動(dòng)態(tài)演化模型校正方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001 ]本發(fā)明涉及在線近紅外光譜分析技術(shù)領(lǐng)域，更為具體地，涉及一種基于卡爾曼濾 波BP神經(jīng)網(wǎng)絡(luò)(KF-BPNN)近紅外光譜動(dòng)態(tài)演化模型校正方法及系統(tǒng)。
【背景技術(shù)】
[0002] 建立準(zhǔn)確性高、自適應(yīng)性強(qiáng)的校正模型是近紅外光譜定量分析方法成功應(yīng)用的關(guān) 鍵。現(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(shí)現(xiàn)在線分析等 鮮明的特點(diǎn)正得到越來(lái)越多的應(yīng)用。在近紅外光譜分析實(shí)際應(yīng)用中，樣品近紅外光譜和待 測(cè)量存在復(fù)雜的間接關(guān)系。常通過(guò)求解標(biāo)準(zhǔn)曲線，建立測(cè)量數(shù)據(jù)與分析體系中某一待測(cè)組 分含量之間的對(duì)應(yīng)關(guān)系。BPNN具有出色的非線性關(guān)系表達(dá)能力，在處理近紅外光譜建模問(wèn) 題上顯示出獨(dú)特的優(yōu)越性，被廣泛用于非線性模型校正過(guò)程。
[0003] 但是上訴方法通常假設(shè)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(duì)穩(wěn)定的模型使用過(guò)程。然而光譜獲取過(guò)程受被測(cè)對(duì)象變化、儀器 老化、環(huán)境擾動(dòng)等影響具有時(shí)變性。當(dāng)儀器測(cè)量過(guò)程慢慢發(fā)生演變時(shí)，基于早期數(shù)據(jù)的校正 模型預(yù)測(cè)效果將無(wú)法得到保證。傳統(tǒng)方法通過(guò)利用補(bǔ)充樣品數(shù)據(jù)庫(kù)定期維護(hù)模型，從而保 證其適應(yīng)性，其特點(diǎn)是工作量大、成本高和不易實(shí)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(cè)量狀態(tài)。
[0004] 為解決上述問(wèn)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(wèn)題，本發(fā)明的目的是提供一種基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜 動(dòng)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(yīng)性，降低重建模型 成本，從而實(shí)現(xiàn)在線分析。
[0006] 本發(fā)明提供一種基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng)態(tài)演化模型校正方法， 包括：
[0007] 利用K/S算法從標(biāo)準(zhǔn)樣品中選擇有代表性的建模樣品；
[0008] 采用BPNN法對(duì)所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的非線性關(guān)系，形成 BPNN校正模型；
[0009] 定期對(duì)待測(cè)樣品進(jìn)行化驗(yàn)，獲取所述待測(cè)樣品的樣品數(shù)據(jù)；
[0010]同時(shí)，利用所述BPNN校正模型對(duì)所述待測(cè)樣品進(jìn)行預(yù)測(cè)，獲取所述待測(cè)樣品的預(yù) 測(cè)值；
[0011] 獲取的所述待測(cè)樣品的樣品數(shù)據(jù)和所述待測(cè)樣品的預(yù)測(cè)值通過(guò)采用KF算法修正 所述BPNN校正模型的閾值和權(quán)值。
[0012] 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(dòng)態(tài)演化模型校正系 統(tǒng)，包括：
[0013] 建模樣品選取單元，用于利用K/S算法從標(biāo)準(zhǔn)樣品中選擇有代表性的建模樣品；
[0014] BPNN校正模型建立單元，用于采用BPNN法對(duì)所述建模樣品建立近紅外光譜數(shù)據(jù)與 濃度間的非線性關(guān)系，形成BPNN校正模型；
[0015] 樣品數(shù)據(jù)獲取單元，用于定期對(duì)待測(cè)樣品進(jìn)行化驗(yàn)，獲取所述待測(cè)樣品的樣品數(shù) 據(jù)；
[0016] 預(yù)測(cè)值獲取單元，利用所述BPNN校正模型對(duì)所述待測(cè)樣品進(jìn)行預(yù)測(cè)，獲取所述待 測(cè)樣品的預(yù)測(cè)值；
[0017] BPNN校正模型的閾值和權(quán)值修正單元，用于對(duì)獲取的所述待測(cè)樣品的樣品數(shù)據(jù)和 所述待測(cè)樣品的預(yù)測(cè)值通過(guò)采用KF算法修正所述BPNN校正模型的閾值和權(quán)值。
[0018] 從上面的技術(shù)方案可知，本發(fā)明提供的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng) 態(tài)演化模型校正方法及系統(tǒng)，利用卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)以保證近紅外光譜校正模型具有 自適應(yīng)性，降低重建模型成本，從而達(dá)到實(shí)現(xiàn)在線分析的目的。
