本發(fā)明屬于近紅外光譜分析，尤其涉及一種無標樣模型轉移方法。

背景技術：

1、本部分的陳述僅僅是提供了與本發(fā)明相關的背景技術信息，不必然構成在先技術。

2、近紅外光譜技術(nir)作為一種新興技術已廣泛應用于食品、醫(yī)藥、農業(yè)等領域，其快速無損，綠色環(huán)保，可同時檢測多種化學成分?；瘜W計量學方法在近紅外光譜技術的應用中極其重要，其在近紅外檢測方面主要包括光譜預處理、變量篩選、多元校正方法和模型轉移方法等。

3、建立近紅外模型時，當校準和測試數據來自相同的數據生成過程時，對新數據的預測才是可靠的，測量期間環(huán)境條件的差異、基線漂移、儀器之間的差異等都可能導致對模型預測效果變差，這個問題為近紅外技術的實際應用帶來了不便。因此，校準模型通常需要適應，以便保持預測準確性，模型轉移是一個解決該問題的良好途徑。模型轉移允許在不同儀器或樣本狀態(tài)之間共享校準模型，其可以避免重復建模，節(jié)省時間、成本和資源，提高模型的適用性和準確性。

4、模型轉移方法根據是否借助標準化樣本可分為有標樣和無標樣模型轉移方法。進行模型傳遞的標準化方法可通過對模型系數的校正、對預測結果的校正或對測定光譜的校正來實現。對預測結果的校正方法主要為包括斜率/截距校正法(sbc)，sbc方法通過調整模型的斜率和截距，使得不同儀器對標準化樣本的預測結果相近來達到校正預測結果的目的。對測定光譜的校正方法主要有三種，分別為小波變換域標準化校正方法、單變量標準化校正方法和多變量標準化校正方法。單變量標準化校正方法分別針對光譜吸光度進行校正或對光譜波長和吸光度同時校正。多變量標準化校正方法包括直接標準化(ds)算法和分段直接標準化(pds)算法等。

5、但是有標樣方法的應用需要在不同儀器上測定標準化樣本，例如如果兩臺儀器相隔遙遠或樣本的化學性質不穩(wěn)定時，難以測定標準化樣本，這時有標樣方法無法應用。

技術實現思路

1、為了解決上述背景技術中存在的至少一項技術問題，本發(fā)明提供一種無標樣模型轉移方法，其進行模型轉移時無需標準化樣本，適用于無法在不同儀器上測定標準化樣本的情況，且源儀器和目標儀器的光譜變量數是否一致沒有限制，擴大了模型轉移的適用范圍。

2、為了實現上述目的，本發(fā)明采用如下技術方案：

3、本發(fā)明的第一方面提供一種基于近紅外光譜的無標樣模型轉移方法，包括如下步驟：

4、分別獲取目標儀器和源儀器采集的待測樣本的近紅外光譜；

5、根據目標儀器和源儀器采集的樣本的近紅外光譜，采用相近波長點法或f矩陣法，將目標儀器的光譜數據點數量與源儀器的光譜數據點數量保持一致，構建得到目標儀器和源儀器的樣本數據；

6、將樣本數據分為校正集樣本和驗證集樣本，將源儀器校正集樣本和目標儀器校正集樣本按照一定比例組合得到混合模型的校正集，驗證集為目標儀器的驗證集樣本；

7、構建混合模型的校正集時，調整目標儀器校正集樣本光譜強度的比例系數使其與源儀器光譜的強度相當；

8、基于混合模型的校正集光譜和參考值進行關聯建模，預測得到待測樣本的指標值。

9、進一步地，根據目標儀器和源儀器采集的樣本的近紅外光譜，采用相近波長點法，構建得到目標儀器和源儀器的樣本數據，包括：

10、以目標儀器的近紅外光譜的光譜變量為基礎，將源儀器的近紅外光譜的光譜變量統一；

11、若目標儀器的近紅外光譜的光譜變量為波長，確定源儀器和目標儀器的光譜變量的波長交集部分，選擇目標儀器的光譜在波長交集范圍內的波長數據點構成目標儀器的樣本數據，選擇源儀器波長與目標儀器波長差值的絕對值最小的波長數據點構成源儀器的樣本數據，目標儀器的樣本數據和源儀器的樣本數據的波長數據點數量相同。

