本發(fā)明屬于近紅外光譜技術(shù)在線分析領(lǐng)域，具體涉及一種基于GT-KF-PLS(Gamma test-Kalman filter-Partial least square，伽馬測試的卡爾曼濾波偏最小二乘)近紅外光譜動態(tài)演化模型校正方法及系統(tǒng)。

背景技術(shù)：

KF-PLS(Kalman FilterPartial Least Squares)已被證明是提高近紅外光譜多元校正模型適應(yīng)性的一種新方法。采用該方法建立的校正模型具有適應(yīng)設(shè)備陳舊化、環(huán)境變化和模型界外樣品等優(yōu)點。

但是，KF-PLS噪聲方差方法難以得到觀測噪聲不確定的動態(tài)近紅外光譜儀測量過程的噪聲方差值，因而常將觀測噪聲方差值置零，并引入了遺忘因子以進(jìn)行KF-PLS模型校正。這在一定程度上雖然抑制了模型的不確定性發(fā)生，但是由于校正模型誤差累積作用，在被測樣品數(shù)量不斷增加的情況下，校正模型不可避免地會出現(xiàn)發(fā)散現(xiàn)象，甚至完全失效。極大地限制了KF-PLS在觀測噪聲不確定近紅外光譜模型校正中的應(yīng)用。因此，如何保證自適應(yīng)校正模型的穩(wěn)定性成為了難點。

因此，為解決上述問題，本發(fā)明提出了一種基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法及系統(tǒng)。

技術(shù)實現(xiàn)要素：

為了實現(xiàn)上述目的，本發(fā)明提供一種基于GT-KF-PLS(Gamma test-Kalman filter-Partial least square，伽馬測試的卡爾曼濾波偏最小二乘)近紅外光譜自適應(yīng)模型校正方法及系統(tǒng)，以解決觀測噪聲不確定引起的KF-PLS校正模型發(fā)散問題。

本發(fā)明提供一種基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法，包括：

S1：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；

S2：采用PLS法對所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系，并根據(jù)所述線性關(guān)系建立PLS校正模型；

S3：利用所述PLS校正模型對待測樣品進(jìn)行預(yù)測，獲取所述待測樣品的預(yù)測值；

S4：同時，定期對所述待測樣品進(jìn)行化驗，并采集與化驗的待測樣品對應(yīng)的待測樣品的樣品數(shù)據(jù)；

S5：采用Gamma Test對樣本光譜數(shù)據(jù)和化驗后采集到的待測樣品的樣品數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，獲取系統(tǒng)噪聲的精確噪聲方差值；

S6：根據(jù)所述精確噪聲方差值、所述待測樣品的樣品數(shù)據(jù)以及當(dāng)前時刻所述待測樣品的預(yù)測值，通過KF算法修正當(dāng)前時刻所述PLS校正模型的主因子系數(shù)。

此外，優(yōu)選的方案是，在步驟S2中，在采用PLS法對所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系的過程中，

設(shè)X_m×n為m個樣品在n個波長上的光譜參數(shù)矩陣，Y_m×p為m個樣品p種成分含量構(gòu)成的濃度矩陣，將X_m×n與Y_m×p分解為如下形式：

X＝TP^t+E

Y＝UQ^t+F

其中，矩陣T和矩陣U分別表示去掉大部分噪聲后的光譜信息和濃度信息；E和F表示誤差；

由于X_m×n與Y_m×p存在線性關(guān)系Y＝P'X，在分解時，矩陣T和U之間的線性關(guān)系為：U＝TB；通過交換迭代矢量而使兩個分解過程合二為一。

此外，優(yōu)選的方案是，在步驟S5中，在采用Gamma Test對樣本光譜數(shù)據(jù)和化驗后采集到的待測樣品的樣品數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，獲取系統(tǒng)噪聲的精確噪聲方差值的過程中，獲取第i個樣本點對應(yīng)的系統(tǒng)噪聲方差值包括：

S51：假定數(shù)據(jù)之間的關(guān)系：Y＝h(X)+r，

其中，h(X)表示光滑函數(shù)；r表示噪聲變量；

S52：使用kd-tree算法在輸入空間對各輸入樣本點X_i(1≤i≤M)進(jìn)行計算,得到輸入樣本X_i(1≤i≤M)的第K(1≤K≤P)近鄰域點X_N[i,K](1≤i≤M)，

