法(PLS)则显示实际值/预测值对比图。
所述模型捆绑模块14用于绑定样本集中的样本和与该样本对应的若干个定量模型；所述模型捆绑模块14用于绑定样本集和与样本集对应的若干个定性模型、定量模型。当一个样本具有多个性质时，通过将与此样本有关的定性模型捆绑在一起，和与定性模型相关的若干个定量模型捆绑在一起，实现同时预测样本的所有性质、性质值的同时预测。
在本发明的一个实施例中，只进行定量模型的捆绑。从所述系统的主界面窗口菜单，选择“模型捆绑”，则进入“模型库”界面。选择“样本集名称”。则显示该样本集所有的定量模型，选择需要捆绑的定量模型，即将样本与定量模型进行捆绑。
在本发明的另一个实施例中，对样本进行定性模型和定量模型的捆绑。从所述系统的主界面窗口菜单，选择“模型捆绑”，则进入“模型库”界面。则选择一个定性模型建模方法则显示与其对应的若干个定性模型。选择一个样本集名称，则显示与其相关的若干个定量模型。选择所需要的定性模型和定量模型，即可进行捆绑操作。
所述模型传递模块2用于生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F，并评价F的准确度。
模型传递模块2包含：传递标样集建立模块21、光谱校正因子计算模块21、光谱校正效果评价模块21。
所述传递标样集建立模块21从所述样本集中选取若干个样本的光谱数据、性质数据，建立传递标样集、传递验证集；所述传递标样集、传递验证集中的样本的光谱数据均覆盖样本集的整个近红外光谱空间；
所述光谱校正因子计算模块21用于输入所述传递标样集在母光谱仪采集的光谱数据Sm和在子光谱仪采集的光谱数据Ss，通过预设的模型传递算法，计算从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F；
Sm＝Ss*F
F为m×m维矩阵，m为光谱波长点数；F的最小二乘解为F＝(Ss TSs)-1Ss TSm；
所述光谱校正效果评价模块21根据光谱校正因子F校正转换验证集中样本在子光谱仪上采集的光谱数据Ss′为Sm′，根据Ss′、Sm′和传递验证集中样本在母光谱仪上采集的光谱数据Sm″，通过预设的算法计算光谱平均差异值和光谱校正率；光谱校正效果评价模块21还通过预设的校正模型根据Ss′、Sm′和Sm″计算标准偏差值，根据所述光谱校正率、光谱平均差异值与标准偏差值的差值来评价子光谱仪光谱向母光谱仪光谱校正的效果。
所述分析预测模块3，包含光谱采集模块31和未知样本预测模块32；通过所述光谱采集模块31根据所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪；通过所述未知样本预测模块32，根据所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。
一种红外光谱化学计量学分析方法，采用本发明所述的红外光谱化学计量学分析系统实现的，如图2所示，包含步骤：
S1、根据系统内预存的样本集文件建立样本集，并为样本集中的样本生成与其样本性质对应的定量模型、定性模型，绑定样本和与该样本对应的若干个定量模型，绑定样本集和与样本集对应的若干个定性模型、定量模型；步骤S1具体包含：
S11、如图3所示，点击系统主界面的“样本集编辑”，选择系统内预存的样本集文件或新建样本集文件；添加、删除、编辑、排序样本集文件内包含的已知成分样本的性质数据、光谱数据，建立并保存样本集；
S12、如图4所示，点击系统主界面的“样本集分类”，选择定量模型建模方法，在本发明的实施例中，所述定量模型建模方法为多元线性回归法，偏最小二乘法、人工神经网络法、正交投影非建模算法中的任一种。设置定量模型建模的光谱预处理参数，在本发明的实施例中，所述光谱预处理，具体包含利用微分、中心化、标准化、基线扣减和平滑等算法消除光谱噪音。选择样本集中待进行定量建模的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱。利用高阶多项式拟合得到经过预处理后的光谱与待测性质或成分浓度的相关系数曲线。
通过在高维光谱特征空间建立精细曲面，精确界定的预设定量模型适用的光谱区间。根据选择的定量模型建模方法、样本性质和预设的光谱区间，对样本集进行定量建模，生成定量模型。
可视化的显示与定量模型建模方法对应的定量模型建模结果及定量模型评价参数；根据所述定量模型建模结果删除样本集中的异常样本，根据所述定量模型评价参数判断所述定量模型是否符合设定的标准；
在本发明的另一个实施例中，当采用偏最小二乘法建立定量模型时，利用Press图选择建立定量模型的最佳主成分数优化定量模型。
S13、选择定性模型建模方法，设置定性模型建模的光谱预处理参数，选择待进行定性建模的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；在本发明的实时例中，所述定性模型建模方法为簇类独立软模式方法、主成分马氏距离法、支持向量机方法、偏最小二乘判别分析方法中的任一种。
