CN114371232B - 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统 - Google Patents

基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统 Download PDF

Info

Publication number
CN114371232B
CN114371232B CN202111607976.1A CN202111607976A CN114371232B CN 114371232 B CN114371232 B CN 114371232B CN 202111607976 A CN202111607976 A CN 202111607976A CN 114371232 B CN114371232 B CN 114371232B
Authority
CN
China
Prior art keywords
chromatographic peak
chromatographic
filtering
steps
equation
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
Application number
CN202111607976.1A
Other languages
English (en)
Other versions
CN114371232A (zh
Inventor
李亮
王晶
李振
冯新用
刘广才
贾明正
凌星
程文播
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin Guoke Medical Technology Development Co Ltd
Original Assignee
Tianjin Guoke Medical Technology Development Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin Guoke Medical Technology Development Co Ltd filed Critical Tianjin Guoke Medical Technology Development Co Ltd
Priority to CN202111607976.1A priority Critical patent/CN114371232B/zh
Publication of CN114371232A publication Critical patent/CN114371232A/zh
Application granted granted Critical
Publication of CN114371232B publication Critical patent/CN114371232B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/62—Detectors specially adapted therefor
    • G01N30/72—Mass spectrometers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N30/00—Investigating or analysing materials by separation into components using adsorption, absorption or similar phenomena or using ion-exchange, e.g. chromatography or field flow fractionation
    • G01N30/02—Column chromatography
    • G01N30/86—Signal analysis
    • G01N30/8603—Signal analysis with integration or differentiation
    • G01N30/8617—Filtering, e.g. Fourier filtering
    • H—ELECTRICITY
    • H03—ELECTRONIC CIRCUITRY
    • H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
    • H03H17/00—Networks using digital techniques
    • H03H17/02—Frequency selective networks
    • H03H17/0248—Filters characterised by a particular frequency response or filtering method
    • H03H17/0255—Filters based on statistics
    • H03H17/0257—KALMAN filters

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Immunology (AREA)
  • Chemical & Material Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Mathematical Physics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Engineering & Computer Science (AREA)
  • Computer Hardware Design (AREA)
  • Treatment Of Liquids With Adsorbents In General (AREA)

Abstract

本发明涉及种基于卡尔曼滤波算法的色谱滤波方法、装置、存储介质、系统。该方法包括；获取用于提取状态信息的色谱峰；建立所述色谱峰形成过程的状态方程、观测方程；获取待检测样本的色谱峰；根据状态方程、观测方程对待检测样本的色谱峰进行实时滤波降噪。通过对色谱峰进行估计，能够得到更加准确的色谱峰信号，较大程度的去除随机噪声对谱峰的影响，解决检测结果不准确、检测效率低的问题。

