本技术介绍了一种近红外检测领域的创新方法,即光谱模型迁移差值补偿技术。该技术旨在解决传统光谱模型迁移算法中存在的数据量大、操作复杂和预测效率低下的问题。该方法通过优化算法,首先实现了光谱数据的高效处理,进而提高了预测的准确性和效率。
背景技术
随着微机电技术的发展,近几年,微型化近红外光谱仪被广泛应用于食品、饮料、医药、煤炭等各个领域,相较于传统的大型傅里叶变换光谱分析系统,其具有结构简单、成本低廉、携带方便、结果实时可见等优势,目前已成为光谱领域的热门产品。
然而,相较于实验室大型近红外光谱设备,微型化近红外光谱仪受光源、检测器、制造工艺、使用方法、环境条件等影响,设备一致性、稳定性、重现性等指标都有明显的性能降低,尤其是在设备的一致性方面,同一型号的不同微型化近红外光谱设备一致性较差,不同设备建立的光谱模型并不具有通用性,由此,在实际的微型化近红外光谱分析应用中,针对同一类型待测样品,需要对每台微型化近红外光谱设备进行单独建模,浪费大量人力物力,极大程度的阻碍了微型化近红外光谱分析技术的发展。
目前市场上针对微型化近红外光谱设备的光谱模型不通用问题采用的常规处理方法为光谱模型转移,其算法包含斜率截距法(S/B)、Shenks算法、直接标准化(DS)及分段标准化(PDS)等,这些算法虽然能够一定程度解决光谱模型不通用问题,但这些算法通常应用于均匀性样本,例如小麦粉末,高梁粉末等样品,针对均匀性差,多种原料混合的样品,例如酒糟、酒曲等,常规模型转移算法起到的作用较小,光谱模型转移后预测能力较弱,同时,常规模型转移算法所涉及的光谱数据量极大,操作复杂且低效。
实现思路