動態演化模型校正方法及系統的制作方法
【技術領域】
[0001] 本發明涉及在線近紅外光譜分析技術領域，更為具體地，涉及一種基于KF-PLS(卡 爾曼濾波偏最小二乘)近紅外光譜動態演化模型校正方法及系統。
【背景技術】
[0002] 建立準確性高、自適應性強的校正模型是近紅外光譜定量分析方法成功應用的關 鍵。現代近紅外光譜以其分析速度快、重現性好、成本低、不消耗樣品、易于實現在線分析等 鮮明的特點正得到越來越多的應用。在近紅外光譜分析實際應用中，樣品近紅外光譜和待 測量存在復雜的間接關系。常通過求解標準曲線，建立測量數據與分析體系中某一待測組 分含量之間的對應關系。PLS在處理近紅外光譜建模問題上顯示出獨特的優越性，被廣泛用 于模型校正過程。
[0003] 但是，上述方法通常假設儀器的環境噪聲和部件狀態是穩定的，是一種靜態建模 方法。其效果僅限于短期相對穩定的模型使用過程。然而光譜獲取過程受被測對象變化、儀 器老化、環境擾動等影響具有時變性。當儀器測量過程慢慢發生演變時，基于早期數據的校 正模型預測效果將無法得到保證。傳統方法通過利用補充樣品數據庫定期維護模型，從而 保證其適應性，其特點是工作量大、成本高和不易實現在線分析等。且更新的校正模型中包 含大量光譜儀早期狀態信息，不能精確代表儀器最新測量狀態。
[0004] 為解決上述問題，本發明需要提供一種新的模型校正方法。
【發明內容】
[0005] 鑒于上述問題，本發明的目的是提供一種基于卡爾曼濾波偏最小二乘法近紅外光 譜動態演化模型校正方法及系統，以保證近紅外光譜校正模型具有自適應性，降低重建模 型成本，從而實現在線分析。
[0006] 本發明提供一種基于卡爾曼濾波偏最小二乘近紅外光譜動態演化模型校正方法， 包括：
[0007] 利用K/S算法從標準樣品中選擇有代表性的建模樣品；
[0008] 采用PLS法對所述建模樣品建立近紅外光譜數據與濃度間的線性關系；
[0009] 所述線性關系利用去一交互檢驗法確定PLS因變量數，形成初始PLS校正模型，然 后通過所述標準樣品確定PLS校正模型；
[0010]定期對待測樣品進行化驗，獲取所述待測樣品的樣品數據；
[0011] 同時，利用所述PLS校正模型對所述待測樣品進行預測，獲取所述待測樣品的預測 值；
[0012] 獲取的所述待測樣品的樣品數據和所述待測樣品的預測值通過采用KF算法修正 所述PLS校正模型的主因子系數。
[0013] 本發明還提供一種基于卡爾曼濾波偏最小二乘近紅外光譜動態演化模型校正系 統，包括：
[0014] 建模樣品選取單元，用于利用K/S算法從標準樣品中選擇有代表性的建模樣品；
[0015] 線性關系建立單元，用于采用PLS法對所述建模樣品建立近紅外光譜數據與濃度 間的線性關系；
[0016] PLS校正模型建立單元，用于利用去一交互檢驗法確定PLS因變量數，形成初始PLS 校正模型，然后通過所述標準樣品確定PLS校正模型；
[0017] 樣品數據獲取單元，用于定期對待測樣品進行化驗，獲取所述待測樣品的樣品數 據；
[0018] 預測值獲取單元，用于利用所述PLS校正模型對所述待測樣品進行預測，獲取所述 待測樣品的預測值；
[0019] PLS校正模型的主因子系數修正單元，用于對獲取的所述待測樣品的樣品數據和 所述待測樣品的預測值通過采用KF算法修正所述PLS校正模型的主因子系數。
[0020] 從上面的技術方案可知，本發明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動 態演化模型校正方法及系統，利用卡爾曼濾波偏最小二乘算法以保證近紅外光譜校正模型 具有自適應性，降低重建模型成本，從而達到實現在線分析的目的。
[0021] 為了實現上述以及相關目的，本發明的一個或多個方面包括后面將詳細說明并在 權利要求中特別指出的特征。下面的說明以及附圖詳細說明了本發明的某些示例性方面。 然而，這些方面指示的僅僅是可使用本發明的原理的各種方式中的一些方式。此外，本發明 旨在包括所有這些方面以及它們的等同物。
【附圖說明】
[0022] 通過參考以下結合附圖的說明及權利要求書的內容，并且隨著對本發明的更全面 理解，本發明的其它目的及結果將更加明白及易于理解。在附圖中：
[0023] 圖1為根據本發明實施例的基于卡爾曼濾波偏最小二乘近紅外光譜動態演化模型 校正方法流程示意圖；
[0024] 圖2為根據本發明實施例的基于卡爾曼濾波偏最小二乘近紅外光譜動態演化模型 校正系統結構框圖。
[0025 ]在所有附圖中相同的標號指示相似或相應的特征或功能。
【具體實施方式】
[0026] 在下面的描述中，出于說明的目的，為了提供對一個或多個實施例的全面理解，闡 述了許多具體細節。然而，很明顯，也可以在沒有這些具體細節的情況下實現這些實施例。
[0027] 以下將結合附圖對本發明的具體實施例進行詳細描述。
[0028] 為了說明本發明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動態演化模型校 正方法，圖1示出了根據本發明實施例的基于卡爾曼濾波偏最小二乘近紅外光譜動態演化 模型校正方法流程。
