一种定量分析模型构建方法、定量分析方法、装置及系统与流程

本发明属于谱学分析检测技术领域，特别涉及一种定量分析模型构建方法、定量分析方法、装置及系统。

背景技术：

光谱分析技术可利用有机物质在分子谱区的光学特性快速分析样品中的一项或多项化学成分含量，具有分析速度快、无需样品预处理、无化学试剂消耗和多组分同步分析等特点，已被广泛应用于农业、石化、医药、烟草和食品等领域。但该技术是一种经验方法，需要借助化学计量学方法，构建定量分析模型。定量分析模型的构建是光谱分析的核心技术之一。

定量分析模型常用的构建方法是采用一种回归方法构建一个定量分析模型。回归方法包括，线性回归方法和非线性回归方法。与线性回归方法不一样的是，这些非线性回归方法的特征因子对应的参数不止一个。

现实样品分布存在全局线性，但在局部区间扰动大情况下，存在非线性情况，尤其对于来源于粮油工业副产品的饲料原料，例如大豆粕等。大豆粕中粗蛋白质的含量范围在41-48%，但受出厂质量调控，大豆粕的粗蛋白质含量与近红外光谱在特定含量范围内（例如粗蛋白质43%规格、粗蛋白质46%规格等）呈现非线性关系，而在整个含量范围内呈现线性关系。

为提升此类物料定量分析模型的精准度，迫切需要开发有效的建模策略和方法。

技术实现要素：

为解决上述技术问题，本发明提供了一种定量分析模型构建方法、定量分析方法、装置及系统，其能有效提高在全部检测范围内的预测精准度。

本发明提供的技术方案如下：

第一方面，提供一种定量分析模型构建方法，所述构建方法包括如下步骤：

基于预设线性回归方法及预设样本集训练获得第一定量分析模型；所述样本集包括每一样品的目标组分含量及所有样品的光谱矩阵；

将所述目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于所述k个子覆盖范围及相应的光谱矩阵将所述样本集分为k个子样本，k≥2；

基于预设非线性回归方法及每一子样本分别训练获得k个第二定量分析模型。

在一种较佳的实施方式中，所述将所述目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，包括：

根据所述样本集的覆盖范围及第一定量分析模型的交叉验证均方根误差获取所述第二定量分析模型的数量k；

将所述样本集的覆盖范围平均分为k个连续且不交叠的k个子覆盖范围。

在一种较佳的实施方式中，所述k值为满足以下公式的最大整数值：

2≤k≤（ymax-ymin）/（8×rmsecv）

其中，ymax-ymin为所述目标组分含量的覆盖范围，ymax为目标组分最大含量，ymin为目标组分最小含量；rmsecv代表第一定量分析模型的交叉验证均方根误差。