S53：計算所有X_i(1≤i≤M)的第P近鄰域點的最小均方距離δ(K)以及輸出空間相應(yīng)的最小均方距離γ(K)，

S54：對(δ(K),γ(K))K(1≤K≤P)、(δ(K),γ(K))K(1≤K≤P)，按公式γ＝Aδ+R進(jìn)行一次線性回歸，所得一次線性函數(shù)的截距，即系統(tǒng)噪聲方差值R；

S55：當(dāng)新增加一個標(biāo)準(zhǔn)樣品時，重復(fù)步驟S51至步驟S54，,得到每個樣品對應(yīng)噪聲方差。

此外，優(yōu)選的方案是，在步驟S6中，根據(jù)所述精確噪聲方差值、所述待測樣品的樣品數(shù)據(jù)以及當(dāng)前時刻所述待測樣品的預(yù)測值，通過KF算法修正當(dāng)前時刻所述PLS校正模型的主因子系數(shù)過程中，

設(shè)PLS初始模型主因子數(shù)為l，主因子系數(shù)為：

w₁,t₁,v₁,p₁；w₂,t₂,v₂,p₂；……；w_i,t_i,v_i,p_i(i＝1,2,3…,l)；

其中：

v_i＝(t^Ty)/(t^Tt)＝[v_i1 v_i2 ... v_ip]

將所述PLS初始模型中的所有系數(shù)值組成狀態(tài)向量：

W＝[w₁^Tt₁^Tv₁p₁^T...w_i^Tt_i^Tv_ip_i^T]^T(i＝1,2,3…,l)

系統(tǒng)的狀態(tài)方程和觀測方程表示為：

其中，Y_ek為標(biāo)樣濃度；W_k為第k個標(biāo)樣修正時刻的主因子系數(shù)；X_k為第k個樣品光譜矢量；Y_rk為預(yù)測濃度；

V_k為觀測噪聲，其統(tǒng)計特性為：

令

則觀測方程為：Y_ek＝H_kW_k+D_k+V_k；

其中，H表示狀態(tài)變量W_k對測量變量Y_k的增益；

W_k表示k時刻狀態(tài)變量，即：用第k個標(biāo)樣修正時的PLS主因子系數(shù)；

D_k為中間變量。

本發(fā)明還提供一種基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正系統(tǒng)，包括：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；

PLS校正模型建立單元，用于采用PLS法對所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系，并根據(jù)所述線性關(guān)系建立PLS校正模型；

預(yù)測值獲取單元，用于利用所述PLS校正模型對待測樣品進(jìn)行預(yù)測，獲取所述待測樣品的預(yù)測值；

樣品數(shù)據(jù)獲取單元，用于定期對所述待測樣品進(jìn)行化驗，并采集與化驗的待測樣品對應(yīng)的待測樣品的樣品數(shù)據(jù)；

精確噪聲方差值獲取單元，用于采用Gamma Test對樣本光譜數(shù)據(jù)和化驗后采集到的待測樣品的樣品數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，獲取系統(tǒng)噪聲的精確噪聲方差值；

PLS校正模型的主因子系數(shù)修正單元，用于根據(jù)所述精確噪聲方差值、所述待測樣品的樣品數(shù)據(jù)以及當(dāng)前時刻所述待測樣品的預(yù)測值，通過KF算法修正當(dāng)前時刻所述PLS校正模型的主因子系數(shù)。

此外，優(yōu)選的方案是，所述PLS校正模型建立單元在采用PLS法對所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系的過程中，

設(shè)X_m×n為m個樣品在n個波長上的光譜參數(shù)矩陣，Y_m×p為m個樣品p種成分含量構(gòu)成的濃度矩陣，將X_m×n與Y_m×p分解為如下形式：

X＝TP^t+E

Y＝UQ^t+F

其中，矩陣T和矩陣U分別表示去掉大部分噪聲后的光譜信息和濃度信息；E和F表示誤差；

由于X_m×n與Y_m×p存在線性關(guān)系Y＝P'X，在分解時，矩陣T和U之間的線性關(guān)系為U＝TB；通過交換迭代矢量而使兩個分解過程合二為一。

此外，優(yōu)選的方案是，所述精確噪聲方差值獲取單元在采用Gamma Test對樣本光譜數(shù)據(jù)和化驗后采集到的待測樣品的樣品數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，獲取系統(tǒng)噪聲的精確噪聲方差值的過程中，獲取第i個樣本點對應(yīng)的系統(tǒng)噪聲方差值包括：