预设待进行定性建模的光谱区间，根据选择的定性模型建模方法、样本性质和预设的光谱区间，对样本集进行定性建模生成定性模型；通过在高维光谱特征空间建立精细曲面，精确界定定性模型适用的光谱区间；
可视化的显示与选择的定性建模方法对应的定性模型建模结果及定性模型评价参数；根据所述定性模型建模结果删除样本集中的异常样本，根据所述定性模型评价参数判断所述定性模型是否符合设定的标准；
S14、绑定样本集中的样本与该样本对应的若干个定量模型；所述模型捆绑模块14用于绑定样本集和与样本集对应的若干个定性模型、定量模型。
S2、生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F，并评价F的准确度；
步骤S2包含：
S21、从样本集中选取若干个样本的光谱数据、性质数据，建立传递标样集、传递验证集；所述传递标样集、传递验证集中的样本的光谱数据均覆盖样本集的整个近红外光谱空间；
在本发明的另一个实施例中，步骤S21中通过Rank-KS方法建立传递验证集，具体包含步骤：
S211、通过浓度梯度法，将样本集的性质矩阵升序或降序排序；
S212、将传递验证集性质矩阵的整个性质区间等分为m个子性质区间；步骤S211至S212为Rank-KS(Rank-Kolmogorov Smirnov)方法的rank部分；
S213、在所述子性质区间内利用KS方法，挑选出对该子性质区间覆盖范围最广的一个样本，将该样本的性质数据、光谱数据放入传递验证集。
S22、通过预设的模型传递算法，计算从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F；
Sm＝Ss*F
Sm为传递标样集在母光谱仪采集的光谱数据，Ss为传递标样集在子光谱仪采集的光谱数据，F为m×m维矩阵，m为光谱波长点数；F的最小二乘解为F＝(Ss TSs)-1Ss TSm；
S23、根据光谱校正因子F校正传递验证集中样本在子光谱仪上采集的光谱数据Ss′为Sm′，根据Ss′、Sm′和传递验证样本在母光谱仪上采集的光谱数据Sm″，通过预设的算法计算光谱平均差异值和光谱校正率；
S24、通过预设的校正模型根据Ss′、Sm′和Sm″计算标准偏差值，根据所述光谱校正率、光谱平均差异值与标准偏差值的差值来评价子光谱仪光谱向母光谱仪光谱校正的效果。
S3、如图5所示，首先通过子光谱仪采集的未知光谱样本，判断是否要进行模型传递，若要进行模型传递，通过所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪。通过所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。
与现有技术相比，本发明的优点在于：
通过本发明的红外光谱化学计量学分析系统建立样本集，并能够根据所述样本集建立对应的定量模型、定性模型；本发明还能够将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪，并通过所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。本发明的红外光谱化学计量学分析系统自动化程度高，易于操作，能够快速生成预测结果，具有很好的使用价值。本发明的红外光谱化学计量学分析方法对样本的性质定性准确，对样本的性质值定量准确。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。
Claims (7)
1.一种红外光谱化学计量学分析系统，其特征在于，包含：
模型建立模块，用于根据系统内预存的样本集文件建立样本集，并为样本集中的样本生成与其样本性质对应的定量模型、定性模型，并绑定样本和与该样本对应的若干个定量模型，绑定样本集和与样本集对应的若干个定性模型、定量模型；
模型传递模块，用于生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F，并评价F的准确度；
分析预测模块，包含光谱采集模块和未知样本预测模块；通过所述光谱采集模块根据所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪；通过所述未知样本预测模块，根据所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值；
所述模型建立模块包含：
样本集编辑模块，用于打开系统内预存的样本集文件，所述样本集文件包含若干个已知成分样本的性质数据、光谱数据；编辑所述性质数据、光谱数据建立样本集；
定量模型建立模块，用于为样本集建立定量模型，通过所述定量模型预测样本性质的性质值；通过所述定量模型建立模块选择定量模型建模方法，设置用于建立定量模型的光谱预处理参数，选择待建立定量模型的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；定量模型建立模块还用于预设待定量建模的光谱区间，根据选择的定量模型建模方法对选择的样本性质在设置的光谱区间内对样本集进行定量建模，生成定量模型；定量模型建立模块的视图分析界面可视化的显示与定量模型建模方法对应的定量模型建模结果及定量模型评价参数；根据所述定量模型建模结果删除样本集中的异常样本，根据所述定量模型评价参数判断所述定量模型是否符合设定的标准；