在一种较佳的实施方式中，所述基于所述k个子覆盖范围及相应的光谱矩阵将所述样本集分为k个子样本，包括：

根据每一个子覆盖范围中目标组分含量对应获得相应的子光谱矩阵；

基于所述k个子覆盖范围及相应的子光谱矩阵构建相应k个子样本。

在一种较佳的实施方式中，所述构建方法还包括：获取预设样本集，包括如下子步骤：

采集n个包含目标组分的样品，获取每一样品中的目标组分含量，n≥3；

基于所有样品的光谱获取所述样品的光谱矩阵x(n，m)，其中m表示光谱波长的数目；

基于所述每一样品中的目标组分含量及光谱矩阵x(n，m)构建所述样本集。

第二方面，提供一种基于所述定量分析模型的定量分析方法，所述定量分析方法包括：

将待测样品的光谱输入所述第一定量分析模型获得所述目标组分含量的第一预测值；

根据所述第一预测值从与第一定量分析模型对应的k个第二定量分析模型中确定第二定量分析模型；

将所述待测样品的光谱输入相应的第二定量分析模型获得所述待测样品中目标组分的含量。

在一种较佳的实施方式中，所述根据所述第一预测值从与第一定量分析模型对应的k个第二定量分析模型中确定第二定量分析模型，包括如下子步骤：

选取与所述目标组分相关的z个敏感谱峰，z≥2且z≤m；

基于所述样本集的全部样本，计算所述待测样品的z个敏感谱峰的马氏距离；

当所述马氏距离不超过预设值q时，查找所述第一预测值所属的子覆盖范围并获取与所述子覆盖范围对应的第二定量分析模型，q>0；

当所述马氏距离超过预设值q时，查找所述马氏距离最低的敏感谱峰所属的光谱矩阵并获取与所述光谱矩阵对应的第二定量分析模型。

第三方面，提供一种定量分析模型构建装置，所述构建装置包括：

第一定量分析模型构建模块，用于基于预设线性回归方法及预设样本集训练获得第一定量分析模型；所述样本集包括每一样品的目标组分含量及所有样品的光谱矩阵；

子样本构建模块，用于将所述目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于所述k个子覆盖范围及相应的光谱矩阵将所述样本集分为k个子样本，k≥2；

第二定量分析模型构建模块，用于基于预设非线性回归方法及每一子样本分别训练获得k个第二定量分析模型。

第四方面，提供一种基于所述定量分析模型构建装置的定量分析装置，所述定量分析装置包括：

第一预测模块，用于将待测样品的光谱输入所述第一定量分析模型获得所述目标组分含量的第一预测值；

匹配模块，用于根据所述第一预测值从与第一定量分析模型对应的k个第二定量分析模型中确定第二定量分析模型；

第二预测模块，用于将所述待测样品的光谱输入相应的第二定量分析模型获得所述待测样品中目标组分的含量。

第五方面，提供一种计算机系统，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令，所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：

基于预设线性回归方法及预设样本集训练获得第一定量分析模型；所述样本集包括每一样品的目标组分含量及所有样品的光谱矩阵；

将所述目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于所述k个子覆盖范围及相应的光谱矩阵将所述样本集分为k个子样本，k≥2；

基于预设非线性回归方法及每一子样本分别训练获得k个第二定量分析模型。

本发明相比现有技术而言的有益效果在于：

本发明提供一种定量分析模型构建方法，该构建方法包括如下步骤：基于预设线性回归方法及预设样本集训练获得第一定量分析模型；样本集包括每一样品的目标组分含量及所有样品的光谱矩阵；将目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于k个子覆盖范围及相应的光谱矩阵将样本集分为k个子样本，k≥2；基于预设非线性回归方法及每一子样本分别训练获得k个第二定量分析模型；该定量分析模型构建方法在构建主-从式定量分析模型时，通过基于线性回归方法构建第一定量分析模型以覆盖全部检测范围，基于非线性回归方法构建k个第二定量分析模型，分别覆盖部分检测范围，且所有第二定量分析模型检测范围的叠加等于第一定量分析模型的检测范围，从而将定量分析模型覆盖范围列入模型构建的考察内容，充分考虑了样品全局线性但局部非线性的情况，尤其对于来源于粮油工业的饲料原料的近红外定量分析模型的构建具有较好的预测效果和精准度；

进一步，本发明还提供一种定量分析方法，该定量分析方法基于定量分析模型实现，在进行定量分析时，引入敏感峰的马氏距离实现第一定量分析模型与第二定量分析模型的关联关系，最终获得预测结果，从而实现在实际分析过程中的全局线性及局部非线性的检测，进一步提高检测精准度；

需要说明的是，本申请的方案只要实现其中任一技术效果即可。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例一提供的一种定量分析模型构建方法的流程图；

图2是本发明实施例二提供的一种定量分析方法的流程图；

图3是本发明实施例三提供的一种定量分析方法在进行检测时的流程图；

图4是本发明实施例三中全部样品的近红外光谱图；

图5是本发明实施例三中样品集的参考值和近红外预测值散点图；

图6是本发明实施例三中独立验证集样品的参考值和近红外预测值的散点图；

图7是本发明实施例四中定量分析模型构建装置的结构示意图；

图8是本发明实施例五中定量分析装置的结构示意图；

图9是本发明实施例六提供的计算机系统架构图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，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。