S51：假定數(shù)據(jù)之間的關(guān)系：Y＝h(X)+r，

其中，h(X)表示光滑函數(shù)；r表示噪聲變量；

S52：使用kd-tree算法在輸入空間對各輸入樣本點X_i(1≤i≤M)進(jìn)行計算,得到輸入樣本X_i(1≤i≤M)的第K(1≤K≤P)近鄰域點X_N[i,K](1≤i≤M)，

S53：計算所有X_i(1≤i≤M)的第P近鄰域點的最小均方距離δ(K)以及輸出空間相應(yīng)的最小均方距離γ(K)，

S54：對(δ(K),γ(K))K(1≤K≤P)、(δ(K),γ(K))K(1≤K≤P)，按公式γ＝Aδ+R進(jìn)行一次線性回歸，所得一次線性函數(shù)的截距，即系統(tǒng)噪聲方差值R；

S55：當(dāng)新增加一個標(biāo)準(zhǔn)樣品時，重復(fù)步驟S51至步驟S54，,得到每個樣品對應(yīng)噪聲方差。

此外，優(yōu)選的方案是，所述PLS校正模型的主因子系數(shù)修正單元根據(jù)所述精確噪聲方差值、所述待測樣品的樣品數(shù)據(jù)以及當(dāng)前時刻所述待測樣品的預(yù)測值，通過KF算法修正當(dāng)前時刻所述PLS校正模型的主因子系數(shù)過程中，

設(shè)PLS初始模型主因子數(shù)為l，主因子系數(shù)為：

w₁,t₁,v₁,p₁；w₂,t₂,v₂,p₂；……；w_i,t_i,v_i,p_i(i＝1,2,3…,l)；

其中：

v_i＝(t^Ty)/(t^Tt)＝[v_i1 v_i2 ... v_ip]

將所述PLS初始模型中的所有系數(shù)值組成狀態(tài)向量：

W＝[w₁^Tt₁^Tv₁p₁^T...w_i^Tt_i^Tv_ip_i^T]^T(i＝1,2,3…,l)

系統(tǒng)的狀態(tài)方程和觀測方程表示為：

其中，Y_ek為標(biāo)樣濃度；W_k為第k個標(biāo)樣修正時刻的主因子系數(shù)；X_k為第k個樣品光譜矢量；Y_rk為預(yù)測濃度；

V_k為觀測噪聲，其統(tǒng)計特性為：

令

則觀測方程為：Y_ek＝H_kW_k+D_k+V_k；

其中，H表示狀態(tài)變量W_k對測量變量Y_k的增益；

W_k表示k時刻狀態(tài)變量，即：用第k個標(biāo)樣修正時的PLS主因子系數(shù)；

D_k為中間變量。

從上面的技術(shù)方案可知，本發(fā)明提供的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法及系統(tǒng)，有效利用觀測輸入(樣本近紅外光譜)輸出數(shù)據(jù)(樣本化驗值)，提出樣本有效噪聲方差(Gamma test,GT)改進(jìn)的KF-PLS模型校正方法；采用衰減記憶的GT對輸入輸出數(shù)據(jù)進(jìn)行實時方差估計，得到準(zhǔn)確的觀測噪聲方差值，再利用KF-PLS實現(xiàn)精確模型校正，能夠保證近紅外光譜自適應(yīng)校正模型的穩(wěn)定性，最終實現(xiàn)基于近紅外光譜技術(shù)的在線分析。

附圖說明

通過參考以下結(jié)合附圖的說明及權(quán)利要求書的內(nèi)容，并且隨著對本發(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：

圖1為根據(jù)本發(fā)明實施例的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法流程示意圖；

圖2為根據(jù)本發(fā)明實施例的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正系統(tǒng)結(jié)構(gòu)框圖。

具體實施方式

在下面的描述中，出于說明的目的，為了提供對一個或多個實施例的全面理解，闡述了許多具體細(xì)節(jié)。然而，很明顯，也可以在沒有這些具體細(xì)節(jié)的情況下實現(xiàn)這些實施例。

以下將結(jié)合附圖對本發(fā)明的具體實施例進(jìn)行詳細(xì)描述。

為了說明本發(fā)明提供的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法，圖1示出了根據(jù)本發(fā)明實施例的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法流程。

如圖1所示，本發(fā)明提供的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法包括：

S1：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；

S2：采用PLS法對所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系，并根據(jù)所述線性關(guān)系建立PLS校正模型；

