動態(tài)演化模型校正方法及系統(tǒng)的制作方法
【技術領域】
[0001] 本發(fā)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(tài)演化模型校正方法及系統(tǒng)。
【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?，F(xiàn)代近紅外光譜以其分析速度快、重現(xiàn)性好、成本低、不消耗樣品、易于實現(xiàn)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(shù)據(jù)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(yōu)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(huán)境噪聲和部件狀態(tài)是穩(wěn)定的，是一種靜態(tài)建模 方法。其效果僅限于短期相對穩(wěn)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(huán)境擾動等影響具有時變性。當儀器測量過程慢慢發(fā)生演變時，基于早期數(shù)據(jù)的校 正模型預測效果將無法得到保證。傳統(tǒng)方法通過利用補充樣品數(shù)據(jù)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(xiàn)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(tài)信息，不能精確代表儀器最新測量狀態(tài)。
[0004] 為解決上述問題，本發(fā)明需要提供一種新的模型校正方法。

【發(fā)明內(nèi)容】

[0005] 鑒于上述問題，本發(fā)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(tài)演化模型校正方法及系統(tǒng)，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(xiàn)在線分析。
[0006] 本發(fā)明提供一種基于卡爾曼濾波偏最小二乘近紅外光譜動態(tài)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(shù)據(jù)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(shù)，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(shù)據(jù)；
[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(shù)據(jù)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(shù)。
[0013] 本發(fā)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(tài)演化模型校正系 統(tǒng)，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(shù)據(jù)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(shù)，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(shù)據(jù)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(shù) 據(jù)；
[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(shù)修正單元，用于對獲取的所述待測樣品的樣品數(shù)據(jù)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(shù)。
[0020] 從上面的技術方案可知，本發(fā)明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動 態(tài)演化模型校正方法及系統(tǒng)，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(xiàn)在線分析的目的。
[0021] 為了實現(xiàn)上述以及相關目的，本發(fā)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(fā)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(fā)明的原理的各種方式中的一些方式。此外，本發(fā)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(jié)合附圖的說明及權利要求書的內(nèi)容，并且隨著對本發(fā)明的更全面 理解，本發(fā)明的其它目的及結(jié)果將更加明白及易于理解。在附圖中：
[0023] 圖1為根據(jù)本發(fā)明實施例的基于卡爾曼濾波偏最小二乘近紅外光譜動態(tài)演化模型 校正方法流程示意圖；
[0024] 圖2為根據(jù)本發(fā)明實施例的基于卡爾曼濾波偏最小二乘近紅外光譜動態(tài)演化模型 校正系統(tǒng)結(jié)構(gòu)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(jié)。然而，很明顯，也可以在沒有這些具體細節(jié)的情況下實現(xiàn)這些實施例。
[0027] 以下將結(jié)合附圖對本發(fā)明的具體實施例進行詳細描述。
[0028] 為了說明本發(fā)明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動態(tài)演化模型校 正方法，圖1示出了根據(jù)本發(fā)明實施例的基于卡爾曼濾波偏最小二乘近紅外光譜動態(tài)演化 模型校正方法流程。
[0029] 如圖1所示，本發(fā)明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動態(tài)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(shù)據(jù)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(shù)，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(shù)據(jù)；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(shù)據(jù)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(shù)。
[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(shù)矩陣，Cnxi為η個樣 品1種成分含量構(gòu)成的濃度矩陣。PLS法不直接建立每種成份與光譜參數(shù)向量的關系方程， 而是考慮AnXm與CnXl的外部關系和聯(lián)系二者的內(nèi)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(shù)，TnXh為光譜參數(shù)特征因子陣，UnXh為濃度特征因子 陣，Phx m為光譜參數(shù)載荷陣，Qhxi為濃度載荷陣，EnxdPFnxi分別為光譜參數(shù)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(shù)間的內(nèi)部關系）：
[0040] UnXh = TnXhBhXh
[0041 ]此時，濃度與光譜參數(shù)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(shù)的計算轉(zhuǎn)化為濾波 遞推估計形式，將模型中的所有系數(shù)值組成狀態(tài)向量：
[0045] ff=[b(l,l)---b(l,h)---b(h,l)---b(h,h)]T
[0046] 則系統(tǒng)的狀態(tài)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(tǒng)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(fā)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(fā)明中，由卡爾曼濾波基本公式得PLS校正模型主因子系數(shù)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(xié)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(xié)方差，其中公式為心//;)6
[0062] Step 6:k = k+l轉(zhuǎn)Step 2
[0063] 其中，^^為初始估計權值變量;Pk-i為初始估計誤差協(xié)方差。
[0064] 與上述方法相對應，本發(fā)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(tài)演化模型校正系統(tǒng)，圖2示出了根據(jù)本發(fā)明實施例的基于卡爾曼濾波偏最小二乘近紅外 光譜動態(tài)演化模型校正系統(tǒng)邏輯結(jié)構(gòu)。
[0065] 如圖2所示，本發(fā)明提供的基于卡爾曼濾波偏最小二乘近紅外光譜動態(tài)演化模型 校正系統(tǒng)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(shù)據(jù)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(shù)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(shù)據(jù)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(shù)，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(shù)據(jù)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(shù)