定性模型建立模块，用于为样本集建立定性模型，通过所述定性模型预测样本性质；通过所述定性模型建立模块选择定性模型建模方法，设置用于建立定性模型的光谱预处理参数，选择待建立定性模型的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；定性模型建立模块还用于预设待定性建模的光谱区间，根据选择的定性模型建模方法对选择的样本性质在设置的光谱区间内对样本集进行定性建模生成定性模型；定性模型建立模块的视图分析界面可视化的显示与定性模型建模方法对应的定性模型建模结果及定性模型评价参数；根据所述定性模型建模结果删除样本集中的异常样本，根据所述定性模型评价参数判断所述定性模型是否符合设定的标准；
模型捆绑模块，用于绑定样本集中的样本和与该样本对应的若干个定量模型；所述模型捆绑模块用于绑定样本集和与样本集对应的若干个定性模型、定量模型；
所述模型传递模块包含：
传递标样集建立模块，从所述样本集中选取若干个样本的光谱数据、性质数据，建立传递标样集、传递验证集；所述传递标样集、传递验证集中的样本的光谱数据均覆盖样本集的整个近红外光谱空间；
光谱校正因子计算模块，用于输入所述传递标样集在母光谱仪采集的光谱数据Sm和在子光谱仪采集的光谱数据Ss，通过预设的模型传递算法，计算从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F；
S＝S*F
m s
F为m×m维矩阵，m为光谱波长点数；F的最小二乘解为F＝(Ss TSs)-1Ss TSm；
光谱校正效果评价模块，其根据光谱校正因子F校正转换验证集中样本在子光谱仪上采集的光谱数据Ss′为Sm′，根据Ss′、Sm′和传递验证集中样本在母光谱仪上采集的光谱数据Sm″，通过预设的算法计算光谱平均差异值和光谱校正率；光谱校正效果评价模块还通过预设的校正模型根据Ss′、Sm′和Sm″计算标准偏差值，根据所述光谱校正率、光谱平均差异值与标准偏差值的差值来评价子光谱仪光谱向母光谱仪光谱校正的效果。
2.一种红外光谱化学计量学分析方法，采用如权利要求1所述的红外光谱化学计量学分析系统实现的，其特征在于，包含步骤：
S1、根据系统内预存的样本集文件建立样本集，并为样本集中的样本生成与其样本性质对应的定量模型、定性模型，并绑定样本和与该样本对应的若干个定量模型，绑定绑定样本集和与样本集对应的若干个定性模型、定量模型；
S2、生成从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F，并评价F的准确度；
S3、通过所述光谱校正因子，将子光谱仪采集的未知光谱样本进行模型传递到母光谱仪，并通过所述定性模型、定量模型预测传递到母光谱仪的光谱中所包含的样本性质及对应的样本性质值。
3.如权利要求2所述的红外光谱化学计量学分析方法，其特征在于，步骤S1包含：
S11、选择系统内预存的样本集文件；编辑样本集文件内包含的已知成分样本的性质数据、光谱数据建立样本集；
S12、选择定量模型建模方法，设置定量模型建模的光谱预处理参数，选择样本集中待进行定量建模的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；
预设待进行定量建模的光谱区间，根据选择的定量模型建模方法、样本性质和预设的光谱区间，对样本集进行定量建模，生成定量模型；
可视化的显示与定量模型建模方法对应的定量模型建模结果及定量模型评价参数；根据所述定量模型建模结果删除样本集中的异常样本，根据所述定量模型评价参数判断所述定量模型是否符合设定的标准；
S13选择定性模型建模方法，设置定性模型建模的光谱预处理参数，选择待进行定性建模的样本性质，对选择的样本性质所对应的光谱数据进行光谱预处理，并可视化的显示光谱预处理后的光谱区间及参考图谱；
预设待进行定性建模的光谱区间，根据选择的定性模型建模方法、样本性质和预设的光谱区间，对样本集进行定性建模生成定性模型；
可视化的显示与选择的定性建模方法对应的定性模型建模结果及定性模型评价参数；根据所述定性模型建模结果删除样本集中的异常样本，根据所述定性模型评价参数判断所述定性模型是否符合设定的标准；
S14、绑定样本集中的样本与该样本对应的若干个定量模型；所述模型捆绑模块用于绑定样本集和与样本集对应的若干个定性模型、定量模型。
4.如权利要求2所述的红外光谱化学计量学分析方法，其特征在于，步骤S2包含：
S21、从样本集中选取若干个样本的光谱数据、性质数据，建立传递标样集、传递验证集；所述传递标样集、传递验证集中的样本的光谱数据均覆盖样本集的整个近红外光谱空间；
S22、通过预设的模型传递算法，计算从子光谱仪光谱向母光谱仪光谱校正的光谱校正因子F；
S＝S*F
m s