S3：利用所述PLS校正模型對待測樣品進(jìn)行預(yù)測，獲取所述待測樣品的預(yù)測值；

S4：同時，定期對所述待測樣品進(jìn)行化驗，并采集與化驗的待測樣品對應(yīng)的待測樣品的樣品數(shù)據(jù)；

S5：采用Gamma Test對樣本光譜數(shù)據(jù)和化驗后采集到的待測樣品的樣品數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，獲取系統(tǒng)噪聲的精確噪聲方差值；

S6：根據(jù)所述精確噪聲方差值、所述待測樣品的樣品數(shù)據(jù)以及當(dāng)前時刻所述待測樣品的預(yù)測值，通過KF算法修正當(dāng)前時刻所述PLS校正模型的主因子系數(shù)。

在進(jìn)行步驟S1之前，首先對原始光譜數(shù)據(jù)進(jìn)行矢量歸一化預(yù)處理。

在步驟S1中，采用K/S(Kennard-Stone)算法從標(biāo)準(zhǔn)樣品中選擇有代表性的校正集樣品，并按留一交叉驗證的方法確定最終的主因子數(shù)。

在步驟S2中，采用PLS法建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系。

設(shè)X_m×n為m個樣品在n個波長上的光譜參數(shù)矩陣，Y_m×p為m個樣品p種成分含量構(gòu)成的濃度矩陣，PLS法不直接建立每種成份與光譜參數(shù)向量的關(guān)系方程，而是考慮X_m×n與Y_m×p的外部關(guān)系和聯(lián)系二者的內(nèi)部關(guān)系，將X_m×n與Y_m×p分解為如下形式：

X＝TP^t+E

Y＝UQ^t+F

矩陣T和矩陣U分別表示去掉大部分噪聲后的光譜信息和濃度信息；E和F表示誤差；

由于X_m×n與Y_m×p存在線性關(guān)系Y＝P'X，在分解時，還考慮矩陣T和U之間的線性關(guān)系為：U＝TB；通過交換迭代矢量而使兩個分解過程合二為一。

在步驟S5中，采用Gamma Test對已知樣本光譜和樣本化驗值數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，得到系統(tǒng)噪聲的精確信息，其中第i個樣本點對應(yīng)的系統(tǒng)噪聲方差計算過程如下：

S51：假定樣品光譜與標(biāo)準(zhǔn)濃度之間的關(guān)系如下Y＝h(X)+r，式中h(X)表示光滑函數(shù)；r表示噪聲變量。

S52：首先使用kd-tree算法在輸入空間對各輸入樣本點X_i(1≤i≤M)進(jìn)行計算,得到輸入樣本X_i(1≤i≤M)的第K(1≤K≤P)近鄰域點X_N[i，K](1≤i≤M)，

S53：計算所有X_i(1≤i≤M)的第P近鄰域點的最小均方距離δ(K)以及輸出空間相應(yīng)的最小均方距離γ(K)，

S54：最后，對(δ(K),γ(K))K(1≤K≤P)、(δ(K),γ(K))K(1≤K≤P)，按公式γ＝Aδ+R進(jìn)行一次線性回歸，所得一次線性函數(shù)的截距，即為gamma統(tǒng)計值，也即系統(tǒng)噪聲方差值R；

S55：當(dāng)新增加一個標(biāo)準(zhǔn)樣品時，重復(fù)S51至S54的操作。可得到每個樣品對應(yīng)噪聲方差。

在步驟S6中，基于KF-PLS近紅外光譜與化驗值的模型校正。

需要說明的是，KF因其有很好的自適應(yīng)動態(tài)實時濾波能力，對PLS校正模型進(jìn)行調(diào)整建模，可以有效地對動態(tài)系統(tǒng)模型進(jìn)行子空間演化逼近，獲得動態(tài)演化校正模型。利用KF對PLS主因子系數(shù)進(jìn)行估計，將PLS模型主因子系數(shù)看作系統(tǒng)狀態(tài)變量，標(biāo)準(zhǔn)樣品待測化學(xué)值看作系統(tǒng)觀測變量，這樣就把問題轉(zhuǎn)化為狀態(tài)參數(shù)的估計問題；即可獲得隨環(huán)境噪聲、設(shè)備老化和測量對象變化的動態(tài)演化校正模型，這種子空間逼近模型可準(zhǔn)確反映系統(tǒng)的動態(tài)時變特性。

