光谱校正方法研究及其在土壤检测的应用

发布时间：2020-10-11 09:20

　　 近红外光谱分析是一种快速简便的绿色分析技术。采用漫反射、透反射等方式直接快速测量固体样品,同时在方法学上提出了挑战。因为需要克服由于光散射造成的光谱基线漂移和倾斜等干扰。多元散射校正(MSC)、标准正态变量变换(SNV)和Savitzky-Golay平滑(SG)是重要的光谱校正方法。可用于校正由于散射、温度波动等对光谱造成的干扰,还可用于在不同仪器之间的模型传递。MSC方法假设每个样品光谱与定标样品平均光谱满足线性关系。但谱段较宽时,整体线性化的假设难以成立。分段多元散射校正(PMSC)方法提出可移动p+1+q模式的局部校正窗口,实现光谱的分段线性校正。并通过几个实例,取得了明显优于MSC方法的预测效果。然而,受限于当时计算机的运算速度,PMSC方法没有实现全局的优选。另一方面,不同波段的光谱校正参数通常是不同的,由于算法的复杂性,波段选择和光谱校正交互式同时优化的算法还未见报道。本研究进行两方面的方法推广:(1)构建基于偏最小二乘(PLS)模型的PMSC方法的优化平台,实现对校正窗口模式的全局优选;(2)分别基于SG、SNV、MSC和PMSC四种光谱校正方法,结合移动窗口PLS(MW-PLS),提出MW-SG-PLS、MW-SNV-PLS、MW-MSC-PLS、MW-PMSC-PLS四种集成方法,实现光谱校正和波段选择的交互式同时优化。以土壤有机质的近红外分析为例,验证了提出的几种方法。主要成果如下:(1)PMSC-PLS方法:(1)建立PMSC-PLS模型全局优化算法平台,实现对校正窗口的全局筛选。最优模型的检验预测均方根误差和检验预测相关系数(RMSEP_V,R_(P,V))分别为0.184 g·kg~(-1)和0.975,其预测效果明显优于MSC-PLS模型;(2)研究发现,PMSC-PLS模型的校正窗口分为三类:过度校正,适度校正和不足校正。本例中,窗口宽度过小(m61)的为过度校正;窗口宽度过大(m800)的为不足校正;适当的校正窗口宽度为61~800。(2)交互式优化方法:采用整体初筛参数优化策略,四种集成方法均实现了交互式优化运算:(1)最优MW-SG-PLS模型的RMSEP_V和R_(P,V)分别为0.187 g·kg~(-1)和0.969,明显优于SG-PLS和MW-PLS模型;(2)最优MW-SNV-PLS模型的RMSEP_V和R_(P,V)分别为0.186 g·kg~(-1)和0.970,明显优于SNV-PLS和MW-PLS模型;(3)最优MW-MSC-PLS模型的RMSEP_V和R_(P,V)分别为0.188 g·kg~(-1)和0.970,明显优于MSC-PLS和MW-PLS模型;(4)最优MW-PMSC-PLS(对称校正窗口)模型的RMSEP_V和R_(P,V)分别为0.177 g·kg~(-1)和0.971,明显优于对称校正窗口情形PMSC-PLS和MW-PLS模型。因此,光谱校正和波段选择的交互式优化,优于单独的光谱校正,也优于单独的波段选择。(3)上述方法中,同时进行了校正窗口优化以及波段选择的MW-PMSC-PLS模型的预测性能最优。本研究实现了校正窗口可变MSC方法的全局优化,也实现了光谱校正与波段选择交互式优化。这些方法拓展了近红外光谱的应用途径,可为复杂体系的近红外光谱分析提供重要的参考。
【学位单位】：暨南大学
【学位级别】：硕士
【学位年份】：2018
【中图分类】：S151.9;O657.3
【部分图文】：

了校正窗口相关性分析策略，分析光谱校正的重要参数（校正窗口的影响，为校正窗口的优选设置合理的方案。方便说明，本研究从土壤有机质数据集中选取某一样品光谱以及定值作为分析示例（数据集参见本研究 3.2 节），相应的光谱波长扫 nm，2 nm 波长间隔，共计 1050 个波长点。到展示效果，本研究设置了五个有一定相隔间距的校3,63,93,1049}。对于每一参数 m ，计算该样品光谱和平均光谱的移采用不同颜色区分不同校正窗口的计算结果，如图 2.1 所示。由于窗口来计算前后边缘 (m -1)2个波长点的相关系数，具体分别使用长点构成的校正窗口，因为前后边缘的 ( m -1)2+1个波长点相关系了相同的校正窗口，所以边缘 ( m -1)2+1个待校正点相关系数也分