12、進一步地，根據目標儀器和源儀器采集的樣本的近紅外光譜，采用f矩陣法，構建得到目標儀器和源儀器的樣本數據，包括：

13、將目標儀器和源儀器采集的樣本的近紅外光譜通過協方差校正計算關聯矩陣f，然后通過f矩陣將目標儀器的光譜轉換為適合于源儀器的光譜，使轉換后的光譜與源儀器光譜的波長數據點數量相同；

14、其中，f矩陣的計算方法為：

15、f＝(λs1/2*vs')-1*(λm1/2*vm')，其中λs和λm分別為目標儀器光譜與源儀器光譜的奇異值(或特征值)對角矩陣，vs與vm分別為目標儀器光譜與源儀器光譜的右奇異向量(或特征向量)，“-1”和“’”分別表示求逆運算和矩陣轉置運算。

16、進一步地，所述構建混合模型的校正集時，調整目標儀器校正集樣本光譜強度的比例系數使其與源儀器光譜的強度相當，具體包括：

17、基于源儀器與目標儀器采集的光譜吸收強度值，進行比例估計，然后設定目標儀器校正集光譜的比例系數k值的變化范圍及變動步長，通過驗證集的性能進行k值優(yōu)化，得到最優(yōu)k值。

18、進一步地，在得到目標儀器和源儀器的樣本數據后，對樣本數據異常值的剔除，采用主成分分析結合hotellingt2方法對樣本集進行異常值剔除。

19、進一步地，對樣本數據異常值的剔除后，分別使用標準正態(tài)變量變換，多元散射校正，sg平滑、一階導數、二階導數、小波變換及其組合方法進行光譜預處理，通過不同預處理方法下的模型轉移結果確定最優(yōu)光譜預處理方法。

20、進一步地，所述混合模型的校正集光譜為：

21、xmod＝[x1mod；kx2mod]，

22、ymod＝[y1mod；y2mod]，

23、其中，xmod表示混合模型的校正集光譜，x1mod表示源儀器的校正集光譜，x2mod表示目標儀器的校正集光譜，k為目標儀器校正集光譜的比例系數?！埃弧北硎揪仃嚁祿凑招械姆较蜻M行擴增，即xmod的行數是x1mod與x2mod行數的和，ymod表示混合模型的校正集樣本參考值，y1mod與y2mod分別表示源儀器與目標儀器的校正集樣本的參考值。

24、進一步地，所述基于混合模型的校正集光譜和參考值進行關聯建模，包括：

25、通過pls算法，得到回歸系數bpls，使得ymod_fit＝xmod*bpls，其中ymod_fit是對ymod的擬合，bpls是通過選擇適當的主成分數或潛在因子數優(yōu)化確定，對于目標儀器的待測樣本x2un，其對應的y2un通過y2un＝x2un*bpls進行預測。

26、進一步地，待測樣本的指標值預測采用rp、rmsep、rpd的值作為指標評價模型性能。

27、進一步地，所述目標儀器采用micro1700近紅外光譜儀，源儀器采用antaris?ii傅立葉變換近紅外光譜儀。

28、與現有技術相比，本發(fā)明的有益效果是：

29、1、本發(fā)明通過混合模型的構建，使得源儀器校正集光譜與目標儀器校正光譜的信息融合。基于混合模型建立的校正模型使得目標儀器的光譜得到模型校正和轉移。采用混合模型進行模型轉移時無需標準化樣本，適用于無法在不同儀器上測定標準化樣本的情況。

30、2、本發(fā)明采用最相近波長(或波數)點法或f矩陣法構建混合模型的光譜數據，進而能夠實現模型的轉移，且源儀器和目標儀器的光譜變量數是否一致沒有限制，擴大了模型轉移的適用范圍。

31、本發(fā)明附加方面的優(yōu)點將在下面的描述中部分給出，部分將從下面的描述中變得明顯，或通過本發(fā)明的實踐了解到。