文献类型：专利

专利类型：发明专利

是否失效：否

是否授权：否

申 请 号：CN201510979854.3

申 请 日：20151223

发 明 人：梅青平 姚立忠 李太福 王先国 杨君玲 杨永龙 曹旭鹏

申 请 人：重庆科技学院

申请人地址：401331 重庆市沙坪坝区虎溪大学城

公 开 日：20180619

公 开 号：CN105548068B

代 理 人：王玉芝

代理机构：50223 重庆蕴博君晟知识产权代理事务所(普通合伙)

语　　种：中文

摘　　要：本发明提供一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法及系统，其中的方法包括：利用K/S算法从标准样品中选择有代表性的建模样品；采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；线性关系利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，通过所述标准样品确定PLS校正模型；定期对待测样品进行化验，获取所述待测样品的样品数据；利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数。利用本发明能够保证近红外光谱校正模型具有自适应性，降低重建模型成本，从而实现在线分析。

主 权 项：1.一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型校正方法，包括：利用K/S算法从标准样品中选择有代表性的建模样品；采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系；所述线性关系利用去一交互检验法确定PLS因变量数，形成初始PLS校正模型，然后通过所述标准样品确定PLS校正模型；定期对待测样品进行化验，获取所述待测样品的样品数据；同时，利用所述PLS校正模型对所述待测样品进行预测，获取所述待测样品的预测值；获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF算法修正所述PLS校正模型的主因子系数；在采用PLS法对所述建模样品建立近红外光谱数据与浓度间的线性关系的过程中，设A_n×m为n个样品在m个波长上的光谱参数矩阵，C_n×l为n个样品l种成分含量构成的浓度矩阵；A_n×m和C_n×l分解为如下形式：A_n×m＝T_n×hP_h×m+E_n×mC_n×l＝U_n×hQ_h×l+F_n×l然后，建立T_n×h与U_n×h的关系矩阵B_h×h：U_n×h＝T_n×hB_h×h此时，浓度与光谱参数间的外部关系为:C_n×l＝T_n×hB_h×hQ_h×l+F_n×l其中，h为样品的抽象组分数；T_n×h为光谱参数特征因子阵；U_n×h为浓度特征因子阵；P_h×m为光谱参数载荷阵；Q_h×l为浓度载荷阵；E_n×m和F_n×l分别为光谱参数阵和浓度矩阵的残差矩阵；在所述线性关系利用去一交互检验法确定PLS因变量数，然后通过所述标准样品确定PLS校正模型的过程中，在所述PLS初始校正模型中，已知T_n×h与U_n×h的关系矩阵B_h×h，设B_h×h矩阵元素分别�

关 键 词：待测样品  校正模型  近红外光谱 标准样品  建模样品  线性关系  样品数据  预测  近红外光谱数据  卡尔曼滤波 偏最小二乘 动态演化  交互检验  模型成本  模型校正  算法修正  在线分析  自适应性 因变量 主因子  算法  化验 重建  保证  

IPC专利分类号：G01N21/359(20140101)