專利名稱：一種多組分重疊三維熒光光譜的成分識別方法
技術(shù)領域：
本發(fā)明涉及環(huán)境科學、光譜學領域，具體為一種多組分重疊三維熒光光譜的成分 識別方法。
背景技術(shù)：
熒光光譜法因其具有較高的靈敏度和較好的選擇性，在醫(yī)學、生物學、環(huán)境科學、 農(nóng)業(yè)學、化工等領域中得到了廣泛的應用。三維熒光光譜技術(shù)是20世紀80年代發(fā)展起來 的一種新的熒光分析技術(shù)。三維熒光光譜又被稱作總發(fā)光光譜、激發(fā)_發(fā)射矩陣或等高線 光譜，能夠獲得激發(fā)波長和發(fā)射波長同時變化時的熒光強度信息，因而能提供比常規(guī)熒光 光譜更完整的光譜信息，作為一種很有價值的光譜指紋技術(shù)已經(jīng)被廣泛應用到多組分混合 物的成分識別和定量分析中。目前，對于多組分三維熒光光譜進行分析時，主要是利用了多維分析方法，其中最 受關(guān)注的有平行因子算法(PARAFAC)和自加權(quán)交替三線性分解算法(SWATLD)。當各組分的 光譜特征相差比較大時利用上述方法對光譜進行解析，從分解后的光譜進行簡單的成分識 別是非常有效的，然而對于嚴重重疊的三維熒光光譜解析時，單純地利用多維分析方法分 解后的某一種光譜來對組分的成分進行識別誤差會很大甚至可能是完全錯誤的。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種多組分重疊三維熒光光譜的成分識別方法，以解決利用 多維分析算法處理嚴重重疊的三維熒光光譜時，單純的考慮分解結(jié)果中二維光譜的某個特 征而導致的成分識別錯誤。在盡量減少初始解的條件下，綜合利用多維分析算法分解出的 兩個二維熒光光譜的特征峰和波形特征參數(shù)，通過構(gòu)造綜合相似度指數(shù)進行混合三維熒光 光譜的成分識別，從而解決重疊峰的成分識別問題。通過對相似度指數(shù)形成的相似度矩陣 的自動搜索，可以實現(xiàn)自動識別，能夠很好的適應現(xiàn)在迅速發(fā)展的連續(xù)、自動監(jiān)測技術(shù)的需 求。為了達到上述目的，本發(fā)明所采用的技術(shù)方案為一種多組分重疊三維熒光光譜的成分識別方法，其特征在于利用多維分析方法 分解多組分重疊三維熒光光譜，得到的分解結(jié)果結(jié)合多組分特征光譜數(shù)據(jù)庫中多組分二維 光譜的特征峰參數(shù)和波形參數(shù)，構(gòu)造多組分激發(fā)光譜和發(fā)射光譜的綜合相似度指數(shù)，根據(jù) 所述綜合相似度指數(shù)對多組分重疊三維熒光光譜中各成分進行識別。所述的一種多組分重疊三維熒光光譜的成分識別方法，其特征在于包括以下步 驟(1)、利用多維分析方法中的平行因子算法分解多組分重疊三維熒光光譜，建立平 行因子算法模型Xk = AXDkXBT+Ek，k = 1，…，K，式中載荷矩陣A e rixn，載荷矩陣8 e rTXN，得分矩陣Dk e Rnxn為對角矩陣，Ek
4為樣本的噪聲，I為激發(fā)波長數(shù)，J為發(fā)射波長數(shù)，N為成分數(shù)，K為樣本數(shù)，Xk為實驗所測數(shù) 據(jù)，載荷矩陣A，B和得分矩陣Dk為待求矩陣；通過最小二乘法求解所述平行因子算法模型中的載荷矩陣A、B和得分矩陣Dk，載 荷矩陣A、B和得分矩陣Dk分別對應表示多組分中各個成分的激發(fā)光譜、發(fā)射光譜和相對濃 度；(2)、步驟(1)求出的載荷矩陣A、B與多組分特征光譜數(shù)據(jù)庫中多組分二維光譜的 數(shù)據(jù)進行比對，采用皮爾遜相關(guān)系數(shù)作為波形相似度度量，采用高斯函數(shù)形式的相似度指 數(shù)作為特征峰相似度度量；根據(jù)皮爾遜相關(guān)系數(shù)，假設測量光譜和參考光譜分別為殘，…，則這兩個光譜的相 關(guān)系數(shù)為
權(quán)利要求
一種多組分重疊三維熒光光譜的成分識別方法，其特征在于利用多維分析方法分解多組分重疊三維熒光光譜，得到的分解結(jié)果結(jié)合多組分特征光譜數(shù)據(jù)庫中多組分二維光譜的特征峰參數(shù)和波形參數(shù)，構(gòu)造多組分激發(fā)光譜和發(fā)射光譜的綜合相似度指數(shù)，根據(jù)所述綜合相似度指數(shù)對多組分重疊三維熒光光譜中各成分進行識別。
