CN107576641B - 一种三维荧光光谱数据的分解方法及装置 - Google Patents
一种三维荧光光谱数据的分解方法及装置 Download PDFInfo
- Publication number
- CN107576641B CN107576641B CN201710813380.4A CN201710813380A CN107576641B CN 107576641 B CN107576641 B CN 107576641B CN 201710813380 A CN201710813380 A CN 201710813380A CN 107576641 B CN107576641 B CN 107576641B
- Authority
- CN
- China
- Prior art keywords
- sample
- detected
- fluorescence spectrum
- spectrum
- residual
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Landscapes
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种三维荧光光谱数据的分解方法及装置,该方法包括:获取待测样品的三维荧光光谱、待测样品纯品的三维荧光光谱和初始额外组分的数量;对待测样品的三维荧光光谱进行数据分解,得到待测物样品的数据分解信息;判断残差是否为随机噪声,如果否,则增加初始额外组分的数量,得到更新后的额外组分;根据更新后的额外组分对所述待测样品的三维荧光光谱进行重新的数据分解,至最终分解后得到的残差光谱为随机误差时,确定所述待测物样品的最终额外组分;获取最终额外组分的荧光光谱。通过本发明解决了现有分解方法的分析速度慢和无法排除突发干扰的问题。
Description
技术领域
本发明涉及环境监测技术领域,特别是涉及一种三维荧光光谱数据的分解方法及装置。
背景技术
最近几年,伴随环境污染的日益严重,往往需要对环境中的某些环境样品进行分析,例如水样品、土壤样品等,然后根据分析结果进行相应的环境保护或者环境治理。由于荧光光谱技术对环境样品进行分析时具有灵敏度高、检测速度快等优点被广泛应用在环境监测技术领域。
现有的普通的荧光分析法对于复杂的多组分混合物的分析存在着不足,需要利用更多的光谱信息,而三维荧光光谱技术恰好解决了普通荧光分析法的信息不足的问题,可以对待测样品中的多种成分进行更好的分辨。三维荧光光谱是记录样品在多个激发和发射波长下的荧光强度值的光谱技术,广泛应用到环境样品分析研究中。但是在获得三维荧光光谱后对其进行分析的方法存在着一定的限制,阻碍了其在实际环境监测中的应用。
现有的三维荧光光谱数据的分解方法需要一组三维荧光光谱数据才能进行分解,从而导致需要在一段时间的采样获得多个数据后才能进行分析,因而无法保证数据的时效性,无法实现对突发污染物的及时响应;并且,现有的分解方法依赖于三线性独立条件,而大部分环境样品并不满足该条件,使得对待测物的三维荧光光谱的峰形、峰位置以及峰强度的估计出现偏出,无法实现准确定量;同时,现有的分解方法需要人为选择样品中的组分数,因此无法排除人的主观因素的影响,且无法自动完成分析过程,从而无法应用于在线监测等领域。
发明内容
针对于上述问题,本发明提供一种三维荧光光谱数据的分解方法及装置,解决了现有分解方法的分析速度慢和无法排除突发干扰的问题。
为了实现上述目的,根据本发明的第一方面,提供了一种三维荧光光谱数据的分解方法,该方法包括:
获取待测样品的三维荧光光谱和所述待测样品纯品的三维荧光光谱,并预设所述待测样品的初始额外组分的数量;
根据所述初始额外组分的数量和所述待测样品纯品的三维荧光光谱,对所述待测样品的三维荧光光谱进行数据分解,得到所述待测物样品的数据分解信息,其中,所述数据分解信息包括所述待测物样品的荧光强度、额外组分的三维荧光光谱和残差光谱;
判断所述残差光谱是否为随机噪声,如果否,则增加初始额外组分的数量,得到更新后的额外组分;
根据更新后的额外组分对所述待测样品的三维荧光光谱进行重新的数据分解,至最终对所述待测样品的三维荧光光谱进行分解后得到的残差光谱为随机误差时,确定所述待测物样品的最终额外组分;
获取所述最终额外组分的荧光光谱,并将所述最终额外组分的荧光光谱和所述待测样品的荧光强度作为数据分解结果进行输出。
优选的,所述根据所述初始额外组分的数量和所述待测样品纯品的三维荧光光谱,对所述待测样品的三维荧光光谱进行数据分解,得到所述待测物样品的数据分解信息,包括:
当所述初始额外组分的数量不为零时,对所述初始额外组分的三维荧光光谱进行初始化处理,得到所述初始额外组分的初始激发光谱和初始发射光谱;