Sm为传递标样集在母光谱仪采集的光谱数据，Ss为传递标样集在子光谱仪采集的光谱数据，F为m×m维矩阵，m为光谱波长点数；F的最小二乘解为F＝(Ss TSs)-1Ss TSm；
S23、根据光谱校正因子F校正传递验证集中样本在子光谱仪上采集的光谱数据Ss′为Sm′，根据Ss′、Sm′和传递验证集中样本在母光谱仪上采集的光谱数据Sm″，通过预设的算法计算光谱平均差异值和光谱校正率；
S24、通过预设的校正模型根据Ss′、Sm′和Sm″计算标准偏差值，根据所述光谱校正率、光谱平均差异值与标准偏差值的差值来评价子光谱仪光谱向母光谱仪光谱校正的效果。
5.如权利要求3所述的红外光谱化学计量学分析方法，其特征在于，步骤S12中所述定量模型建模方法为多元线性回归法，偏最小二乘法、人工神经网络法、正交投影非建模算法中的任一种。
6.如权利要求3所述的红外光谱化学计量学分析方法，其特征在于，步骤S13中所述定性校正建模方法为簇类独立软模式方法、主成分马氏距离法、支持向量机方法、偏最小二乘判别分析方法中的任一种。
7.如权利要求4所述的红外光谱化学计量学分析方法，其特征在于，步骤S21中通过Rank-KS方法建立传递验证集，具体包含步骤：
S211、通过浓度梯度法，将样本集的性质矩阵升序或降序排序；
S212、将传递验证集性质矩阵的整个性质区间等分为m个子性质区间；
S213、在所述子性质区间内利用KS方法，挑选出对该子性质区间覆盖范围最广的一个样本，将该样本的性质数据、光谱数据放入传递验证集。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911166035.1A CN110909470B (zh) | 2019-11-25 | 2019-11-25 | 一种红外光谱化学计量学分析系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911166035.1A CN110909470B (zh) | 2019-11-25 | 2019-11-25 | 一种红外光谱化学计量学分析系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110909470A CN110909470A (zh) | 2020-03-24 |
| CN110909470B true CN110909470B (zh) | 2023-08-11 |
Family
ID=69819223
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911166035.1A Active CN110909470B (zh) | 2019-11-25 | 2019-11-25 | 一种红外光谱化学计量学分析系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110909470B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113447452A (zh) * | 2021-06-29 | 2021-09-28 | 西安交通大学 | 一种用于绝缘纸光谱的水分影响因素校正方法及系统 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
| CN104101570A (zh) * | 2014-05-06 | 2014-10-15 | 浙江省海洋开发研究院 | 一种红外光谱法检测带鱼产地的方法 |
| CN106568790A (zh) * | 2016-06-14 | 2017-04-19 | 贵州省中国科学院天然产物化学重点实验室 | 一种结合1h‑nmr和craft技术定性和定量分析天麻中有效成分的方法 |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN110346322A (zh) * | 2019-05-27 | 2019-10-18 | 河南省饲草饲料站 | 青贮玉米营养成分预测模型的构建方法与应用 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2266523C1 (ru) * | 2004-07-27 | 2005-12-20 | Общество с ограниченной ответственностью ООО "ВИНТЕЛ" | Способ создания независимых многомерных градуировочных моделей |
-
2019
- 2019-11-25 CN CN201911166035.1A patent/CN110909470B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103398970A (zh) * | 2013-07-24 | 2013-11-20 | 骆驰 | 一种定性和定量分析食用油并进而检测地沟油的方法 |