設(shè)PLS初始模型主因子數(shù)為l，主因子系數(shù)為：

w₁,t₁,v₁,p₁；w₂,t₂,v₂,p₂；……；w_i,t_i,v_i,p_i(i＝1,2,3…,l)；

其中：

v_i＝(t^Ty)/(t^Tt)＝[v_i1 v_i2 ... v_ip]

為使上述問題中主因子系數(shù)的計算轉(zhuǎn)化為濾波遞推估計形式，將模型中的所有系數(shù)值組成狀態(tài)向量：

W＝[w₁^Tt₁^Tv₁p₁^T...w_i^Tt_i^Tv_ip_i^T]^T(i＝1,2,3…,l)

系統(tǒng)的狀態(tài)方程和觀測方程表示為：

其中，Y_ek為標(biāo)樣濃度，W_k為第k個標(biāo)樣修正時刻的主因子系數(shù)，X_k為第k個樣品光譜矢量，Y_rk為預(yù)測濃度。V_k為觀測噪聲，其統(tǒng)計特性為：

令

則觀測方程為：Y_ek＝H_kW_k+D_k+V_k。

其中，H表示狀態(tài)變量W_k對測量變量Y_k的增益。

W_k:表示k時刻狀態(tài)變量，在這里也即是用第k個標(biāo)樣修正時的PLS主因子系數(shù)。D_k沒有特別的含義，只是個中間變量而已。這里是令所以則

在系統(tǒng)的精確噪聲方差值的基礎(chǔ)上，可以采用基于KF-PLS進(jìn)行精確建模。在儀器使用過程中，新增一個標(biāo)樣，修正一次模型，并引入遺忘因子，逐漸遺忘陳舊樣品的作用，使校正模型具有適應(yīng)設(shè)備陳舊化、環(huán)境變化和模型界外樣品的自適應(yīng)性。

與上述方法相對應(yīng)，本發(fā)明還提供一種基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正系統(tǒng)，圖2示出了根據(jù)本發(fā)明實施例的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正系統(tǒng)邏輯結(jié)構(gòu)。

如圖2所示，本發(fā)明提供的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正系統(tǒng)200，包括：建模樣品選取單元210、PLS校正模型建立單元220、預(yù)測值獲取單元230、樣品數(shù)據(jù)獲取單元240、精確噪聲方差值獲取單元250和PLS校正模型的主因子系數(shù)修正單元260。

具體地，建模樣品選取單元210，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；

PLS校正模型建立單元220，用于采用PLS法對所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系，并根據(jù)所述線性關(guān)系建立PLS校正模型；

預(yù)測值獲取單元230，用于利用所述PLS校正模型對待測樣品進(jìn)行預(yù)測，獲取所述待測樣品的預(yù)測值；

樣品數(shù)據(jù)獲取單元240，用于定期對所述待測樣品進(jìn)行化驗，并采集與化驗的待測樣品對應(yīng)的待測樣品的樣品數(shù)據(jù)；

精確噪聲方差值獲取單元250，用于采用Gamma Test對樣本光譜數(shù)據(jù)和化驗后采集到的待測樣品的樣品數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，獲取系統(tǒng)噪聲的精確噪聲方差值；

PLS校正模型的主因子系數(shù)修正單元260，用于根據(jù)所述精確噪聲方差值、所述待測樣品的樣品數(shù)據(jù)以及當(dāng)前時刻所述待測樣品的預(yù)測值，通過KF算法修正當(dāng)前時刻所述PLS校正模型的主因子系數(shù)。

其中，PLS校正模型建立單元220在采用PLS法對所述建模樣品建立近紅外光譜數(shù)據(jù)與濃度間的線性關(guān)系的過程中，

設(shè)X_m×n為m個樣品在n個波長上的光譜參數(shù)矩陣，Y_m×p為m個樣品p種成分含量構(gòu)成的濃度矩陣，將X_m×n與Y_m×p分解為如下形式：

X＝TP^t+E

Y＝UQ^t+F

其中，矩陣T和矩陣U分別表示去掉大部分噪聲后的光譜信息和濃度信息；E和F表示誤差；

由于X_m×n與Y_m×p存在線性關(guān)系Y＝P'X，在分解時，矩陣T和U之間的線性關(guān)系為：U＝TB；通過交換迭代矢量而使兩個分解過程合二為一。