根据所述待测样品纯品的三维荧光光谱和所述初始额外组分的初始激发光谱,对所述待测物样品的三维荧光光谱进行线性拟合优化处理,得到所述待测样品的荧光强度、额外组分荧光光谱和残差光谱。
优选的,该方法还包括:
计算所述残差光谱的减小率,判断所述残差光谱的减小率是否满足预设条件,如果是,则将残差判断为随机噪声。
优选的,该方法还包括:
对所述待测样品的三维荧光光谱中添加n个随机荧光峰,其中,n为正整数。
优选的,该方法还包括:
将所述初始额外组分的数量设置为m,对所述待测样品进行数据分解,得到第一残差荧光光谱,其中,m为正整数且m≠n;
将所述初始额外组分的数量设置为n,对所述待测样品进行数据分解,得到第二残差荧光光谱;
将所述第一残差荧光光谱和所述第二荧光光谱进行神经网络训练,得到训练好的神经网络;
采用所述训练好的神经网络,判断所述初始额外组分的数量是否准确,如果是,则将所述初始额外组分确定为所述待测样品的最终额外组分。
根据本发明的第二方面,提供了一种三维荧光光谱数据的分解装置,该装置包括:
获取模块,用于获取待测样品的三维荧光光谱和所述待测样品纯品的三维荧光光谱,并预设所述待测样品的初始额外组分的数量;
数据分解模块,用于根据所述初始额外组分的数量和所述待测样品纯品的三维荧光光谱,对所述待测样品的三维荧光光谱进行数据分解,得到所述待测物样品的数据分解信息,其中,所述数据分解信息包括所述待测物样品的荧光强度、额外组分的三维荧光光谱和残差光谱;
判断模块,用于判断所述残差光谱是否为随机噪声,如果否,则增加初始额外组分的数量,得到更新后的额外组分;
额外组分确定模块,用于根据更新后的额外组分对所述待测样品的三维荧光光谱进行重新的数据分解,至最终对所述待测样品的三维荧光光谱进行分解后得到的残差光谱为随机误差时,确定所述待测物样品的最终额外组分;
数据输出模块,用于获取所述最终额外组分的荧光光谱,并将所述最终额外组分的荧光光谱和所述待测样品的荧光强度作为数据分解结果进行输出。
优选的,所述数据分解模块包括:
初始化单元,用于当所述初始额外组分的数量不为零时,对所述初始额外组分的三维荧光光谱进行初始化处理,得到所述初始额外组分的初始激发光谱和初始发射光谱;
拟合处理单元,用于根据所述待测样品纯品的三维荧光光谱和所述初始额外组分的初始激发光谱,对所述待测物样品的三维荧光光谱进行线性拟合优化处理,得到所述待测样品的荧光强度、额外组分荧光光谱和残差光谱。
优选的,该装置还包括:
随机噪声确定模块,用于计算所述残差光谱的减小率,判断所述残差光谱的减小率是否满足预设条件,如果是,则将残差判断为随机噪声。
优选的,该方法装置还包括:
信息添加模块,用于对所述待测样品的三维荧光光谱中添加n个随机荧光峰,其中,n为正整数。
优选的,该装置还包括:
第一分解单元,用于将所述初始额外组分的数量设置为m,对所述待测样品进行数据分解,得到第一残差荧光光谱,其中,m为正整数且m≠n;
第二分解单元,用于将所述初始额外组分的数量设置为n,对所述待测样品进行数据分解,得到第二残差荧光光谱;
训练单元,用于将所述第一残差荧光光谱和所述第二荧光光谱进行神经网络训练,得到训练好的神经网络;
额外组分判断单元,用于采用所述训练好的神经网络,判断所述初始额外组分的数量是否准确,如果是,则将所述初始额外组分确定为所述待测样品的最终额外组分。
相较于现有技术,本发明通过待测样品纯品的三维荧光光谱和初始额外组分的数量,对待测样品的三维荧光光谱进行分解,得到了待测样品的残差;当残差不为随机噪声时,将初始额外组分的数量加一进而重新确定了额外组分,然后对所述待测样品的荧光光谱进行重新的分解优化,得到新的残差,直至新的残差为随机噪声,停止优化过程,得到待测样品的最终的额外组分,进而准确的待测样品的三维荧光光谱进行了分解。由于是通过对残差光谱中信号的随机程度进行判断,在判断过程中避免了人主观因素的影响;同时,在保持了待测样品三维荧光光谱不变的情况下,优化额外组分光谱,所以即使待测样品的三维荧光光谱不满足三线性独立,也可以得到正确的分解结果。并且,在整个数据分解过程中,只涉及了单个样品三维荧光光谱的分解,减小了对样品数量的需求,使得分解速度更快,保证了数据的时效性可以对突发污染物进行响应。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例一提供的一种三维荧光光谱数据的分解方法的流程示意图;
图2为本发明实施例三提供的一种三维荧光光谱数据的分解方法的流程示意图;
图3为本发明实施例三提供的一种三维荧光光谱数据的分解装置的结构示意图;