| CN104101570A (zh) * | 2014-05-06 | 2014-10-15 | 浙江省海洋开发研究院 | 一种红外光谱法检测带鱼产地的方法 |
| CN106568790A (zh) * | 2016-06-14 | 2017-04-19 | 贵州省中国科学院天然产物化学重点实验室 | 一种结合1h‑nmr和craft技术定性和定量分析天麻中有效成分的方法 |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN107132190A (zh) * | 2017-04-21 | 2017-09-05 | 武汉大学 | 一种土壤有机质光谱反演模型校正样本集构建方法 |
| CN110346322A (zh) * | 2019-05-27 | 2019-10-18 | 河南省饲草饲料站 | 青贮玉米营养成分预测模型的构建方法与应用 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110909470A (zh) | 2020-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101473197B (zh) | 制造多维校准模型的方法 | |
| EP3066435B1 (en) | Texture analysis of a coated surface using pivot-normalization | |
| EP2128599A1 (en) | Analysing spectral data for the selection of a calibration model | |
| WO2013059724A1 (en) | System and method for determining the isotopic anatomy of organic and volatile molecules | |
| CN109115692B (zh) | 一种光谱数据分析方法及装置 | |
| CN110909470B (zh) | 一种红外光谱化学计量学分析系统及方法 | |
| CN115993344A (zh) | 一种近红外光谱分析仪质量监测分析系统及方法 | |
| CN116957331A (zh) | 风险旅客流量范围预测方法和装置 | |
| US11093869B2 (en) | Analytical system with iterative method of analyzing data in web-based data processor with results display designed for non-experts | |
| CN113607683B (zh) | 一种近红外光谱定量分析的自动建模方法 | |
| CN104502306A (zh) | 基于变量重要性的近红外光谱波长选择方法 | |
| CN118225713B (zh) | 一种基于全光谱分析的水质监测方法及系统 | |
| US11860102B2 (en) | Fluorescence fingerprint analysis for quantifying TSNAs in processed tobacco raw material | |
| JP7228599B2 (ja) | Ｘ線分析装置、ｘ線分析システム、分析方法、及びプログラム | |
| JP2002506991A (ja) | 自動較正方法 | |
| CN104049624B (zh) | 化工产品生产模式优化方法、装置和连续型化工系统 | |
| CN115773993A (zh) | 奶酪营养成分快速检测方法 | |
| Minet et al. | Local vs global methods applied to large near infrared databases covering high variability | |
| CN106353280A (zh) | 文拉法辛晶体的近红外光谱快速鉴别方法 | |
| CN111816262A (zh) | 一种光谱仪的自动建模方法 | |
| JPH0750042B2 (ja) | スペクトル分析装置における状態分析方法 | |
| AU2002353190A1 (en) | Improvements in and relating to interpreting dna | |
| CN114036456B (zh) | 一种定量评估绝缘纸聚合度的光谱模型传递方法及系统 | |
| CN114428067A (zh) | 一种预测汽油辛烷值的方法 | |
| CN110632024B (zh) | 一种基于红外光谱的定量分析方法、装置、设备以及存储介质 |
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 |