[0019] 為了實(shí)現(xiàn)上述以及相關(guān)目的，本發(fā)明的一個(gè)或多個(gè)方面包括后面將詳細(xì)說(shuō)明并在 權(quán)利要求中特別指出的特征。下面的說(shuō)明以及附圖詳細(xì)說(shuō)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(shuō)明】
[0020] 通過(guò)參考以下結(jié)合附圖的說(shuō)明及權(quán)利要求書(shū)的內(nèi)容，并且隨著對(duì)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：
[0021] 圖1為根據(jù)本發(fā)明實(shí)施例的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng)態(tài)演化模型 校正方法流程示意圖；
[0022] 圖2為根據(jù)本發(fā)明實(shí)施例的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng)態(tài)演化模型 校正系統(tǒng)結(jié)構(gòu)框圖。
[0023 ]在所有附圖中相同的標(biāo)號(hào)指示相似或相應(yīng)的特征或功能。
【具體實(shí)施方式】
[0024]在下面的描述中，出于說(shuō)明的目的，為了提供對(duì)一個(gè)或多個(gè)實(shí)施例的全面理解，闡 述了許多具體細(xì)節(jié)。然而，很明顯，也可以在沒(méi)有這些具體細(xì)節(jié)的情況下實(shí)現(xiàn)這些實(shí)施例。 [0025]以下將結(jié)合附圖對(duì)本發(fā)明的具體實(shí)施例進(jìn)行詳細(xì)描述。
[0026]為了說(shuō)明本發(fā)明提供的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng)態(tài)演化模型校 正方法，圖1示出了根據(jù)本發(fā)明實(shí)施例的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng)態(tài)演化 模型校正方法流程。
[0027]如圖1所示，本發(fā)明提供的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng)態(tài)演化模型 校正方法包括：
[0028] S110:利用K/S(Kennard-Stone)算法從標(biāo)準(zhǔn)樣品中選擇有代表性的建模樣品；
[0029] S120:采用BPNN法對(duì)所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的非線性，形成 BPNN校正模型；
[0030] S130:定期對(duì)待測(cè)樣品進(jìn)行化驗(yàn)，獲取所述待測(cè)樣品的樣品數(shù)據(jù)；同時(shí)，利用所述 BPNN校正模型對(duì)所述待測(cè)樣品進(jìn)行預(yù)測(cè)，獲取所述待測(cè)樣品的預(yù)測(cè)值；
[0031] S140:獲取的所述待測(cè)樣品的樣品數(shù)據(jù)和所述待測(cè)樣品的預(yù)測(cè)值通過(guò)采用KF算法 修正所述BPNN校正模型的閾值和權(quán)值。
[0032]在上述步驟S120中，（1)設(shè)Anxm為η個(gè)建模樣品在m個(gè)波長(zhǎng)上的光譜矩陣，CnXi為η個(gè) 建模樣品1種成分含量構(gòu)成的濃度矩陣。
[0033] Anxm=[ai，a2，···，Βη；Γ(η=1，2,…，Ν)為輸入矢量(光譜數(shù)據(jù)），或稱(chēng)訓(xùn)練樣本。
[0035] 其中，WMI(n)為第η次迭代時(shí)輸入層與隱層I之間的權(quán)值矢量。
[0036] Wjp (η)為第η次迭代時(shí)隱層J與輸出層之間的權(quán)值矢量。
[0037] Yk(n) = [yki(n)，yk2(n)，···，ykP(n)](k=l，2，···，Ν)為第η次迭代時(shí)網(wǎng)絡(luò)的實(shí)際輸 出;CnXl = [C1，C2，···，CnilYn=!，2,…，Ν)為期望濃度。
[0038] (2)初始化，賦給Wmi (0 )，Wjp (0)各一個(gè)較小的隨機(jī)非零值。
[0039] (3)隨機(jī)輸入樣本an，n = 0。
[0040] (4)對(duì)輸入樣本an，前向計(jì)算BP網(wǎng)絡(luò)每層神經(jīng)元的輸入信號(hào)和輸出信號(hào)。
[0041] (5)由期望濃度(神經(jīng)網(wǎng)絡(luò)輸出）cn和上一步求得的實(shí)際輸出a/，計(jì)算誤差E(n)，判 斷其是否滿(mǎn)足要求;若滿(mǎn)足要求轉(zhuǎn)至步驟(8);若不滿(mǎn)足要求轉(zhuǎn)至步驟(6)。
[0042] (6)判斷n+1是否大于最大迭代次數(shù)，若最大迭代次數(shù)轉(zhuǎn)至步驟(8)，若不大于最大 迭代次數(shù)，對(duì)輸入樣本a n，反向計(jì)算每層神經(jīng)元的局部梯度δ。
