多场景下复杂体系物质组分分析的方法及系统

本发明涉及数据处理，尤其涉及一种多场景下复杂体系物质组分分析的方法及系统。

背景技术：

1、随着高通量、大规模分析量测仪器的出现，多变量分析化学数据的建模成为了关注的焦点，尤其是当研究体系比较复杂或研究体系内多个纯组分的谱图重叠严重时。例如：采用近红外对含水复杂体系进行表征时，由于水分子光谱的谱峰较宽且重叠严重，会导致其他组分的信号被掩蔽。采用多元校正的方法能有效整合多变量数据，对感兴趣的组分进行定性和定量分析。

2、在实际应用中，检测环境、样本形态、仪器状态等因素都会引起光谱发生系统变化，进而导致已经建立的模型无法正常使用。常见的作法是采用模型转移方法，例如，多水平同时成分分析(multi-level simultaneous component analysis，msca)。此类方法需要在不同条件下对同一批标准样品采集一一对应的标准光谱，因此只能在所有条件下都能采集标准光谱的小范围内使用。此外，这些方法往往需要根据实际情况调整模型转移的参数，过程较为繁琐。

3、基于此，现有技术中提出了基于相关约束的无参数模型增强框架(parameter-free framework for calibration enhancement，pfce)。pfce是以两种条件下对光谱预测残差和最小化，结合模型参数相关系数不小于特定阈值的约束，对已经建立好的某个特定场景的模型(该模型即为作为主机的模型)进行增强，以适应新的检测场景(优化后模型即为作为子机的模型)。该方法无需复杂的参数优化也能够实现较好的模型转移。当能够在不同场景采集一一对应的标准光谱时，可以用无监督pfce(non-supervised pfce，ns-pfce)；当无法对主机采集标准光谱时，半监督pfce(semi supervised pfce，ss-pfce)也能取得较好的效果；当能够采集标准光谱，且标准样品参考值已知时，能够使用全监督pfce(full-supervised pfce，fs-pfce)，不但能够实现模型转移，而且能够在此基础上进一步获得模型预测效果的增强。

4、pfce解决了模型转移中参数优化繁琐的问题，且能够针对不同已知条件(检测场景)选择对应的方案，解决了分析信号在实际应用中因外界检测条件的变化而导致模型预测效果退化的问题。但是pfce存在如下弊端：(1)pfce中相关性约束较弱，当标准光谱数量较少时，模型增强效果不稳健；(2)当子机涉及多种检测场景时，难以用一个通用的模型转移方法同时对所有检测场景进行建模。

技术实现思路

1、本发明提供的多场景下复杂体系物质组分分析的方法及系统，用于解决现有技术中存在的只能对子机的模型进行优化，无法对主机的模型进行优化，且在子机涉及多种检测场景的情况下，难以用一个通用的模型转移方法对所有检测场景进行转移，计算效率和数据利用率低。

2、本发明提供的一种多场景下复杂体系物质组分分析的方法，包括：

3、根据目标终端采集到的待测复杂体系中的目标物质的分析化学数据和组分参考值，建立线性模型，所述目标终端包括多个终端，且每个终端在采集所述目标物质的分析化学数据时所处的检测环境不同，所述线性模型用于表征所述待测复杂体系中的所述目标物质的组分含量和所述目标终端采集到的所述分析化学数据之间的关联关系，所述组分参考值为所述待测复杂体系中的所述目标物质的组成成分的实际含量；

4、根据所述线性模型的损失函数和约束条件，对所述线性模型进行优化，获取目标分析模型；

5、根据所述目标分析模型，对所述目标终端采集到的新的分析化学数据进行分析，获得所述目标物质的组分预测值。

6、根据本发明提供的一种多场景下复杂体系物质组分分析的方法，所述线性模型的损失函数和约束条件的获取方式，包括：

7、根据所述目标终端中的任务数量、每个终端采集到的所述目标物质的分析化学数据、所述目标物质的组分参考值、所述线性模型的模型系数，确定所述损失函数，所述任务数量为采集所述目标物质的分析化学数据的任务的数量，所述模型系数包括截距项和系数项；

8、根据任意两个终端之间的模型系数的归一化约束、所述任务数量和预设阈值，确定所述约束条件。

9、根据本发明提供的一种多场景下复杂体系物质组分分析的方法，所述任意两个终端之间的模型系数的归一化约束的获取方式，包括：

10、根据任意两个终端对应的线性模型的系数项以及任意两个终端对应的线性模型的系数项的差值，确定所述归一化约束；或

11、根据所述差值的绝对值以及任意两个终端对应的线性模型的系数项的绝对值，确定所述归一化约束。

12、根据本发明提供的一种多场景下复杂体系物质组分分析的方法，所述根据所述线性模型的损失函数和约束条件，对所述线性模型进行优化，获取目标分析模型，包括：

13、根据所述线性模型的损失函数和所述约束条件，对所述线性模型的截距项和系数项进行优化，获得所述线性模型对应的目标截距项和目标系数项；

14、基于所述目标截距项替换所述截距项，并基于所述目标系数项替换所述系数项，获得所述目标分析模型。

15、根据本发明提供的一种多场景下复杂体系物质组分分析的方法，所述根据所述目标分析模型，对所述目标终端采集到的新的分析化学数据进行分析，获得所述目标物质的组分预测值，包括：

16、将采集到的所述目标物质的新的分析化学数据输入到所述目标分析模型，获取所述目标物质的组分预测值。

17、根据本发明提供的一种多场景下复杂体系物质组分分析的方法，所述分析化学数据包括如下任一种：

18、所述目标物质的红外吸收光谱、质谱、核磁共振波谱和紫外吸收光谱。

19、本发明还提供一种多场景下复杂体系物质组分分析的系统，包括：模型建立模块、模型优化模块以及组分预测模块；

20、所述模型建立模块，用于根据目标终端采集到的待测复杂体系中的目标物质的分析化学数据和组分参考值，建立线性模型，所述目标终端包括多个终端，且每个终端在采集所述目标物质的分析化学数据时所处的检测环境不同，所述线性模型用于表征所述待测复杂体系中的所述目标物质的组分含量和所述目标终端采集到的所述分析化学数据之间的关联关系，所述组分参考值为所述待测复杂体系中的所述目标物质的组成成分的实际含量；

21、所述模型优化模块，用于根据所述线性模型的损失函数和约束条件，对所述线性模型进行优化，获取目标分析模型；

22、所述组分预测模块，用于根据所述目标分析模型，对所述目标终端采集到的新的分析化学数据进行分析，获得所述目标物质的组分预测值。

23、本发明还提供一种电子设备，包括处理器和存储有计算机程序的存储器，所述处理器执行所述程序时实现如上述任一种所述多场景下复杂体系物质组分分析的方法。

24、本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述多场景下复杂体系物质组分分析的方法。

25、本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述多场景下复杂体系物质组分分析的方法。

26、本发明提供的多场景下复杂体系物质组分分析的方法及系统，将每个场景下目标终端如分析仪器采集到的分析化学数据和待测复杂体系下物质组分参考值组成建立线性模型，结合损失函数和约束条件同时对目标终端中的各个终端建立的线性模型进行优化，并基于优化后的各个终端对应的目标分析模型实现对不同检测场景下复杂体系下的物质进行组成成分分析，该方法相较于传统的多变量模型提高了预测结果的准确性。