2.根據(jù)權(quán)利要求1所述的一種多組分重疊三維熒光光譜的成分識別方法，其特征在 于包括以下步驟(1)、利用多維分析方法中的平行因子算法分解多組分重疊三維熒光光譜，建立平行因 子算法模型Xk = AXDkXBT+Ek, k = 1，…，K，式中載荷矩陣A e Rim，載荷矩陣8 e rTXN，得分矩陣Dk e rnxn為對角矩陣，&為樣 本的噪聲，I為激發(fā)波長數(shù)，J為發(fā)射波長數(shù)，N為成分數(shù)，K為樣本數(shù)，Xk為實驗所測數(shù)據(jù)， 載荷矩陣A，B和得分矩陣Dk為待求矩陣；通過最小二乘法求解所述平行因子算法模型中的載荷矩陣A、B和得分矩陣Dk，載荷矩 陣A、B和得分矩陣Dk分別對應表示多組分中各個成分的激發(fā)光譜、發(fā)射光譜和相對濃度；(2)、步驟(1)求出的載荷矩陣A、B與多組分特征光譜數(shù)據(jù)庫中多組分二維光譜的數(shù)據(jù) 進行比對，采用皮爾遜相關(guān)系數(shù)作為波形相似度度量，采用高斯函數(shù)形式的相似度指數(shù)作 為特征峰相似度度量；根據(jù)皮爾遜相關(guān)系數(shù)，假設測量光譜和參考光譜分別為^，aj;則這兩個光譜的相關(guān)系 數(shù)為其中幃II、丨Ι Ι I表示巧、a」的模，T表示轉(zhuǎn)置，i = 1，…，N，N為測量光譜數(shù)量，j = 1，…，M，M為特征光譜數(shù)量，假設多組分特征光譜數(shù)據(jù)庫中的參考光譜均為標準化光譜，對測量光譜《進行標準化a, =at /||α,||,(2)將標準化光譜5與多組分特征光譜數(shù)據(jù)庫中的所有參考光譜…進行相似度指數(shù)計算rJ,, = α] χ ，(3)相似度指數(shù)L i的范圍為0 < h i ^ 1，反映了測量光譜和參考光譜的相似程度，rj, i 越接近于1，則測量光譜與參考光譜相似程度越高，最大的& i對應的多組分特征光譜數(shù)據(jù) 庫中的成分為巧對應的物質(zhì)的可能性最大；采用激發(fā)光譜波形相似度和發(fā)射光譜波形相似度的加權(quán)值作為成分識別的依據(jù)，防止 單純依靠某種光譜帶來的錯誤結(jié)果Γι = α irex+ α 2rem 其中 α ^ α 2 = 1，(4) 為了使相似度指數(shù)互相之間的差別更明顯，構(gòu)造乘積相似度指數(shù) r2 = rexrem ；(5)引入高斯函數(shù)形式的特征峰相似度指數(shù)
3.根據(jù)權(quán)利要求1所述的一種多組分重疊三維熒光光譜的成分識別方法，其特征在 于所述步驟(1)中，采用對不同初值下通過平行因子算法得到的多次結(jié)果求平均的辦法， 減少一次運行結(jié)果的不可靠性；對兩個載荷矩陣A、B進行負值處理，舍掉分解結(jié)果出現(xiàn)負 值的初始解，重新選擇初值并進行計算，確保平行因子算法的分解結(jié)果具有實際的物理意 義和可解釋性。
4.根據(jù)權(quán)利要求1所述的一種多組分重疊三維熒光光譜的成分識別方法，其特征在 于所述步驟⑶的(a)步驟中，如果遇到兩個最大相似度ISimilmity(Lj1)-Similmity(Lj2) < 0. 00005，則同時劃掉第i行，第丄、J2列，判斷第丄、J2列的成分均為光譜數(shù)據(jù)庫中的第 i種物質(zhì)。
全文摘要
本發(fā)明公開了一種多組分重疊三維熒光光譜的成分識別方法，解決了利用多維分析算法處理嚴重重疊的三維熒光光譜時，單純的考慮分解結(jié)果中二維光譜的某個特征而導致的成分識別錯誤。在盡量減少初始解的條件下，綜合利用多維分析算法分解出的兩個二維熒光光譜的特征峰和波形特征參數(shù)，通過構(gòu)造綜合相似度指數(shù)進行混合三維熒光光譜的成分識別，解決了重疊峰的成分識別問題。通過對相似度指數(shù)形成的相似度矩陣的自動搜索，實現(xiàn)了自動識別，能夠很好的適應現(xiàn)在迅速發(fā)展的連續(xù)、自動監(jiān)測技術(shù)的需求。
文檔編號G06K9/00GK101976331SQ20101050725
公開日2011年2月16日 申請日期2010年10月14日 優(yōu)先權(quán)日2010年10月14日
發(fā)明者于紹慧, 劉文清, 張玉鈞, 段靜波, 殷高方, 王志剛, 王歡博, 肖雪 申請人:中國科學院安徽光學精密機械研究所