Description

基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统
技术领域
本发明涉及检测技术领域，尤其涉及基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统。
背景技术
液质串联质谱方法是目前医疗、环境、材料、刑侦等领域的重要检测手段。液质串联检测的直观输出为色谱图，色谱图中我们最为关注的就是色谱峰，色谱峰的峰形直接决定了最终的定量检测结果，因为色谱峰的峰形决定了其积分面积。然而在液质串联系统中，往往噪声比较高，对于浓度低的样本影响大，甚至产生难以积分的峰形，造成的最终结果就是定量下线低或者定量结果不准确。只能依靠实验人员或操作人员进行手动积分，这样不仅降低了定量结果的准确性，也大大降低了检测效率。
本申请旨在建立一种系统性解决基于卡尔曼滤波算法的色谱滤波方法及实施系统。
发明内容
为了实现根据本发明的上述目的和其他优点，本发明的第一个目的是提供一种基于卡尔曼滤波算法的色谱滤波方法，包括如下步骤：
S101：获取用于提取状态信息的色谱峰；
S102：在假定色谱峰是对于时间轴的一维信号，噪声是加性且高斯；色谱峰形成的过程是马尔可夫过程的情况下，建立所述色谱峰形成过程的状态方程、观测方程；
S103：获取待检测样本的色谱峰；
S104：根据所述状态方程、观测方程对所述待检测样本的色谱峰进行实时滤波降噪。
优选地，建立所述色谱峰形成过程的状态方程的方法具体包括：
步骤121：从S101的色谱峰中获得所述色谱峰的左起点T1、右起点T2和极高点Th；
步骤122：根据步骤121中的左起点T1、右起点T2和极高点Th建立折线式的卡尔曼滤波状态方程，所述方程的数学形式为：
其中：x(n)为在n时刻下的强度，w为一服从高斯分布的随机变量；(T1,C1)为左起点坐标，(T2,C2)为右起点坐标，(Th,Ch)为极高点坐标。
优选地，建立所述色谱峰形成过程的观测方程的方法具体包括：
y(n)＝x(n)+v
其中：x(n)为色谱图在n时刻下的强度；y(n)为n时刻下的观测强度；v是一个服从高斯分布的随机变量。
优选地，所述左起点T1确定方法为：若有连续四个点的斜率大于10，则这四个点的最左端点坐标为左起点(T1,C1)；
所述右起点T2确定方法为：若连续4个点的斜率小于-10，则4个点的最右端点坐标为右起点(T2,C2)。
优选地，S104中对所述待检测样本的色谱峰进行实时滤波降噪具体包括步骤：
步骤141：初始化中间变量P1|0＝1，进入步骤142；
步骤142：计算中间变量Gn：
其中：Pn|n-1为应用于计算的中间变量，对起始值P1|0进行初始化；Qv为噪声v的自协方差；Gn是用于后续计算的中间变量；进入步骤143；
步骤143：计算过去观测估计与观测的差量αn：
其中：yn为观测色谱峰的强度信息；为对强度信息的估计，对初始值/>进行初始化；进入步骤144；
步骤144：计算当前估计值
其中：Gn、αn分别由步骤142和步骤143计算；进入步骤145；
步骤145：由当前观测估计计算预测估计
其中为当前观测估计，/>为预测估计；进入步骤146；
步骤146：生成计算所需的中间变量Pn+1|n：
Pn|n＝Pn|n-1(1-Gn)
其中：Pn|n是为计算Pn+1|n所产生的中间变量；Gn由步骤142计算获得；Qw是噪声w的自协方差；返回步骤142。
优选地，步骤144中产生的即为滤波后的输出。
本发明的第二个目的是提供一种基于改进卡尔曼滤波算法的色谱峰滤波装置，包括：
获取单元，其被配置为获取用于提取状态信息的色谱峰以及获取待检测样本的色谱峰；
处理单元，其被配置为利用用于提取状态信息的色谱峰建立形成过程的状态方程、观测方程，并根据所述状态方程、观测方程对待检测样本的色谱峰进行实时滤波降噪。
本发明的第三个目的是提供一种基于改进卡尔曼滤波算法的色谱峰滤波装置，包括：存储器，其上存储有程序代码；处理器，其与所述存储器联接，并且当所述程序代码被所述处理器执行时，实现如上所述的方法。
本发明的第四个目的是提供一种计算机可读存储介质，其上存储有程序指令，所述程序指令被执行时实现如上所述的基于卡尔曼滤波算法的色谱滤波方法。
本发明的第五个目的是提供一种色谱峰滤波分类系统，包括如上所述的基于改进卡尔曼滤波算法的色谱峰滤波装置；所述基于改进卡尔曼滤波算法的色谱峰滤波装置与显示装置相连接。