其中，所述精確噪聲方差值獲取單元250，在采用Gamma Test對樣本光譜數(shù)據(jù)和化驗后采集到的待測樣品的樣品數(shù)據(jù)進(jìn)行噪聲統(tǒng)計值的計算，獲取系統(tǒng)噪聲的精確噪聲方差值的過程中，

獲取第i個樣本點對應(yīng)的系統(tǒng)噪聲方差值包括：

S51：假定數(shù)據(jù)之間的關(guān)系：Y＝h(X)+r，

其中，h(X)表示光滑函數(shù)；r表示噪聲變量；

S52：使用kd-tree算法在輸入空間對各輸入樣本點X_i(1≤i≤M)進(jìn)行計算,得到輸入樣本X_i(1≤i≤M)的第K(1≤K≤P)近鄰域點X_N[i,K](1≤i≤M)，

S53：計算所有X_i(1≤i≤M)的第P近鄰域點的最小均方距離δ(K)以及輸出空間相應(yīng)的最小均方距離γ(K)，,對(δ(K),γ(K))K(1≤K≤P)

S54：對(δ(K),γ(K))K(1≤K≤P)，按公式γ＝Aδ+R進(jìn)行一次線性回歸，所得一次線性函數(shù)的截距，即系統(tǒng)噪聲方差值R；

S55：當(dāng)新增加一個標(biāo)準(zhǔn)樣品時，重復(fù)步驟S51至步驟S54，,得到每個樣品對應(yīng)噪聲方差。

其中，所述PLS校正模型的主因子系數(shù)修正單元260根據(jù)所述精確噪聲方差值、所述待測樣品的樣品數(shù)據(jù)以及當(dāng)前時刻所述待測樣品的預(yù)測值，通過KF算法修正當(dāng)前時刻所述PLS校正模型的主因子系數(shù)過程中，

設(shè)PLS初始模型主因子數(shù)為l，主因子系數(shù)為：

w₁,t₁,v₁,p₁；w₂,t₂,v₂,p₂；……；w_i,t_i,v_i,p_i(i＝1,2,3…,l)；

其中：

v_i＝(t^Ty)/(t^Tt)＝[v_i1 v_i2 ... v_ip]

將所述PLS初始模型中的所有系數(shù)值組成狀態(tài)向量：

W＝[w₁^Tt₁^Tv₁p₁^T...w_i^Tt_i^Tv_ip_i^T]^T(i＝1,2,3…,l)

系統(tǒng)的狀態(tài)方程和觀測方程表示為：

其中，Y_ek為標(biāo)樣濃度，W_k為第k個標(biāo)樣修正時刻的主因子系數(shù)，X_k為第k個樣品光譜矢量，Y_rk為預(yù)測濃度。V_k為觀測噪聲，其統(tǒng)計特性為：

令

則觀測方程為：Y_ek＝H_kW_k+D_k+V_k。

其中，H表示狀態(tài)變量W_k對測量變量Y_k的增益。

W_k表示k時刻狀態(tài)變量，在這里也即是用第k個標(biāo)樣修正時的PLS主因子系數(shù)。D_k沒有特別的含義，只是個中間變量而已。這里是令所以則

通過上述實施方式可以看出，本發(fā)明提供的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法及系統(tǒng)，有效利用觀測輸入(樣本近紅外光譜)輸出數(shù)據(jù)(樣本化驗值)，提出樣本有效噪聲方差(Gamma test,GT)改進(jìn)的KF-PLS模型校正方法；采用衰減記憶的GT對輸入輸出數(shù)據(jù)進(jìn)行實時方差，得到準(zhǔn)確的觀測噪聲方差值，再利用KF-PLS實現(xiàn)精確校正模型，能夠保證近紅外光譜自適應(yīng)校正模型的穩(wěn)定性，最終實現(xiàn)基于近紅外光譜技術(shù)的在線分析。

如上參照附圖以示例的方式描述了根據(jù)本發(fā)明提出的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法及系統(tǒng)。但是，本領(lǐng)域技術(shù)人員應(yīng)當(dāng)理解，對于上述本發(fā)明所提出的基于GT-KF-PLS近紅外光譜自適應(yīng)模型校正方法及系統(tǒng)，還可以在不脫離本發(fā)明內(nèi)容的基礎(chǔ)上做出各種改進(jìn)。因此，本發(fā)明的保護(hù)范圍應(yīng)當(dāng)由所附的權(quán)利要求書的內(nèi)容確定。