[0029] 如圖1所示，本發明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動態演化模型 校正方法包括：
[0030] S110:利用K/S(Kennard-Stone)算法從標準樣品中選擇有代表性的建模樣品；
[0031] S120:采用PLS法對所述建模樣品建立近紅外光譜數據與濃度間的線性關系；
[0032] S130:線性關系利用去一交互檢驗法確定PLS因變量數，形成初始PLS校正模型，然 后通過所述標準樣品確定PLS校正模型；
[0033] S140:定期對待測樣品進行化驗，獲取所述待測樣品的樣品數據；同時，利用所述 PLS校正模型對所述待測樣品進行預測，獲取所述待測樣品的預測值；
[0034] S150:獲取的所述待測樣品的樣品數據和所述待測樣品的預測值通過采用KF算法 修正所述PLS校正模型的主因子系數。
[0035] 在上述步驟S120中，設AnXm為η個樣品在m個波長上的光譜參數矩陣，Cnxi為η個樣 品1種成分含量構成的濃度矩陣。PLS法不直接建立每種成份與光譜參數向量的關系方程， 而是考慮AnXm與CnXl的外部關系和聯系二者的內部關系，將AnXm和CnXl分解為如下形式：
[0036] AnXm一TnXhPhXm+EnXm [0037 ] CnXl = UnXhQhXl+FnXl
[0038] 其中，h為樣品的抽象組分數，TnXh為光譜參數特征因子陣，UnXh為濃度特征因子 陣，Phx m為光譜參數載荷陣，Qhxi為濃度載荷陣，EnxdPFnxi分別為光譜參數陣和濃度矩陣的 殘差矩陣。
[0039] 然后建立TnXt^UnXh的關系矩陣B(濃度與光譜參數間的內部關系）：
[0040] UnXh = TnXhBhXh
[0041 ]此時，濃度與光譜參數間的外部關系為：
[0042] CnXl = TnXhBhXhQhXl+FnXl
[0043] 其中要求I |Fnxi| I達到最小。
[0044] 在上述步驟S130中，在建立PLS初始校正模型中，Tnxh與UnXh的關系矩陣Bhxh，設B矩 陣元素分別為b(i，j)(i = l，2,…，h;j = l，2,…，h)。為使回歸關系系數的計算轉化為濾波 遞推估計形式，將模型中的所有系數值組成狀態向量：
[0045] ff=[b(l,l)---b(l,h)---b(h,l)---b(h,h)]T
[0046] 則系統的狀態方程和觀測方程可表示為：
[wk=w,,
[0047] ^ Iq-c,+^=^,4) + ?
[0048] 其中，Cek為標樣濃度，Ak為第k個樣品光譜矢量，Crk為預測濃度;Vk為觀測噪聲，即 為隨機白噪聲，其統計特性為：
[0049] 印;）= 〇，￡(W ) = /?,' _〇]令蓋U=~；啊，為)-;一
[0051 ] 則觀測方程為：
[0052] Cek = Hkffk+Dk+Vk
[0053] 在本發明中，需要說明的是，在建立PLS校正模型后，待測樣品就可以使用PLS校正 模型進行預測，當時此模型使用一段時間后，可以再次對PLS校正模型進行校正，則校正的 具體方法就是上述步驟S140至S150,校正后的模型在預測時更為精確。
[0054]在本發明中，由卡爾曼濾波基本公式得PLS校正模型主因子系數學習的卡爾曼濾 波算法如下：
[0055] 時間更新(預測）
[0056] Step 1:向前推算權值變量，其中公式為：七
[0057] Step 2:向前推算誤差協方差，其中公式為：4二6>:1 [0058]測量更新(修正）
[0059] Step 3:計算卡爾曼增益，其中公式為：6 //，（/?.//，+& )-〖
[0060] Step 4:由期望輸出Yek更新估計，其中公式為：#,-=#;+心[(^--/|@--,4)
[0061] Step 5:更新誤差協方差，其中公式為心//;)6
[0062] Step 6:k = k+l轉Step 2
[0063] 其中，^^為初始估計權值變量;Pk-i為初始估計誤差協方差。
[0064] 與上述方法相對應，本發明還提供一種基于卡爾曼濾波偏最小二乘近紅外光譜動 態演化模型校正系統，圖2示出了根據本發明實施例的基于卡爾曼濾波偏最小二乘近紅外 光譜動態演化模型校正系統邏輯結構。
[0065] 如圖2所示，本發明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動態演化模型 校正系統200,包括:建模樣品選取單元210、線性關系建立單元220、PLS校正模型建立單元 230、樣品數據獲取單元240、預測值獲取單元250和PLS校正模型的主因子系數修正單元 260 〇
[0066] 具體地，建模樣品選取單元210，用于利用1(/5(1(6111^1(1-51:〇116)算法從標準樣品中 選擇有代表性的建模樣品；
[0067]線性關系建立單元220,用于采用PLS法對所述建模樣品建立近紅外光譜數據與濃 度間的線性關系；
[0068] PLS校正模型建立單元230,用于利用去一交互檢驗法確定PLS因變量數，形成初始 PLS校正模型，然后通過所述標準樣品確定PLS校正模型；
[0069]樣品數據獲取單元240,用于定期對待測樣品進行化驗，獲取所述待測樣品的樣品 數