针对光谱定量分析技术中存在的实际被测样品含量分布存在全局线性以及局部非线性情况，本实施例提供一种定量分析模型构建方法及定量分析方法，能有效克服上述问题并提供一种精准度较高的定量分析方法。

下面将结合具体实施例对定量分析模型构建方法、定量分析方法、装置及系统作进一步说明。

实施例一

结合图1所示，本实施例提供一种定量分析模型构建方法，所述构建方法包括如下步骤：

s1、基于预设线性回归方法及预设样本集训练获得第一定量分析模型；样本集包括每一样品的目标组分含量及所有样品的光谱扫描获得的光谱矩阵。

本实施例中提供的基于光谱的定量分析方法通常是基于构建样品的光谱矩阵及参考值矩阵之间的函数关系实现的。通过构建该模型，实现针对任意被测样品，只要获知其样品的光谱谱图，即可获知该样品中目标组分的含量。因此，在步骤s1之前，该构建方法还包括：s100、获取预设样本集，其包括如下子步骤：

s101、采集n个包含目标组分的样品，获取每一样品中的目标组分含量，n≥3。该步骤具体为：

采集代表性样品n个，并获取每个样品的目标组分含量（即参考值）（yi，i=1，2，…，n，n≥3）。故在构建模型时的样本的覆盖检测范围为ymax-ymin，其中ymax代表参考值中的最大值，ymin代表参考值中的最小值；

s102、基于所有样品的光谱获取所述样品的光谱矩阵x(n，m)，其中m表示光谱波长的数目。该步骤具体为：

扫描全部样品的光谱，所有所述样品的光谱矩阵为x(n，m)。

在一种较佳的实施方式中，每个样品可重复装填若干次以获得相应多个谱图并以取平均值的方式获得该样品的谱图，以提高构型构建准确度。

s103、基于所述每一样品中的目标组分含量及光谱矩阵x(n，m)构建所述样本集。

在一种实施方式中，按照预设比例将上述的样本集划分为定标集及独立验证集，定标集作为构建第一定量模型的样本，独立验证集用于模型验证。

优选地，采用spxy样品划分方法实现定标集及独立验证集的划分，若划分，则下述的样本集均为定标集。当然，本实施例对此并不限制。

在获得样本集后，执行步骤s1，s1具体包括：

s11、光谱预处理，该预处理包括平滑处理、导数处理、多元散射校正和变量标准化中的一种或多种的组合。此类预处理过程为光谱处理的常规手段，此处不再详述。通过该预处理步骤，可进一步提高模型构建的准确度。

s12、基于预设线性回归方法及预设样本集训练获得第一定量分析模型。本实施例对具体的线性回归方法并不限制，可以为偏最小二成方法线性回归方法等。

在建模过程中，对模型进行交互验证，以交叉验证均方根误差（rmsecv）及成分数符合预设阈值（rmsecv不超过0.365，成分数不超过15）时停止训练获得第一定量分析模型。优选地，在对模型进行交互验证时以交互验证集的rmsecv最低和成分数最小为原则，确定最优的第一定量分析模型。

在一种实施方式中，最优的第一定量分析模型的光谱预处理方法包括一阶导数（17点）、多元散射校正，其中17点代表导数处理中窗口的大小。在该方式下，rmsecv为0.365，最优成分数为14。

s2、将目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于k个子覆盖范围及相应的光谱矩阵将样本集分为k个子样本，k≥2。