图4为本发明实施例三提供的另一种三维荧光光谱数据的分解装置的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”和“第二”等是用于区别不同的对象,而不是用于描述特定的顺序。此外术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、***、产品或设备没有设定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
实施例一
参见图1为本发明实施例一提供的一种三维荧光光谱数据的分解方法,该方法包括以下步骤:
S11、获取待测样品的三维荧光光谱和所述待测样品纯品的三维荧光光谱,并预设所述待测样品的初始额外组分的数量;
需要说明的,待测样品是指需要进行分析的样品,该待测样品中可能包含各种干扰物或者污染物;待测样品纯品只是对待测样品进行判断的一个理论值,该纯品不代表只有一种成分而是可以理解为干扰物不存在或者可以忽略不计的情况,具体是指的待测样品中确定的主要成分或者不构成污染和干扰的物质的组合;额外组分的数量用于指示待测样品中含有的干扰物或者污染物的数量。举例说明,在环境监测应用场景中,待测样品为某地的地下水样品,进行水样品三维荧光光谱数据的分解的目的是确定该地下水样品是否适合饮用,而对应的待测样品纯品可以为适合饮用的水标本或者纯净水等样品,初始额外组分可以根据取样地点的环境或者其他因素进行确定,例如可以确定为硫化物、腐植酸等。当然在不确定额外组分的情况下,可以设置初始额外组分的数量为零。该步骤主要是为后的数据分解和额外组分确定提供数据支持,在具体的其他的应用场景可以获取其他相关数据,本发明不做一一说明。
S12、根据所述初始额外组分的数量和所述待测样品纯品的三维荧光光谱,对所述待测样品的三维荧光光谱进行数据分解,得到所述待测物样品的数据分解信息,其中,所述数据分解信息包括所述待测物样品的荧光强度、额外组分的三维荧光光谱和残差光谱;
具体的,所述数据分解信息包括但不限于数据分解信息包括所述待测物样品的荧光强度、额外组分的三维荧光光谱和残差。
残差为对待测样品的三维荧光光谱数据进行分解获得的,具体为将待测样品纯品的三维荧光光谱数据和初始额外组分进行拟合作为参考,然后对待测样品的三维荧光光谱数据进行分解可以得到残差,即待测样品的三维荧光光谱数据与拟合得到的模型的数据之间的差值。
S13、判断所述残差光谱是否为随机噪声,如果否,则执行步骤S14;
举例说明,在本发明实施例中优选Ljung-Box Q方法对残差光谱进行分析,判断所述残差是否为随机噪声。
Ljung-Box Q是对随机程度的检验方法,该检验方法的原假设和备择假设分别为:
如果残差光谱序列是白噪声则可以将所述残差忽略。
S14、初始额外组分数量加一,得到更新后的额外组分;
需要说明的是,当残差不是随机噪声时,由于初始的额外组分是人为设定的并不一定能准确反应待测样品的额外组分,因此在得到该残差后需要将该残差光谱对待测样品进行重新优化,即此时的初始额外组分为通过残差进行额外组分数量加一处理后的额外组分,需重新执行步骤S12根据更新后的额外组分对所述待测样品的三维荧光光谱进行重新的数据分解,至最终对所述待测样品的三维荧光光谱进行分解后得到的残差光谱为随机误差时,确定所述待测物样品的最终额外组分,此时的残差为经过确认后的额外组分之一。
在确定了最终的额外组分后,执行步骤S15;
S15、获取所述最终额外组分的荧光光谱,并将所述最终额外组分的荧光光谱和所述待测样品的荧光强度作为数据分解结果进行输出。
通过本发明实施例一公开的技术方案,通过待测样品纯品的三维荧光光谱和初始额外组分的数量,对待测样品的三维荧光光谱进行分解,得到了待测样品的残差;当残差不为随机噪声时,将初始额外组分的数量加一进而重新确定了额外组分,然后对所述待测样品的荧光光谱进行重新的分解优化,得到新的残差,直至新的残差为随机噪声,停止优化过程,得到待测样品的最终的额外组分,进而准确的待测样品的三维荧光光谱进行了分解。由于是通过对残差光谱中信号的随机程度进行判断,在判断过程中避免了人主观因素的影响;同时,在保持了待测样品三维荧光光谱不变的情况下,优化额外组分光谱,所以即使待测样品的三维荧光光谱不满足三线性独立,也可以得到正确的分解结果。并且,在整个数据分解过程中,只涉及了单个样品三维荧光光谱的分解,减小了对样品数量的需求,使得分解速度更快,保证了数据的时效性可以对突发污染物进行响应。
实施例二
参照本发明实施例一和图1中所描述的S11到S15步骤的具体过程,首先要获得待测样品的三维荧光光谱,其中,三维荧光光谱为荧光光谱仪器采集到的三维荧光光谱去除瑞丽散射以及经过内滤效应校正后得到的数据。未经过内滤效应校正的数据在仅估计待测样品荧光强度时会存在产生偏差的可能,对估计待测样品浓度时,该偏差可由加权线性回归方法部分或者完全消除。因此,可以理解的是,通常情况下,数据应该都需要进行内滤效应校正,否则会产生偏差;在特殊情况下,即对估计待测物浓度时,不经过校正的数据也是可以使用的,通过加权线性回归的方法,可以使得偏差被消除。在本方案中的三维荧光光谱数据可以为经过内滤效应校正的数据,也可以为不经过校正的数据,本发明对此不做限定。