相比现有技术，本发明的有益效果在于：
本发明提供了种基于卡尔曼滤波算法的色谱滤波方法，该方法包括；获取用于提取状态信息的色谱峰；建立所述色谱峰形成过程的状态方程、观测方程；获取待检测样本的色谱峰；根据状态方程、观测方程对待检测样本的色谱峰进行实时滤波降噪。通过对色谱峰进行估计，能够得到更加准确的色谱峰信号，较大程度的去除随机噪声对谱峰的影响，解决检测结果不准确、检测效率低的问题。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于卡尔曼滤波算法的色谱滤波方法的流程图；
图2为本发明的获取状态方程示意图；
图3为本发明在一实施例中的基于改进卡尔曼滤波算法的色谱峰滤波装置示意图；
图4为本发明的在另一实施例中的基于改进卡尔曼滤波算法的色谱峰滤波装置示意图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
在后续的描述中，使用用于表示元件的诸如“模块”、“部件”或“单元”的后缀仅为了有利于本发明的说明，其本身没有特定的意义。因此，“模块”、“部件”或“单元”可以混合地使用。
实施例一
本发明提供一种基于卡尔曼滤波算法的色谱滤波方法，包括以下步骤，如图1所示：
S101：获取用于提取状态信息的色谱峰；
S102：在假定色谱峰是对于时间轴的一维信号，噪声是加性且高斯；色谱峰形成的过程是马尔可夫过程，即该时刻的强度仅和上一时刻相关的情况下，建立S101中色谱峰在形成过程的状态方程、观测方程；
S103：获取待检测样本的色谱峰；应该理解，S103中的待检测样本与S101中使用的样本为同一样本。
S104：根据S102中的状态方程、观测方程对S103中的待检测样本的色谱峰进行实时滤波降噪。本发明采用的方法对色谱峰进行估计，能够得到更加准确的色谱峰信号，较大程度的去除随机噪声对谱峰的影响。
当进样一次高浓度的同种样本时，会形成一个明显的色谱峰，然后从该色谱峰对应的色谱图中提取状态方程，如图2所示。在一些实施例中，建立色谱峰形成过程的状态方程的方法具体包括以下步骤：
S121：从S101的色谱峰中获得色谱峰的左起点T1、右起点T2和极高点Th；色谱峰最高点最表即为极高点，极高点坐标记为：(Th,Ch)，左起点T1、右起点T2分别分布于极高点的左右两侧。左起点坐标记为：(T1,C1)，右起点坐标记为：(T2,C2)。
S122：根据S121中的左起点T1、右起点T2和极高点Th建立折线式的卡尔曼滤波状态方程，该方程的数学形式为：
其中：x(n)为在n时刻下的强度，w为一服从高斯分布的随机变量。
在一些实施例中，建立色谱峰形成过程的观测方程的方法具体包括：
y(n)＝x(n)+v (2)
其中：x(n)为色谱图在n时刻下的强度；y(n)为n时刻下的观测强度，即我们获知的强度值；v是一个服从高斯分布的随机变量。
左起点T1为极高点左侧的点，在一些实施例中，为了排除噪声形成的干扰尖峰，同时最大程度的降低计算复杂度，提高可操作性，左起点T1确定方法为：若有连续四个点的斜率大于10，则这四个点的最左端点坐标为左起点(T1,C1)。
右起点T2为极高点右侧的点，在一些实施例中，为了排除噪声形成的干扰尖峰，同时最大程度的降低计算复杂度，提高可操作性，右起点T2确定方法为：若连续4个点的斜率小于-10，则4个点的最右端点坐标为右起点(T2,C2)。
在一些实施例中，S101中用于提取状态信息的色谱峰为高浓度样本的色谱峰，以保证可基于获取的清晰的色谱峰得到精准的过程防尘、观测方程。
在一些实施例中，S104中对待检测样本的色谱峰进行实时滤波降噪具体包括步骤：
步骤141：初始化中间变量P1|0＝1，进入步骤S142；
步骤142：计算中间变量：
其中：Pn|n-1为应用于计算的中间变量，对起始值P1|0进行初始化；Qv为噪声v的自协方差；Gn是用于后续计算的中间变量；进入步骤143；
步骤143：计算过去观测估计与观测的差量αn：
其中为yn观测色谱峰的强度信息；为对强度信息的估计，这是一个计算过程的中间变量，对初始值/>进行初始化；进入步骤144；
步骤144：计算当前估计值
其中：Gn、αn分别由步骤142和步骤143计算；进入步骤145；
步骤145：由当前观测估计计算预测估计