具体地，将所述目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，包括：

s21、根据所述样本集的覆盖范围及第一定量分析模型的交叉验证均方根误差获取所述第二定量分析模型的数量k，k≥2。

具体的，k值为满足以下公式的最大整数值：

2≤k≤（ymax-ymin）/（8×rmsecv）

其中，ymax-ymin为所述目标组分含量的覆盖范围，ymax为目标组分最大含量，ymin为目标组分最小含量；rmsecv代表第一定量分析模型的交叉验证均方根误差。

s22、将样本集的覆盖范围平均分为k个连续且不交叠的k个子覆盖范围。

本实施例将样本集进行划分时，将其分为连续且不交叠的多个子覆盖范围，使得后续构建的第二定量分析模型覆盖范围不同，并且所有第二定量分析模型型覆盖范围加起来与第一定量分析模型的覆盖范围相同。

基于k个子覆盖范围及相应的光谱矩阵将样本集分为k个子样本，包括：

s23、根据每一个子覆盖范围中目标组分含量对应获得相应的子光谱矩阵。

s24、基于k个子覆盖范围及相应的子光谱矩阵构建相应k个子样本。

s3、基于预设非线性回归方法及每一子样本分别训练获得k个第二定量分析模型。

在一种实施方式中，采用支持向量机方法非线性回归方法进行模型训练。同样作为优选的，训练过程包括光谱预处理过程。

当然，在划分独立验证集的前提下，可采用独立验证集对该定量分析模型进行验证。

该定量分析模型构建方法在构建主-从式定量分析模型时，将定量分析模型覆盖范围列入模型构建的考察内容，充分考虑了样品全局线性但局部非线性的情况，具有较好的预测效果和精准度。

实施例二

结合图2所示，本实施例提供一种基于实施例一构建的定量分析模型的定量分析方法，该定量分析方法包括：

s10、将待测样品的光谱输入第一定量分析模型获得所述目标组分含量的第一预测值；

s20、根据第一预测值从与第一定量分析模型对应的k个第二定量分析模型中确定第二定量分析模型；

步骤s20具体包括如下子步骤：

s201、选取与目标组分相关的z个敏感谱峰，z≥2且z≤m；

s202、基于样本集的全部样本，计算所述待测样品的z个敏感谱峰的马氏距离；

当马氏距离不超过预设值q时，查找第一预测值所属的子覆盖范围并获取与子覆盖范围对应的第二定量分析模型，构建第一定量分析模型-第二定量分析模型关联关系，q>0；

当马氏距离超过预设值q时，查找马氏距离最低的敏感谱峰所属的光谱矩阵并获取与光谱矩阵对应的第二定量分析模型，构建第一定量分析模型-第二定量分析模型关联关系。

s30、将待测样品的光谱输入相应的第二定量分析模型获得待测样品中目标组分的含量。

该定量分析方法基于定量分析模型实现，在进行定量分析时，引入敏感峰的马氏距离实现第一定量分析模型与第二定量分析模型的关联关系，最终获得预测结果，从而实现在实际分析过程中的全局线性及局部非线性的检测，进一步提高检测精准度。

实施例三

为进一步说明本实施例中定量分析模型构建方法及定量分析方法，以下基于近红外光谱的定量分析为例，结合具体场景对该方案作进一步示例性说明。

大豆粕的粗蛋白质含量与近红外光谱在特定含量范围内（例如粗蛋白质43%规格、粗蛋白质46%规格等）呈现非线性关系，而在整个含量范围内呈现线性关系。为提升此类物料近红外定量分析模型的精准度，本实施例提供一种定量分析模型构建方法及定量分析方法，其中，定量分析模型构建方法包括如下步骤：

s100'、获取预设样本集，具体包括：

s101'、采集大豆粕样品961个，采用“gb/t6432饲料中粗蛋测定方法”，检测获得全部样品的粗蛋白质含量，最大值为50.56%，最小值为40.84%，则参考值范围为9.72%。

s102'、获取全部大豆粕样品的近红外光谱，并基于所有样品的近红外光谱获取全部大豆粕样品的光谱矩阵x(n，m)。具体地，每个样品重复装填2次，每次获取1个光谱，以2个光谱的平均光谱为该样品光谱，具体参照图4所示。近红外光谱分辨率为16cm^-1，光谱范围为10000~4000cm^-1，光谱波长变量共计750个。

s103'、基于每一样品中的目标组分含量及光谱矩阵x(n，m)构建样本集。

本实施例中，用spxy样品划分方法将961个样品划分为样品集和独立验证集。按照7:3的比例设定用于模型训练的样本集和模型验证的独立验证集，则样本集共计672个样品，独立验证集共计289个样品。