暨南大学硕士学位论文.1 可知，当校正窗口较小时（即 m=3 和 m=33），在 430、1368、 及相邻波长处的相关系数较低，m=3 尤为明显，在多处还出现窗口较大时（即 m=63、m=93 和 m=1049），在各个波长点的相样品光谱和参考光谱相关性高。步观察 PMSC 方法中校正窗口大小的影响，深入分析以 430、8 nm 五处出现低相关性的波长点为中心的校正窗口，计算不同,5, ,1049}）的样品光谱和参考光谱的相关系数。参数 m 达到一包括样品光谱的边界波长点，进一步增大参数 m 已经不能满条件，联系 PMSC 对边缘特殊校正点的处理方式，引入非对数作为补充。以不同的颜色区分显示 430、1368、1762、1836相关系数结果，如图 2.2 所示。

24图 2.3 MW-SG-PLS 算法流程图(1) 从参数设置中获取有效的参数组合（I, N, m, p, d, LV）。其中，MW 参数组 ,N)、SG 校正参数（m, p, d）和潜变量个数（ LV ）均为有效参数，此外，参数N 需要满足方法集成条件： m ≤ N；
【相似文献】

相关期刊论文 前10条

1 阎立诚,王荫庭,杨金秀,李郁,马光,陈念贻;KNO_3-NaNO_2系熔盐溶液的激光Raman光谱研究[J];金属学报;1988年01期

2 刘培君;张琳;范春清;;利用光谱数据估算塔里木河流域主要地物在陆地卫星象片上的灰度级[J];干旱区研究;1988年03期

3 陈蓉;王帅;;研究光谱数据挖掘中的特征提取方法[J];通讯世界;2015年17期

4 赵广宇;赵鹏飞;高斌;卢昱欣;;模糊识别理论在光谱数据中的应用[J];长春理工大学学报(自然科学版);2016年04期

5 李海萍,庄大方,熊利亚;沙化土地野外光谱数据采集的技术方法探讨[J];武汉大学学报(信息科学版);2003年04期

6 王展;王可;王伟超;;提高光谱匹配精度的散射噪声消除方法研究[J];激光与光电子学进展;年期

7 李乡儒;;光谱数据挖掘中的特征提取方法[J];天文学进展;2012年01期

8 张远飞;杨自安;张普斌;石菲菲;张建国;;高(多)光谱数据的背景-异常子空间模型研究[J];地球信息科学学报;2009年03期

9 李幸丽;杜培军;张华鹏;;典型光谱数据库的建立及其图形界面分析[J];矿山测量;2006年03期

10 沈掌泉,王珂,王人潮;水稻光谱数据处理系统[J];浙江农业大学学报;1998年01期

相关博士学位论文 前10条

1 王文玉;海量天文光谱数据中白矮主序双星的发现研究[D];山东大学;2015年

2 宗靖国;红外成像光谱数据获取及其在场景仿真中的应用[D];西安电子科技大学;2011年

3 俞斌峰;多任务学习及其在光谱数据分析中的应用[D];中国科学技术大学;2015年

4 夏建涛;基于机器学习的高维多光谱数据分类[D];西北工业大学;2002年

5 雷萌;基于机器学习的煤质近红外光谱分析[D];中国矿业大学;2013年

6 林耀海;压缩编码的计算光谱成像方法研究[D];西安电子科技大学;2016年

7 萨米;一种新颖的基于稀疏表示的超光谱数据分类方法[D];清华大学;2012年

8 张博;LAMOST光谱数据的二维处理关键技术研究[D];中国科学技术大学;2016年

9 李京忠;基于遥感的狼毒提取与空间格局动态研究[D];西北大学;2017年

10 何玉林;基于核密度估计的光谱数据分类与回归方法研究[D];河北大学;2014年

相关硕士学位论文 前10条

1 钟杰;光谱校正方法研究及其在土壤检测的应用[D];暨南大学;2018年

2 肖洁;基于几何光谱一体化的植株叶绿素反演研究[D];武汉大学;2018年

3 刘娜;岩石光谱、物性、主要化学成分间的特征响应关系研究[D];吉林大学;2018年

4 李新双;光谱数据库的设计及光谱匹配技术研究[D];武汉大学;2005年

5 李勋兰;柑橘光谱数据库的建立及应用研究[D];西南大学;2015年

6 郝建亭;光谱数据处理及其在植被信息提取中的应用[D];成都理工大学;2008年

7 陆皖宁;水体遥感实测光谱数据后处理与软件实现[D];南京师范大学;2007年

8 刘彩芳;面向光谱数据应用集成处理软件研究[D];中国科学院研究生院(西安光学精密机械研究所);2012年

9 吕英杰;LIBS光谱数据分类算法及应用研究[D];西北大学;2014年

10 同新妮;基于LIBS技术的光谱数据预处理算法研究[D];西北大学;2017年

本文编号：2836397