当待测样品中只有一种待测物时,接收的待测样品的三维荧光光谱可以为一张,也可以为多张;当已知待测样品中有多种污染物时,获取的待测物样品的三维荧光光谱可以为各个待测物的纯物质的三维荧光光谱,可以是待测物按照一致浓度混合的三维荧光光谱。
在本发明的实施例中优选的是获取待测样品纯品的三维荧光光谱,相应的,在本发明的其他实施例中获取的也可以是三维荧光光谱对应的待测样品纯品浓度,在获取浓度信息的情况下可以估计待测样品纯品的浓度,此时为本发明获取三维荧光光谱数据的一个变形。即接收多种待测物的多个浓度的纯品三维荧光光谱,或者待测物按已知浓度的混合样品三维荧光光谱。接收上述三维荧光光谱中每种待测物对应的浓度值,建立浓度和待测物荧光强度之间的关系,例如可以通过线性回归或者加权线性回归的方式,并利用该关系计算待测样品中待测物的浓度。输出待测物浓度以及额外组分的三维荧光光谱。
在获取了待测样品的相关的三维荧光光谱后,需要对待测样品的三维荧光光谱数据进行分解,参见图1中所述步骤S12根据所述初始额外组分的数量和所述待测样品纯品的三维荧光光谱,对所述待测样品的三维荧光光谱进行数据分解,得到所述待测物样品的数据分解信息,具体包括:
当所述初始额外组分的数量不为零时,对所述初始额外组分的三维荧光光谱进行初始化处理,得到所述初始额外组分的初始激发光谱和初始发射光谱;
根据所述待测样品纯品的三维荧光光谱和所述初始额外组分的初始激发光谱,对所述待测物样品的三维荧光光谱进行线性拟合优化处理,得到所述待测样品的荧光强度、额外组分荧光光谱和残差光谱。
需要说明的是,该步骤S12除了对最初的待测物荧光光谱进行分解外,还是在确定了残差后即将额外组分进行更新后根据新的额外组分重新进行数据优化分解。
具体的,当初始额外组分的数量不为零时,即存在初始额外组分。首先对初始额外组分的三维荧光光谱进行初始化处理,在本实施例中采用的是奇异值分解,得到初始额外组分的初始激发光谱和初始发射光谱;然后用待测样品纯品的三维荧光光谱和初始额外组分的激发光谱对待测样品的三维荧光光谱进行线性拟合优化处理,在实施例中优选了交替最小二乘法进行优化处理,得到优化后的额外组分的发射光谱,当然也可以采用其他的算法实现该优化过程,本发明不做一一赘述;
随后利用待测样品纯品的三维荧光光谱和上一步得到的优化后的额外组分的发射光谱对待测样品的三维荧光光谱进行线性拟合优化处理,得到额外组分的激发光谱;
然后用待测样品纯品的三维荧光光谱和上一步得到的优化后的额外组分的激发以及发射光谱对待测样品的三维荧光光谱进行线性拟合,得到待测样品的荧光强度、额外组分荧光光谱和残差光谱。
利用得到的残差光谱计算残差光谱减小率,并判断所述减小率是否满足预设条件,即所述减小率是否小于阈值,或者迭代次数超过最大迭代次数限制,如果满足上述条件,则将所述残差判断为随机噪声,其中,在本发明实施例中阈值是一个超参数,即根据经验确定的,在本实施例中优选的是10-6,而最终的分解结果对阈值的选择不敏感,即阈值可以在一定的范围内进行改变,最优的阈值范围为10-5到10-7;最大迭代次数在本实施例中设置为1000,该值的目的是为了防止在收敛结果不理想时,避免浪费太多时间。
综上所述,当残差不为随机噪声时,需要重新对待测样品的三维荧光光谱进行优化分解,即上述的描述过程。
在进行分解输出时,即已经将最终的残差判断为了随机噪声,此时的数据结果为最终额外组分的荧光光谱和待测样品的荧光强度。
需要说明的是,上述为最终的输出结果,在该方法执行过程中在分解过程中也会实时输出残差光谱。
需要说明的是,在数据分解过程中以最小化残差荧光光谱为目标,通过迭代交替优化待测样品的荧光强度以及额外组分激发光谱和额外组分发射光谱。
根据本发明实施例二公开的技术方案,在对三维荧光光谱数据进行分解的过程中,只涉及对单个样品三维荧光光谱的分解,相比于传统的平行因子法需要一组数据进行分解,减小了对样品数量的需求,提高了数据分解速度,在样品光谱采集后可以及时地对数据进行分析,可以应对突发污染物的影响,同时避免了样品之间的相互干扰;通过对待测样品的三维荧光光谱数据进行分解,在保持三维荧光光谱不变的情况下,优化了额外组分光谱,相当于获得了待测样品的荧光强度以及干扰物荧光光谱,由于数据分解时保持了待测样品的荧光光谱不变,因此即便在待测样品光谱不满足三线性独立的情况时,仍然可以得到正确的分解结果,对待测样品三维荧光光谱的峰形、峰位置以及峰强度的估计不会出现偏差,突破了传统平行因子法不能用于非三线性独立数据的限制;通过对额外组分的确定,可以推测待测样品的三维荧光光谱中是否含有干扰物质,以及干扰物质的数量,相比于传统的平行因子法用多个模型分解后人为选取相对合适的模型,其利用对残差光谱中信号的随机程度进行判断,可以获得更为准确的额外组分的数量估计结果,避免了人为主观因素的影响。