在获得样本集后，进行定量分析模型构建，具体包括：

s1'、基于预设线性回归方法及预设样本集训练获得第一定量分析模型，具体包括如下子步骤：

s11'、光谱预处理，采用一阶导数（17点）、多元散射校正作光谱预处理。

s12'、基于偏最小二成方法线性回归方法及样本集训练获得第一定量分析模型。

以交互验证集的rmsecv最低和成分数最小（最大不超过15）为原则，确定最优的第一定量分析模型m1，模型最优的光谱预处理方法为一阶导数（17点）+多元散射校正，其中17点代表导数处理中窗口的大小。

本实施例构建的第一定量分析模型的rmsecv为0.365，最优成分数为14。本实施例中的样品集的参考值和近红外预测值散点图详见图5所示。

s2'、将目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于k个子覆盖范围及相应的光谱矩阵将样本集分为k个子样本，k≥2。

s21'、根据所述样本集的覆盖范围及第一定量分析模型的交叉验证均方根误差获取所述第二定量分析模型的数量k，k值为满足以下公式的最大整数值：

2≤k≤（ymax-ymin）/（8×rmsecv），

即2≤k≤（9.72%）/（8×0.365%），故k取3。

s22'、将样本集的覆盖范围[40.84%，50.56%]平均分为3个连续且不交叠的子覆盖范围：[40.84%,44.08%]、[44.08%,47.32%]、[47.32,50.56%]。

s23'、根据每一个子覆盖范围中目标组分含量对应获得相应的子光谱矩阵。

s24'、基于3个子覆盖范围及相应的子光谱矩阵构建相应3个子样本。

s3'、采用支持向量机方法非线性回归方法结合光谱预处理方法基于每一子样本分别训练获得3个第二定量分析模型（如图3中“第二定量分析模型1”“第二定量分析模型2”“第二定量分析模型3”）。同样的，以交互验证集的rmsecv最低为原则，确定最优的第二定量分析模型。

计算第二定量分析模型的评价参数：绝对系数r²p为0.95，rmsep为0.302，rpdp为4.78。采用独立验证集对构建的定量分析模型进行验证，独立验证集样品的参考值和近红外预测值的散点图详见图6所示。由此可见，本实施例构建的定量分析模型精准度较高。

在完成模型构建后，基于该定量分析模型对待测大豆粕样品进行粗蛋白含量测定。如图3所示，该定量分析方法具体包括如下步骤：

s10'、将待测样品的近红外光谱输入第一定量分析模型获得第一预测值；

s20'、根据第一预测值从与第一定量分析模型对应的3个第二定量分析模型中确定第二定量分析模型。具体地，步骤s20'包括：

s201'、选取与目标组分相关的5个敏感谱峰（4878cm^-1、4761cm^-1、4587cm^-1、5737cm^-1和6756cm^-1）；

s202'、基于样本集的全部样本，计算所述待测样品的5个敏感谱峰的马氏距离；

当马氏距离不超过预设值3.0时，查找第一预测值所属的子覆盖范围并获取与子覆盖范围对应的第二定量分析模型，构建第一定量分析模型-第二定量分析模型关联关系；

当马氏距离超过预设值3.0时，查找马氏距离最低的敏感谱峰所属的光谱矩阵并获取与光谱矩阵对应的第二定量分析模型，构建第一定量分析模型-第二定量分析模型关联关系。

s30'、获取待测样品的近红外光谱并将待测样品的近红外光谱输入相应的第二定量分析模型获得待测样品中目标组分的含量。

需要说明的是，本实施例仅以基于近红外光谱的定量分析技术为例对本发明技术方案进行示例性描述而并不用于限制本发明，本发明同样适用于基于红外光谱的定量分析技术等其他波段的谱学分析检测技术，再此不作一一例举。