其中为当前观测估计，/>为预测估计；进入步骤146；
步骤146：生成计算所需的中间变量Pn+1|n：
Pn|n＝Pn|n-1(1-Gn)
其中Pn|n是为计算Pn+1|n所产生的中间变量；Gn由步骤142计算获得；Qw是噪声w的自协方差；返回步骤142。
在一些实施例中，步骤144中产生的即为滤波后的输出。
实施例二
如图3所示，一种基于改进卡尔曼滤波算法的色谱峰滤波装置100，包括：
获取单元101，其被配置为获取用于提取状态信息的色谱峰以及获取待检测样本的色谱峰；
处理单元102，其被配置为利用用于提取状态信息的色谱峰建立形成过程的状态方程、观测方程，并根据状态方程、观测方程对待检测样本的色谱峰进行实时滤波降噪。
关于上述各个单元的详细描述，可以参照上述方法实施例中的对应描述，在此不再赘述。
实施例三
如图4所示，一种基于改进卡尔曼滤波算法的色谱峰滤波装置200以通用计算设备的形式表现；包括但不限于：存储器201、处理器202；其中，
存储器201，其上存储有程序代码；处理器202，其与存储器201联接，且当程序代码被处理器202执行时，实现实施例一中的基于卡尔曼滤波算法的色谱滤波方法。
基于改进卡尔曼滤波算法的色谱峰滤波装置200还可包括连接不同系统组件(包括存储器201和处理器202)的总线、显示单元等。其中，总线可以为表示几类总线结构中的一种或多种，包括存储单元总线或者存储单元控制器、外围总线、图形加速端口、处理单元或者使用多种总线结构中的任意总线结构的局域总线。
实施例四
一种色谱峰滤波分类系统，包括如实施例二、实施例三中的基于改进卡尔曼滤波算法的色谱峰滤波装置；该基于改进卡尔曼滤波算法的色谱峰滤波装置与显示装置相连接。关于显示装置的详细描述可以参照现有技术，在此不再赘叙。
实施例五
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。根据本申请实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个计算机可读存储介质(可以是CD-ROM、U盘、移动硬盘等)中或网络上，包括若干计算机程序指令以使得一台计算设备(可以是个人计算机、服务器、或者网络设备等)执行根据本申请实施方式的上述方法。
这里说明的设备数量和处理规模是用来简化本发明的说明的。对本发明的应用、修改和变化对本领域的技术人员来说是显而易见的。
尽管本发明的实施方案已公开如上，但其并不仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。
本说明书实施例提供的装置、电子设备、非易失性计算机存储介质与方法是对应的，因此，装置、电子设备、非易失性计算机存储介质也具有与对应方法类似的有益技术效果，由于上面已经对方法的有益技术效果进行了详细说明，因此，这里不再赘述对应装置、电子设备、非易失性计算机存储介质的有益技术效果。
在20世纪90年代，对于一个技术的改进可以很明显地区分是硬件上的改进(例如，对二极管、晶体管、开关等电路结构的改进)还是软件上的改进(对于方法流程的改进)。然而，随着技术的发展，当今的很多方法流程的改进已经可以视为硬件电路结构的直接改进。设计人员几乎都通过将改进的方法流程编程到硬件电路中来得到相应的硬件电路结构。因此，不能说一个方法流程的改进就不能用硬件实体模块来实现。例如，可编程逻辑器件(Programmable Logic Device,PLD)(例如现场可编程门阵列(Field Programmable GateArray，FPGA))就是这样一种集成电路，其逻辑功能由用户对器件编程来确定。由设计人员自行编程来把一个数字系统“集成”在一片PLD上，而不需要请芯片制造厂商来设计和制作专用的集成电路芯片。