实施例三
在本实施例中提供了额外组分确定的一种实施方式,用于判断额外组分的确定结果是否准确,参见图2,该方法具体包括:
S21、判断是否存在训练好的神经网络,如果否,在执行步骤S22;
该训练好的神经网络是用来判断额外组分的确定结果是否准确,如果存在训练好的神经网络即可直接执行步骤S28
S22、接收待测样品的三维荧光光谱;
S23、对所述待测样品的三维荧光光谱中添加n个随机荧光峰,其中,n为正整数;
具体的,随机荧光峰是指包括但不限于峰高、半峰宽以及激发发射位置由在合理范围内的随机参数生成的用于模拟干扰物的三维荧光光谱数据。根据实际情况需要,可生成任意多组随机荧光峰,生成的组数越多越能提高额外组分确定的准确性。
因此,添加随机荧光峰的目的是为了用随机的荧光峰模拟实际情况下的干扰物物质的荧光峰,以使得神经网络在学习过程中,学到的模型尽可能接近实际可能碰到的情况。
S24、分解添加有n个随机荧光峰的待测样品的三维荧光光谱;
S25、将所述初始额外组分的数量设置为m,对所述待测样品进行数据分解,得到第一残差荧光光谱,其中,m为正整数且m≠n;
S26、将所述初始额外组分的数量设置为n,对所述待测样品进行数据分解,得到第二残差荧光光谱;
具体的,得到的第一残差荧光光谱为当额外组分不正确时的训练样本;得到的第二残差荧光光谱为当额外组分正确时的训练样本,上述步骤S25和S26没有一定的先后顺序。
S27、将所述第一残差荧光光谱和所述第二荧光光谱进行神经网络训练,得到训练好的神经网络;
在得到训练好的神经网络后,可以用部分数据进行回测,正确率高于预置时可认为训练完成,在本实施例中,部分数据为随机进行选取的数据,阈值设为95%,即对95%的残差荧光光谱不会对额外组分的数量是否合适判断失误。
S28、采用所述训练好的神经网络,判断所述初始额外组分的数量是否准确,如果是,则将所述初始额外组分确定为所述待测样品的最终额外组分。
在本实施例三中提供的技术方案,通过在待测样品的三维荧光光谱中添加随机荧光峰,在进行神经网络训练,得到训练好的神经网络,通过该训练好的神经网络对额外组分进行判断,可以得到确定的额外组分是否准确,进而提高了额外组分确定的准确率。
实施例四
本发明的实施例四还提供了三维荧光光谱数据的分解装置,参见图3,该装置包括:
获取模块1,用于获取待测样品的三维荧光光谱和所述待测样品纯品的三维荧光光谱,并预设所述待测样品的初始额外组分的数量;
数据分解模块2,用于根据所述初始额外组分的数量和所述待测样品纯品的三维荧光光谱,对所述待测样品的三维荧光光谱进行数据分解,得到所述待测物样品的数据分解信息,其中,所述数据分解信息包括所述待测物样品的荧光强度、额外组分的三维荧光光谱和残差;
判断模块3,用于判断所述残差光谱是否为随机噪声,如果否,则增加初始额外组分的数量,得到更新后的额外组分;
额外组分确定模块4,用于根据更新后的额外组分对所述待测样品的三维荧光光谱进行重新的数据分解,至最终对所述待测样品的三维荧光光谱进行分解后得到的残差光谱为随机误差时,确定所述待测物样品的最终额外组分;
数据输出模块5,用于获取所述最终额外组分的荧光光谱,并将所述最终额外组分的荧光光谱和所述待测样品的荧光强度作为数据分解结果进行输出。
相应的,所述数据分解模块2包括:
初始化单元21,用于当所述初始额外组分的数量不为零时,对所述初始额外组分的三维荧光光谱进行初始化处理,得到所述初始额外组分的初始激发光谱和初始发射光谱;
拟合处理单元22,用于根据所述待测样品纯品的三维荧光光谱和所述初始额外组分的初始激发光谱,对所述待测物样品的三维荧光光谱进行线性拟合优化处理,得到所述待测样品的荧光强度、额外组分相对强度和残差光谱。
对应的,该装置还包括:
随机噪声确定模块6,用于计算所述残差光谱的减小率,判断所述残差光谱的减小率是否满足预设条件,如果是,则将残差判断为随机噪声。
具体的,参见图4,该方法装置还包括:
信息添加模块7,用于对所述待测样品的三维荧光光谱中添加n个随机荧光峰,其中,n为正整数。
对应的,参见图4,在判断额外组分是否合理的过程中,该装置可以包括额外组分判别模块8,即所述额外组分判别模块8具体包括:
第一分解单元81,用于将所述初始额外组分的数量设置为m,对所述待测样品进行数据分解,得到第一残差荧光光谱,其中,m为正整数且m≠n;
第二分解单元82,用于将所述初始额外组分的数量设置为n,对所述待测样品进行数据分解,得到第二残差荧光光谱;
训练单元83,用于将所述第一残差荧光光谱和所述第二荧光光谱进行神经网络训练,得到训练好的神经网络;