实施例四

为执行实施例一中的定量分析模型构建方法，本实施例提供一种与之对应的定量分析模型构建装置，如图7所示，所述构建装置包括：

第一定量分析模型构建模块，用于基于预设线性回归方法及预设样本集训练获得第一定量分析模型；所述样本集包括每一样品的目标组分含量及所有样品的光谱扫描获得的光谱矩阵；

子样本构建模块，用于将所述目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于所述k个子覆盖范围及相应的光谱矩阵将所述样本集分为k个子样本，k≥2；

第二定量分析模型构建模块，用于基于预设非线性回归方法及每一子样本分别训练获得k个第二定量分析模型。

子样本构建模块包括：

第一计算单元，用于根据所述样本集的覆盖范围及第一定量分析模型的交叉验证均方根误差获取所述第二定量分析模型的数量k；

第二计算单元，用于将所述样本集的覆盖范围平均分为k个连续且不交叠的k个子覆盖范围。

所述k值为满足以下公式的最大整数值：

2≤k≤（ymax-ymin）/（8×rmsecv）

其中，ymax-ymin为所述目标组分含量的覆盖范围，ymax为目标组分最大含量，ymin为目标组分最小含量；rmsecv代表第一定量分析模型的交叉验证均方根误差。

子样本构建模块还包括：

第一获取单元，用于根据每一个子覆盖范围中目标组分含量对应获得相应的子光谱矩阵；

第一构建单元，用于基于所述k个子覆盖范围及相应的子光谱矩阵构建相应k个子样本。

所述构建装置还包括：预设样本集获取模块，包括：

采集单元，用于采集n个包含目标组分的样品，获取每一样品中的目标组分含量，n≥3；

第二获取单元，用于基于所有样品的光谱获取所述样品的光谱矩阵x(n，m)，其中m表示光谱波长的数目；

第二构建单元，用于基于所述每一样品中的目标组分含量及光谱矩阵x(n，m)构建所述样本集。

需要说明的是：上述实施例提供的定量分析模型构建装置在触发定量分析模型构建业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的一种定量分析模型构建装置与实施例一提供的定量分析模型构建方法的实施例属于同一构思，即该装置是基于该方法的，其具体实现过程详见方法实施例，这里不再赘述。

实施例五

为执行上述实施例二中的定量分析方法，本实施例提供一种与之对应的定量分析装置，且该定量分析装置是基于实施例四中的定量分析模型构建装置实现的，如图8所示，所述定量分析装置包括：

第一预测模块，用于将待测样品的光谱输入所述第一定量分析模型获得所述目标组分含量的第一预测值；

匹配模块，用于根据所述第一预测值从与第一定量分析模型对应的k个第二定量分析模型中确定第二定量分析模型；匹配模块包括：

选取单元，用于选取与所述目标组分相关的z个敏感谱峰，z≥2且z≤m；

第三计算单元，用于基于所述样本集的全部样本，计算所述待测样品的z个敏感谱峰的马氏距离；

匹配单元，用于：

当所述马氏距离不超过预设值q时，查找所述第一预测值所属的子覆盖范围并获取与所述子覆盖范围对应的第二定量分析模型；

当所述马氏距离超过预设值q时，查找所述马氏距离最低的敏感谱峰所属的光谱矩阵并获取与所述光谱矩阵对应的第二定量分析模型。

第二预测模块，用于将所述待测样品的光谱输入相应的第二定量分析模型获得所述待测样品中目标组分的含量。

需要说明的是：上述实施例提供的定量分析装置在触发定量分析业务时，仅以上述各功能模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能模块完成，即将装置的内部结构划分成不同的功能模块，以完成以上描述的全部或者部分功能。另外，上述实施例提供的定量分析装置与实施例二提供的定量分析方法的实施例属于同一构思，即该装置是基于该方法的，其具体实现过程详见方法实施例，这里不再赘述。

实施例六

对应上述方法和装置，本实施例提供一种计算机系统，包括：

一个或多个处理器；以及

与所述一个或多个处理器关联的存储器，所述存储器用于存储程序指令,所述程序指令在被所述一个或多个处理器读取执行时，执行如下操作：

基于预设线性回归方法及预设样本集训练获得第一定量分析模型；所述样本集包括每一样品的目标组分含量及所有样品的光谱扫描获得的光谱矩阵；

将所述目标组分含量的覆盖范围分为连续且不交叠的k个子覆盖范围，并基于所述k个子覆盖范围及相应的光谱矩阵将所述样本集分为k个子样本，k≥2；

基于预设非线性回归方法及每一子样本分别训练获得k个第二定量分析模型。

其中，图9示例性的展示出了计算机系统1500的架构，具体可以包括处理器1510，视频显示适配器1511，磁盘驱动器1512，输入/输出接口1513，网络接口1514，以及存储器1520。上述处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520之间可以通过通信总线1530进行通信连接。

其中，处理器1510可以采用通用的cxu（centralxrocessingunit，中央处理器）、微处理器、应用专用集成电路（axxlicationsxecificintegratedcircuit，asic）、或者一个或多个集成电路等方式实现，用于执行相关程序，以实现本申请所提供的技术方案。

存储器1520可以采用rom（readonlymemory，只读存储器）、ram（randomaccessmemory，随机存取存储器）、静态存储设备，动态存储设备等形式实现。存储器1520可以存储用于控制计算机系统1500运行的操作系统1521，用于控制计算机系统1500的低级别操作的基本输入输出系统(bios)1522。另外，还可以存储网页浏览器1523，数据存储管理系统1524，以及图标字体处理系统1525等等。上述图标字体处理系统1525就可以是本申请实施例中具体实现前述各步骤操作的应用程序。总之，在通过软件或者固件来实现本申请所提供的技术方案时，相关的程序代码保存在存储器1520中，并由处理器1510来调用执行。

输入/输出接口1513用于连接输入/输出设备，以实现信息输入及输出。输入/输出设备可以作为组件配置在设备中（图中未示出），也可以外接于设备以提供相应功能。其中输入设备可以包括键盘、鼠标、触摸屏、麦克风、各类传感器等，输出设备可以包括显示器、扬声器、振动器、指示灯等。

网络接口1514用于连接网络设备（图中未示出），以实现本设备与其他设备的通信交互。其中网络设备可以通过有线方式（例如usb、网线等）实现通信，也可以通过无线方式（例如移动网络、wifi、蓝牙等）实现通信。

总线1530包括一通路，在设备的各个组件（例如处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，与存储器1520）之间传输信息。

另外，该计算机系统1500还可以从虚拟资源对象领取条件信息数据库中获得具体领取条件的信息，以用于进行条件判断，等等。

需要说明的是，尽管上述设备仅示出了处理器1510、视频显示适配器1511、磁盘驱动器1512、输入/输出接口1513、网络接口1514，存储器1520，总线1530等，但是在具体实施过程中，该设备还可以包括实现正常运行所必需的其他组件。此外，本领域的技术人员可以理解的是，上述设备中也可以仅包含实现本申请方案所必需的组件，而不必包含图中所示的全部组件。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本申请可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如rom/ram、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，云服务器，或者网络设备等）执行本申请各个实施例或者实施例的某些部分所述的方法。

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的系统及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的数据下，即可以理解并实施。

尽管已描述了本发明实施例中的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例中范围的所有变更和修改。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。