而且，如今，取代手工地制作集成电路芯片，这种编程也多半改用“逻辑编译器(logic compiler)”软件来实现，它与程序开发撰写时所用的软件编译器相类似，而要编译之前的原始代码也得用特定的编程语言来撰写，此称之为硬件描述语言(Hardware Description Language，HDL)，而HDL也并非仅有一种，而是有许多种，如ABEL(Advanced Boolean Expression Language)、AHDL(Altera Hardware DescriptionLanguage)、Confluence、CUPL(Cornell University Programming Language)、HDCal、JHDL(Java Hardware Description Language)、Lava、Lola、MyHDL、PALASM、RHDL(RubyHardware Description Language)等，目前最普遍使用的是VHDL(Very-High-SpeedIntegrated Circuit Hardware Description Language)与Verilog。本领域技术人员也应该清楚，只需要将方法流程用上述几种硬件描述语言稍作逻辑编程并编程到集成电路中，就可以很容易得到实现该逻辑方法流程的硬件电路。
控制器可以按任何适当的方式实现，例如，控制器可以采取例如微处理器或处理器以及存储可由该(微)处理器执行的计算机可读程序代码(例如软件或固件)的计算机可读介质、逻辑门、开关、专用集成电路(Application Specific Integrated Circuit，ASIC)、可编程逻辑控制器和嵌入微控制器的形式，控制器的例子包括但不限于以下微控制器：ARC 625D、Atmel AT91SAM、Microchip PIC18F26K20以及Silicone Labs C8051F320，存储器控制器还可以被实现为存储器的控制逻辑的一部分。本领域技术人员也知道，除了以纯计算机可读程序代码方式实现控制器以外，完全可以通过将方法步骤进行逻辑编程来使得控制器以逻辑门、开关、专用集成电路、可编程逻辑控制器和嵌入微控制器等的形式来实现相同功能。因此这种控制器可以被认为是一种硬件部件，而对其内包括的用于实现各种功能的装置也可以视为硬件部件内的结构。或者甚至，可以将用于实现各种功能的装置视为既可以是实现方法的软件模块又可以是硬件部件内的结构。
上述实施例阐明的系统、装置、模块或单元，具体可以由计算机芯片或实体实现，或者由具有某种功能的产品来实现。一种典型的实现设备为计算机。具体的，计算机例如可以为个人计算机、膝上型计算机、蜂窝电话、相机电话、智能电话、个人数字助理、媒体播放器、导航设备、电子邮件设备、游戏控制台、平板计算机、可穿戴设备或者这些设备中的任何设备的组合。
为了描述的方便，描述以上装置时以功能分为各种单元分别描述。当然，在实施本说明书一个或多个实施例时可以把各单元的功能在同一个或多个软件和/或硬件中实现。
本领域内的技术人员应明白，本说明书实施例可提供为方法、系统、或计算机程序产品。因此，本说明书实施例可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本说明书实施例可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本说明书是参照根据本说明书实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，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、商品或者设备不仅包括那些要素，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、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本说明书可以在由计算机执行的计算机可执行指令的一般上下文中描述，例如程序模块。一般地，程序模块包括执行特定任务或实现特定抽象数据类型的例程、程序、对象、组件、数据结构等等。也可以在分布式计算环境中实践说明书，在这些分布式计算环境中，由通过通信网络而被连接的远程处理设备来执行任务。在分布式计算环境中，程序模块可以位于包括存储设备在内的本地和远程计算机存储介质中。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本说明书实施例而已，并不用于限制本说明书一个或多个实施例。对于本领域技术人员来说，本说明书一个或多个实施例可以有各种更改和变化。凡在本说明书一个或多个实施例的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本说明书一个或多个实施例的权利要求范围之内。

