用于近红外光谱仪测量光谱预测的评估模型构建方法与流程

技术特征：
1.用于近红外光谱仪测量光谱预测的评估模型构建方法，包括多台参与产品检测的近红外光谱仪和已经获取的多个标准样本，其特征在于，所述评估模型构建方法包括：第一步：参与产品检测的多台近红外光谱仪对多个标准样本分别进行采集得到各近红外光谱仪对多个标准样本的光谱数据，其中一台近红外光谱仪采集的标准样本多于其余近红外光谱仪采集的标准样本；第二步：分别对多台近红外光谱仪所采集的光谱数据进行去噪声处理；第三步：对多台近红外光谱仪所采集的光谱数据进行一致化处理，其过程是：以采集测量标准样本最多的光谱仪光谱数据的平均光谱为理想光谱，用所述理想光谱对其余光谱仪的光谱数据进行多元散射矫正；第四步：对多台近红外光谱仪一致化处理后的光谱数据使用多任务学习模型并行训练，利用寻优算法优化模型参数得到各波长权重；第五步：由权重得到评估模型：y
forecast
＝w*s其中：y
forecast
为预测对象，w为波长权重，s为这台光谱仪的测量光谱。2.根据权利要求1所述的评估模型构建方法，其特征在于，所述多任务学习模型公式为：其中：m是作为任务数量的近红外光谱仪数量，n为每个任务的标准样本光谱数量，x为每条光谱数据，y为待建立联系的参量，||t||
tr
与||l||
2，1
为迹范数l
2，1
范数，用于建立任务间的联系与约束，α，β为第一、第二权重系数范围在1e-6到1e6之间选取，t
i
与l
i
为待求的波长权重。3.根据权利要求2所述的评估模型构建方法，其特征在于，所述利用寻优算法优化模型参数是使用粒子群寻优、遗传算法、贝叶斯优化方法对所述第一、第二权重系数寻优。4.根据权利要求1所述的评估模型构建方法，其特征在于，所述去噪声处理是利用savitzky-golay卷积法消除各仪器光谱数据的噪声，所述savitzky-golay卷积法表达式为：其中：m为加窗宽度，p
s
为波长点s的平滑系数；p
s
＝x
′
l s
/x
l s
；x
′
l s
为波长点l s的光谱吸光度拟合值，x
l s
为波长点l s的光谱吸光度真实值，x
′
l s
通过最小二乘法对样本光谱拟合获得；其中的加窗宽度为7，最小二乘拟合阶次为2。
5.根据权利要求1所述的评估模型构建方法，其特征在于，所述平均光谱的求解公式为：其中为光谱数据a
st
的平均光谱，为第i个样本的光谱，n为样本集光谱数量。6.根据权利要求5所述的评估模型构建方法，其特征在于，用所述理想光谱对其余光谱仪的光谱数据进行多元散射矫正的过程是：首先将光谱仪中每个样本的光谱与所述平均光谱进行一元线性回归，求解最小二乘问题得到每个样本的基线平移量和偏移量；随后对每个样本的光谱减去求得的基线平移量后除以偏移量，得到矫正后的光谱。7.根据权利要求1所述的评估模型构建方法，其特征在于，所述方法进一步包括：在完成第一步后，将各近红外光谱仪对多个标准样本的光谱数据进行标准化处理，公式为:s为原始光谱，s
st
为标准化后的光谱，μ为所有标准样本光谱的平均值，σ为标准样本光谱间的标准差。

技术总结
本发明公开了用于近红外光谱仪测量光谱预测的评估模型构建方法，包括多台参与产品检测的近红外光谱仪和已经获取的多个标准样本，所述评估模型构建方法包括：对多个标准样本分别进行采集得到各近红外光谱仪对多个标准样本的光谱数据，其中一台近红外光谱仪采集的标准样本多于其余近红外光谱仪采集的标准样本；对光谱数据进行去噪声处理；对光谱数据进行一致化处理；对光谱数据使用多任务学习模型并行训练，利用寻优算法优化模型参数得到各波长权重；由权重得到评估模型。本发明减少了对标准样本检测工作量，通过多任务学习机制，达成利用各个仪器数据集之间的相关性，加快了评估模型构建速度，提高了评估关系模型的准确性以及工作效率。工作效率。工作效率。


技术研发人员：秦少瑞 王刘芳 朱胜龙 李坚林 柯艳国 李宾宾 罗沙 谢佳 潘超 黄伟民 秦金飞 马亚彬 缪春辉
受保护的技术使用者：国网安徽省电力有限公司电力科学研究院
技术研发日：2022.08.01
技术公布日：2022/11/11