额外组分判断单元84,用于采用所述训练好的神经网络,判断所述初始额外组分的数量是否准确,如果是,则将所述初始额外组分确定为所述待测样品的最终额外组分。
在本发明的实施例四中,通过获取模块获取待测样品纯品的三维荧光光谱和初始额外组分的数量,在数据分解模块中对待测样品的三维荧光光谱进行分解,得到了待测样品的残差;并通过判断判断残差是否为随机噪声,来对待测样品的三维荧光光谱进行优化分解,进而准确的待测样品的三维荧光光谱进行了分解。由于是通过对残差光谱中信号的随机程度进行判断,在判断过程中避免了人主观因素的影响;同时,在保持了待测样品三维荧光光谱不变的情况下,优化额外组分光谱,所以即使待测样品的三维荧光光谱不满足三线性独立,也可以得到正确的分解结果。并且,在整个数据分解过程中,只涉及了单个样品三维荧光光谱的分解,减小了对样品数量的需求,使得分解速度更快,保证了数据的时效性可以对突发污染物进行响应。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (8)
1.一种三维荧光光谱数据的分解方法,其特征在于,该方法包括:
获取待测样品的三维荧光光谱和所述待测样品纯品的三维荧光光谱,并预设所述待测样品的初始额外组分的数量;
当所述初始额外组分的数量不为零时,对所述初始额外组分的三维荧光光谱进行初始化处理,得到所述初始额外组分的初始激发光谱和初始发射光谱;
根据所述待测样品纯品的三维荧光光谱和所述初始额外组分的初始激发光谱,对所述待测样品的三维荧光光谱进行线性拟合优化处理,得到所述待测样品的荧光强度、额外组分荧光光谱和残差光谱;
判断所述残差光谱是否为随机噪声,如果否,则增加初始额外组分的数量,得到更新后的额外组分;
根据更新后的额外组分对所述待测样品的三维荧光光谱进行重新的数据分解,至最终对所述待测样品的三维荧光光谱进行分解后得到的残差光谱为随机误差时,确定所述待测样品的最终额外组分;
获取所述最终额外组分的荧光光谱,并将所述最终额外组分的荧光光谱和所述待测样品的荧光强度作为数据分解结果进行输出。
2.根据权利要求1所述的方法,其特征在于,该方法还包括:
计算所述残差光谱的减小率,判断所述残差光谱的减小率是否满足预设条件,如果是,则将残差判断为随机噪声。
3.根据权利要求1所述的方法,其特征在于,该方法还包括:
对所述待测样品的三维荧光光谱中添加n个随机荧光峰,其中,n为正整数。
4.根据权利要求3所述的方法,其特征在于,该方法还包括:
将所述初始额外组分的数量设置为m,对所述待测样品进行数据分解,得到第一残差荧光光谱,其中,m为正整数且m≠n;
将所述初始额外组分的数量设置为n,对所述待测样品进行数据分解,得到第二残差荧光光谱;
将所述第一残差荧光光谱和所述第二残差荧光光谱进行神经网络训练,得到训练好的神经网络;
采用所述训练好的神经网络,判断所述初始额外组分的数量是否准确,如果是,则将所述初始额外组分确定为所述待测样品的最终额外组分。
5.一种三维荧光光谱数据的分解装置,其特征在于,该装置包括:
获取模块,用于获取待测样品的三维荧光光谱和所述待测样品纯品的三维荧光光谱,并预设所述待测样品的初始额外组分的数量;
数据分解模块,用于根据所述初始额外组分的数量和所述待测样品纯品的三维荧光光谱,对所述待测样品的三维荧光光谱进行数据分解,得到所述待测样品的数据分解信息,其中,所述数据分解模块包括:初始化单元,用于当所述初始额外组分的数量不为零时,对所述初始额外组分的三维荧光光谱进行初始化处理,得到所述初始额外组分的初始激发光谱和初始发射光谱;拟合处理单元,用于根据所述待测样品纯品的三维荧光光谱和所述初始额外组分的初始激发光谱,对所述待测样品的三维荧光光谱进行线性拟合优化处理,得到所述待测样品的荧光强度、额外组分荧光光谱和残差光谱;
判断模块,用于判断所述残差光谱是否为随机噪声,如果否,则增加初始额外组分的数量,得到更新后的额外组分;
额外组分确定模块,用于根据更新后的额外组分对所述待测样品的三维荧光光谱进行重新的数据分解,至最终对所述待测样品的三维荧光光谱进行分解后得到的残差光谱为随机误差时,确定所述待测样品的最终额外组分;
数据输出模块,用于获取所述最终额外组分的荧光光谱,并将所述最终额外组分的荧光光谱和所述待测样品的荧光强度作为数据分解结果进行输出。
6.根据权利要求5所述的装置,其特征在于,该装置还包括:
随机噪声确定模块,用于计算所述残差光谱的减小率,判断所述残差光谱的减小率是否满足预设条件,如果是,则将残差判断为随机噪声。
7.根据权利要求5所述的装置,其特征在于,该装置还包括:
信息添加模块,用于对所述待测样品的三维荧光光谱中添加n个随机荧光峰,其中,n为正整数。
8.根据权利要求7所述的装置,其特征在于,该装置还包括:
第一分解单元,用于将所述初始额外组分的数量设置为m,对所述待测样品进行数据分解,得到第一残差荧光光谱,其中,m为正整数且m≠n;
第二分解单元,用于将所述初始额外组分的数量设置为n,对所述待测样品进行数据分解,得到第二残差荧光光谱;
训练单元,用于将所述第一残差荧光光谱和所述第二残差荧光光谱进行神经网络训练,得到训练好的神经网络;
额外组分判断单元,用于采用所述训练好的神经网络,判断所述初始额外组分的数量是否准确,如果是,则将所述初始额外组分确定为所述待测样品的最终额外组分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710813380.4A CN107576641B (zh) | 2017-09-11 | 2017-09-11 | 一种三维荧光光谱数据的分解方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710813380.4A CN107576641B (zh) | 2017-09-11 | 2017-09-11 | 一种三维荧光光谱数据的分解方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107576641A CN107576641A (zh) | 2018-01-12 |
CN107576641B true CN107576641B (zh) | 2020-03-31 |
Family
ID=61036474
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710813380.4A Active CN107576641B (zh) | 2017-09-11 | 2017-09-11 | 一种三维荧光光谱数据的分解方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107576641B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109738404B (zh) * | 2019-01-03 | 2019-09-13 | 中国环境科学研究院 | 一种快速筛选荧光光谱峰值批量数据的方法及装置 |
CN111750992B (zh) * | 2020-06-04 | 2022-10-14 | 武汉纺织大学 | 一种基于自适应加权线性回归的光谱估计方法 |
CN115219472B (zh) * | 2022-08-12 | 2023-05-12 | 生态环境部华南环境科学研究所(生态环境部生态环境应急研究所) | 一种定量识别混合水体多污染源的方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60104238A (ja) * | 1983-11-10 | 1985-06-08 | Japan Spectroscopic Co | 多波長同時検出による定量分析方法 |
CN101976331A (zh) * | 2010-10-14 | 2011-02-16 | 中国科学院安徽光学精密机械研究所 | 一种多组分重叠三维荧光光谱的成分识别方法 |
CN103175813A (zh) * | 2012-12-22 | 2013-06-26 | 桂林理工大学 | 荧光光谱同时快速测定蔬菜中多菌灵和噻菌灵含量的方法 |
CN104730053A (zh) * | 2015-03-20 | 2015-06-24 | 中国科学技术大学 | 一种利用三维荧光光谱反映城市污水厂运行状态的监测方法 |
CN105699345A (zh) * | 2016-01-25 | 2016-06-22 | 耿春茂 | 一种三维荧光光谱结合parafac算法测定污染物的方法 |
-
2017
- 2017-09-11 CN CN201710813380.4A patent/CN107576641B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS60104238A (ja) * | 1983-11-10 | 1985-06-08 | Japan Spectroscopic Co | 多波長同時検出による定量分析方法 |
CN101976331A (zh) * | 2010-10-14 | 2011-02-16 | 中国科学院安徽光学精密机械研究所 | 一种多组分重叠三维荧光光谱的成分识别方法 |
CN103175813A (zh) * | 2012-12-22 | 2013-06-26 | 桂林理工大学 | 荧光光谱同时快速测定蔬菜中多菌灵和噻菌灵含量的方法 |