[0043] (7)按下式計(jì)算權(quán)值修正量Δ W，并修正權(quán)值;η = n+1，轉(zhuǎn)至步驟(4)
[0045]其中，η為學(xué)習(xí)速率，η為迭代次數(shù)。
[0046] (8)判斷是否學(xué)完所有的訓(xùn)練樣本，若是則結(jié)束，若否則轉(zhuǎn)至步驟(3)。
[0047]其中，，設(shè)有一N層前向網(wǎng)絡(luò)，每層神經(jīng)元數(shù)為Sk(k= 1，2，...，Ν)，記輸入層為第一 層，輸出層為第N層；第k層神經(jīng)元的連接權(quán)值Κ(/ = 1，2，.··，Α ^ = 網(wǎng)絡(luò)中的所 有權(quán)值組成狀態(tài)向量：
[0051]系統(tǒng)的狀態(tài)方程和觀測(cè)方程表示為
[0053] 其中，Vk為觀測(cè)噪聲，其統(tǒng)計(jì)特性為：
[0054] E(^) = O,E(^yZ) = Ri
[0056] 則觀測(cè)方程為：
[0057] Cek = Hkffk+Dk+Vk
[0058] 其中，Cek為標(biāo)樣濃度，ak為第k個(gè)樣品光譜矢量，Crk為預(yù)測(cè)濃度。
[0059]在本發(fā)明中，需要說(shuō)明的是，在建立BPNN校正模型后，待測(cè)樣品就可以使用BPNN校 正模型進(jìn)行預(yù)測(cè)，當(dāng)時(shí)此模型使用一段時(shí)間后，可以再次對(duì)BPNN校正模型進(jìn)行校正，則校正 的具體方法就是上述步驟S130,校正后的模型在預(yù)測(cè)時(shí)更為精確。
[0060] 在本發(fā)明中，由卡爾曼濾波基本公式得BPNN校正模型閾值、權(quán)值學(xué)習(xí)的卡爾曼濾 波算法如下：
[0061] 時(shí)間更新(預(yù)測(cè)）
[0062] Step 1:向前推算權(quán)值變量，其中公式為：#A_-
[0063] Step 2:向前推算誤差協(xié)方差，其中公式為：盡=巧_:1 [0064] 測(cè)量更新(修正）
[0065] Step 3:計(jì)算卡爾曼增益，其中公式為：《二/〗///' /// + Af1
[0066] Step 4:由期望輸出Cek更新估計(jì)，其中公式為：虼& [CV-4)
[0067] Step 5:更新誤差協(xié)方差，其中公式為：巧:
[0068] Step 6:k = k+l轉(zhuǎn)Step 2;
[0069] 其中，斤4為初始估計(jì)權(quán)值變量;Pk-i為初始估計(jì)誤差協(xié)方差。
[0070] 與上述方法相對(duì)應(yīng)，本發(fā)明還提供一種基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng) 態(tài)演化模型校正系統(tǒng)，圖2示出了根據(jù)本發(fā)明實(shí)施例的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外 光譜動(dòng)態(tài)演化模型校正系統(tǒng)邏輯結(jié)構(gòu)。
[0071] 如圖2所示，本發(fā)明提供的基于卡爾曼濾波BP神經(jīng)網(wǎng)絡(luò)近紅外光譜動(dòng)態(tài)演化模型 校正系統(tǒng)200,包括:建模樣品選取單元210、BPNN校正模型建立單元220、樣品數(shù)據(jù)獲取單元 230、預(yù)測(cè)值獲取單元240和BPNN校正模型的閾值和權(quán)值修正單元250。
[0072] 具體地，建模樣品選取單元210,用于利用K/S (Kennard-Stone)算法從標(biāo)準(zhǔn)樣品中 選擇有代表性的建模樣品；
[0073] BPNN校正模型建立單元220，用于采用BPNN法對(duì)所述建模樣品建立近紅外光譜數(shù) 據(jù)與濃度間的非線性關(guān)系，形成BPNN校正模型；
[0074]樣品數(shù)據(jù)獲取單元230,用于定期對(duì)待測(cè)樣品進(jìn)行化驗(yàn)，獲取所述待測(cè)樣品的樣品 數(shù)據(jù)；
[0075]預(yù)測(cè)值獲取單元240,用于利用所述BPNN校正模型對(duì)所述待測(cè)樣品進(jìn)行預(yù)測(cè)，獲取 所述待測(cè)樣品的預(yù)測(cè)值；
[0076] BPNN校正模型的閾值和權(quán)值修正單元250，用于對(duì)獲取的所述待測(cè)樣品的樣品數(shù) 據(jù)和所述待測(cè)樣品的預(yù)測(cè)值通過(guò)采用KF算法修正所述BPNN校正模型的閾值和權(quán)值。
[0077] 其中，BPNN校正模型建立單元220在采用BPNN法對(duì)所述建模樣品建立近紅外光譜 數(shù)據(jù)與濃度間的非線性關(guān)系，形成BPNN校正模型的過(guò)程中，
[0078] (1)設(shè)AnXm為η個(gè)建模樣品在m個(gè)波長(zhǎng)上的光譜矩陣，CnXi為η個(gè)建模樣品1種成分含 量構(gòu)成的濃度矩陣；
[0081 ]其中，WMi(n)為第η次迭代時(shí)輸入層與隱層I之間的權(quán)值矢量；
[0082] Wjp (η)為第η次迭代時(shí)隱層J與輸出層之間的權(quán)值矢量；
[0083] Yk(n) = [yki(n)，yk2(n)，···，ykP(n)](k=l，2，···，Ν)為第η次迭代時(shí)網(wǎng)絡(luò)的實(shí)際輸 出；