Claims (6)

1.基于卡尔曼滤波算法的色谱滤波方法，其特征在于，包括如下步骤：
S101：获取用于提取状态信息的色谱峰；其中，所述色谱峰为高浓度样本的色谱峰；
S102：在假定色谱峰是对于时间轴的一维信号，噪声是加性且高斯；色谱峰形成的过程是马尔可夫过程的情况下，建立所述色谱峰形成过程的状态方程、观测方程；
其中，所述建立所述色谱峰形成过程的状态方程的方法具体包括：
步骤121：从S101的色谱峰中获得所述色谱峰的左起点T1、右起点T2和极高点Th；
步骤122：根据步骤121中的左起点T1、右起点T2和极高点Th建立折线式的卡尔曼滤波状态方程，所述状态方程的数学形式为：
其中：x(n)为在n时刻下的强度，w为一服从高斯分布的随机变量；(T1,C1)为左起点坐标，(T2,C2)为右起点坐标，(Th,Ch)为极高点坐标；
其中，所述建立所述色谱峰形成过程的观测方程的方法具体包括：
y(n)＝x(n)+v
其中：x(n)为色谱图在n时刻下的强度；y(n)为n时刻下的观测强度；v是一个服从高斯分布的随机变量；
S103：获取待检测样本的色谱峰；
S104：根据所述状态方程、观测方程对所述待检测样本的色谱峰进行实时滤波降噪，具体包括：
步骤141：初始化中间变量P1|0＝1，进入步骤142；
步骤142：计算中间变量Gn：
其中：Pn|n-1为应用于计算的中间变量，对起始值P1|0进行初始化；Qv为噪声v的自协方差；Gn是用于后续计算的中间变量；进入步骤143；
步骤143：计算过去观测估计与观测的差量αn：
其中：yn为观测色谱峰的强度信息；为对强度信息的估计，对初始值/>进行初始化；进入步骤144；
步骤144：计算当前估计值所述/>即为滤波后的输出：
其中：Gn、αn分别由步骤142和步骤143计算；进入步骤145；
步骤145：由当前观测估计计算预测估计
其中为当前观测估计，/>为预测估计；进入步骤146；
步骤146：生成计算所需的中间变量Pn+1|n：
Pn|n＝Pn|n-1(1-Gn)
其中：Pn|n是为计算Pn+1|n所产生的中间变量；Gn由步骤142计算获得；Qw是噪声w的自协方差；返回步骤142。
2.如权利要求1所述的基于卡尔曼滤波算法的色谱滤波方法，其特征在于，所述左起点T1确定方法为：若有连续四个点的斜率大于10，则这四个点的最左端点坐标为左起点(T1,C1)；
所述右起点T2确定方法为：若连续4个点的斜率小于-10，则4个点的最右端点坐标为右起点(T2,C2)。
3.一种基于改进卡尔曼滤波算法的色谱峰滤波装置，其特征在于，包括：
获取单元，其被配置为获取用于提取状态信息的色谱峰以及获取待检测样本的色谱峰；其中，所述色谱峰为高浓度样本的色谱峰；
处理单元，其被配置为利用用于提取状态信息的色谱峰建立形成过程的状态方程、观测方程，并根据所述状态方程、观测方程对待检测样本的色谱峰进行实时滤波降噪；
其中，所述建立所述色谱峰形成过程的状态方程的方法具体包括：
步骤121：从S101的色谱峰中获得所述色谱峰的左起点T1、右起点T2和极高点Th；
步骤122：根据步骤121中的左起点T1、右起点T2和极高点Th建立折线式的卡尔曼滤波状态方程，所述状态方程的数学形式为：
其中：x(n)为在n时刻下的强度，w为一服从高斯分布的随机变量；(T1,C1)为左起点坐标，(T2,C2)为右起点坐标，(Th,Ch)为极高点坐标；
其中，所述建立所述色谱峰形成过程的观测方程的方法具体包括：
y(n)＝x(n)+v
其中：x(n)为色谱图在n时刻下的强度；y(n)为n时刻下的观测强度；v是一个服从高斯分布的随机变量；
其中，所述根据所述状态方程、观测方程对所述待检测样本的色谱峰进行实时滤波降噪，具体包括：
步骤141：初始化中间变量P1|0＝1，进入步骤142；
步骤142：计算中间变量Gn：
其中：Pn|n-1为应用于计算的中间变量，对起始值P1|0进行初始化；Qv为噪声v的自协方差；Gn是用于后续计算的中间变量；进入步骤143；
步骤143：计算过去观测估计与观测的差量αn：
其中：yn为观测色谱峰的强度信息；为对强度信息的估计，对初始值/>进行初始化；进入步骤144；
步骤144：计算当前估计值所述/>即为滤波后的输出：
其中：Gn、αn分别由步骤142和步骤143计算；进入步骤145；
步骤145：由当前观测估计计算预测估计
其中为当前观测估计，/>为预测估计；进入步骤146；
步骤146：生成计算所需的中间变量Pn+1|n：
Pn|n＝Pn|n-1(1-Gn)
其中：Pn|n是为计算Pn+1|n所产生的中间变量；Gn由步骤142计算获得；Qw是噪声w的自协方差；返回步骤142。
4.一种基于改进卡尔曼滤波算法的色谱峰滤波装置，其特征在于，包括：存储器，其上存储有程序代码；处理器，其与所述存储器联接，并且当所述程序代码被所述处理器执行时，实现权利要求1至2中任一项所述的方法。
5.一种计算机可读存储介质，其特征在于，其上存储有程序指令，所述程序指令被执行时实现权利要求1-2任一项所述的基于卡尔曼滤波算法的色谱滤波方法。
6.一种色谱峰滤波分类系统，其特征在于，包括如权利要求3或4所述的基于改进卡尔曼滤波算法的色谱峰滤波装置；所述基于改进卡尔曼滤波算法的色谱峰滤波装置与显示装置相连接。
CN202111607976.1A 2021-12-22 2021-12-22 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统 Active CN114371232B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111607976.1A CN114371232B (zh) 2021-12-22 2021-12-22 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111607976.1A CN114371232B (zh) 2021-12-22 2021-12-22 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统

Publications (2)

Publication Number Publication Date
CN114371232A CN114371232A (zh) 2022-04-19
CN114371232B true CN114371232B (zh) 2024-03-22

Family

ID=81141648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111607976.1A Active CN114371232B (zh) 2021-12-22 2021-12-22 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统

Country Status (1)

Country Link
CN (1) CN114371232B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117690510B (zh) * 2024-02-04 2024-05-03 洋县阿拉丁生物工程有限责任公司 基于色谱分析技术的天然提取物检测方法及系统

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121443A (en) * 1989-04-25 1992-06-09 Spectra-Physics, Inc. Neural net system for analyzing chromatographic peaks
CN101033973A (zh) * 2007-04-10 2007-09-12 南京航空航天大学 微小型飞行器微惯性组合导航系统的姿态确定方法
CN102082560A (zh) * 2011-02-28 2011-06-01 哈尔滨工程大学 一种基于集合卡尔曼滤波的粒子滤波方法
CN102472732A (zh) * 2009-07-31 2012-05-23 西门子公司 色谱滤波方法
CN104034679A (zh) * 2014-06-11 2014-09-10 中国科学院上海技术物理研究所 基于同质分子滤波的物质浓度探测方法
JP2015049136A (ja) * 2013-09-02 2015-03-16 株式会社島津製作所 ピーク抽出方法及びプログラム
JP2015219714A (ja) * 2014-05-16 2015-12-07 日本電信電話株式会社 状態推定装置、方法、及びプログラム
WO2018217658A1 (en) * 2017-05-24 2018-11-29 bioProtonics, LLC Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
CN109239604A (zh) * 2018-10-24 2019-01-18 江苏理工学院 一种基于状态检测机制的无迹卡尔曼滤波车载电池soc估计方法
CN109645995A (zh) * 2019-01-16 2019-04-19 杭州电子科技大学 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法
CN110208446A (zh) * 2018-06-12 2019-09-06 上海炫一电气有限公司 一种基于粒子滤波算法的色谱图匹配方法
WO2020173105A1 (zh) * 2019-02-28 2020-09-03 深圳大学 机动目标跟踪方法及装置
CN112115419A (zh) * 2020-09-14 2020-12-22 深圳大学 系统状态估计方法、系统状态估计装置
CN113567604A (zh) * 2021-07-22 2021-10-29 华谱科仪(大连)科技有限公司 色谱谱图的检测分析方法及电子设备
CN113608121A (zh) * 2021-08-18 2021-11-05 合肥工业大学 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法
WO2021228362A1 (de) * 2020-05-11 2021-11-18 Wacker Chemie Ag Verfahren zur quantifizierung eines spurenkomponenten-peaks in einem chromatogramm

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8027741B2 (en) * 2008-05-29 2011-09-27 The United States Of America As Represented By The Secretary Of The Navy System and method of improved kalman filtering for estimating the state of a dynamic system

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5121443A (en) * 1989-04-25 1992-06-09 Spectra-Physics, Inc. Neural net system for analyzing chromatographic peaks
CN101033973A (zh) * 2007-04-10 2007-09-12 南京航空航天大学 微小型飞行器微惯性组合导航系统的姿态确定方法
CN102472732A (zh) * 2009-07-31 2012-05-23 西门子公司 色谱滤波方法
CN102082560A (zh) * 2011-02-28 2011-06-01 哈尔滨工程大学 一种基于集合卡尔曼滤波的粒子滤波方法
JP2015049136A (ja) * 2013-09-02 2015-03-16 株式会社島津製作所 ピーク抽出方法及びプログラム
JP2015219714A (ja) * 2014-05-16 2015-12-07 日本電信電話株式会社 状態推定装置、方法、及びプログラム
CN104034679A (zh) * 2014-06-11 2014-09-10 中国科学院上海技术物理研究所 基于同质分子滤波的物质浓度探测方法
WO2018217658A1 (en) * 2017-05-24 2018-11-29 bioProtonics, LLC Selective sampling for assessing structural spatial frequencies with specific contrast mechanisms
CN110208446A (zh) * 2018-06-12 2019-09-06 上海炫一电气有限公司 一种基于粒子滤波算法的色谱图匹配方法
CN109239604A (zh) * 2018-10-24 2019-01-18 江苏理工学院 一种基于状态检测机制的无迹卡尔曼滤波车载电池soc估计方法
CN109645995A (zh) * 2019-01-16 2019-04-19 杭州电子科技大学 基于肌电模型和无迹卡尔曼滤波的关节运动估计方法
WO2020173105A1 (zh) * 2019-02-28 2020-09-03 深圳大学 机动目标跟踪方法及装置
WO2021228362A1 (de) * 2020-05-11 2021-11-18 Wacker Chemie Ag Verfahren zur quantifizierung eines spurenkomponenten-peaks in einem chromatogramm
CN112115419A (zh) * 2020-09-14 2020-12-22 深圳大学 系统状态估计方法、系统状态估计装置
CN113567604A (zh) * 2021-07-22 2021-10-29 华谱科仪(大连)科技有限公司 色谱谱图的检测分析方法及电子设备
CN113608121A (zh) * 2021-08-18 2021-11-05 合肥工业大学 基于模糊分数阶无迹卡尔曼滤波的锂电池soc估计方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A ONE-DIMENSIONAL KALMAN FILTER FOR PEAK RESOLUTION;YUZURU HAYASHI等;《Analytica Chlmica Acta》;19881231;第81-94页 *
卡尔曼滤波在高效液相色谱中的应用;吴平, 谭永基, 楼蔓藤;色谱(第03期);全文 *
卡尔曼滤波法分辨呋喃妥因和呋喃唑酮未分离液相色谱峰;张贞良, 张智耀, 张书润, 邹其雄, 陶伟;色谱(第02期);全文 *
基于典型变量分析状态残差的故障检测方法;曹玉苹;田学民;;控制工程;20070720(第S3期);全文 *

Also Published As

Publication number Publication date
CN114371232A (zh) 2022-04-19

Similar Documents

Publication Publication Date Title
CN107526667B (zh) 一种指标异常检测方法、装置以及电子设备
CN109816650B (zh) 一种基于二维dsa图像的目标区域识别方法及其系统
CN114371232B (zh) 基于卡尔曼滤波算法的色谱滤波方法、装置、介质、系统
CN117392485B (zh) 图像生成模型训练方法、业务执行方法、装置及介质
CN109656946B (zh) 一种多表关联查询方法、装置及设备
CN117197781B (zh) 一种交通标志识别的方法、装置、存储介质及电子设备
CN111105425A (zh) 一种基于颅脑影像数据的对称轴/对称面提取方法及系统
CN116757278B (zh) 一种预测模型的训练方法、装置、存储介质及电子设备
CN117079777A (zh) 一种医学影像的补全方法、装置、存储介质及电子设备
CN114444542A (zh) 液质色谱峰噪声估计方法、装置、存储介质、系统
CN116010850A (zh) 一种识别快速射电暴的方法、装置、存储介质及电子设备
CN108415914B (zh) 一种可视化对象中查询信息的方法、装置及设备
CN117575886B (zh) 一种图像边缘检测器、检测方法、电子设备、介质
CN117407690B (zh) 一种基于模型迁移性评估的任务执行方法、装置及设备
CN117911630B (zh) 一种三维人体建模的方法、装置、存储介质及电子设备
CN117934858B (zh) 一种点云的处理方法、装置、存储介质及电子设备
CN109325127A (zh) 一种风险识别方法和装置
CN115862668B (zh) 机器人基于声源定位判断交互对象的方法和系统
CN117357132B (zh) 一种基于多层脑网络节点参与系数的任务执行方法及装置
CN114528923B (zh) 基于时域上下文的视频目标检测方法、装置、设备及介质
CN116821193B (zh) 一种基于代理模型近似处理的推理查询优化方法及装置
CN116740114B (zh) 一种基于凸包检测的目标物边界拟合方法及装置
CN114241727A (zh) 变电设备智能诊断预警系统、方法及装置
CN117575941A (zh) 基于自适应值域滤波的图像去噪方法、电子设备、介质
CN116432048A (zh) 一种异常检测方法、装置、存储介质及电子设备

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