CN104730053A (zh) * | 2015-03-20 | 2015-06-24 | 中国科学技术大学 | 一种利用三维荧光光谱反映城市污水厂运行状态的监测方法 |
CN105699345A (zh) * | 2016-01-25 | 2016-06-22 | 耿春茂 | 一种三维荧光光谱结合parafac算法测定污染物的方法 |
Non-Patent Citations (2)
Title |
---|
Assessment on the leakage hazard of landfill leachate using threedimensional excitation-emission fluorescence and parallel factor analysis method;Hongwei Pan et al.;《Waste Management》;20170601;第67卷;第214-221页 * |
三维荧光光谱结合二阶校正方法测定细胞培养基中阿霉素的含量;王建瑶等;《中国科学: 化学》;20100914;第41卷(第5期);第884-892页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107576641A (zh) | 2018-01-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107576641B (zh) | 一种三维荧光光谱数据的分解方法及装置 | |
CN110110466B (zh) | 一种机器学习和工艺仿真的污水处理目标参数预测方法 | |
CN109187392B (zh) | 一种基于分区建模的锌液痕量金属离子浓度预测方法 | |
CN106918567B (zh) | 一种测量痕量金属离子浓度的方法和装置 | |
CN103983595A (zh) | 一种基于紫外-可见光谱处理的水质浊度解算方法 | |
CN110726694A (zh) | 光谱变量梯度集成遗传算法的特征波长选择方法和*** | |
US20050143943A1 (en) | Adaptive compensation for measurement distortions in spectroscopy | |
RU2016130663A (ru) | Способ и система подготовки синтетических многокомпонентных образцов для моделирования биотехнологических и химических процессов | |
CN111487213A (zh) | 多光谱融合的化学需氧量测试方法及装置 | |
CN109060760A (zh) | 分析模型建立方法、气体分析装置及方法 | |
CN115236045A (zh) | 一种利用荧光光谱法测定水中化学需氧量的方法、装置及存储介质 | |
CN104990895A (zh) | 一种基于局部区域的近红外光谱信号标准正态校正方法 | |
CN114544894A (zh) | 基于pmf模型的源解析不确定性分析方法及*** | |
Cascone et al. | AbspectroscoPY, a Python toolbox for absorbance-based sensor data in water quality monitoring | |
CN111879709A (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN110031413B (zh) | 一种溶液中多金属离子浓度检测方法 | |
CN110210005A (zh) | 一种无参考值的光谱波数选择方法 | |
CN113240006A (zh) | 废水排放的监测方法、装置、电子设备及存储介质 | |
CN104458630A (zh) | 一种紫外差分气体分析仪的数据处理方法及*** | |
CN109709060B (zh) | 一种沥青软化点、针入度和质量损失的测定方法 | |
CN106706603A (zh) | 一种检测生铁中元素含量的方法 | |
CN106198433A (zh) | 基于lm‑ga算法的红外光谱定性分析方法 | |
CN104990889A (zh) | 一种近红外光谱快速测定短程硝化反硝化中无机盐氮浓度的方法 | |
CN105092523A (zh) | 一种基于近红外技术的水质中磷的检测 | |
CN116399836A (zh) | 基于交替梯度下降算法的串扰荧光光谱分解方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |