动态演化模型校正方法及系统技术领域
本发明涉及在线近红外光谱分析技术领域，更为具体地，涉及一种基于
卡尔曼滤波BP神经网络(KF-BPNN)近红外光谱动态演化模型校正方法及
系统。
背景技术
建立准确性高、自适应性强的校正模型是近红外光谱定量分析方法成功
应用的关键。现代近红外光谱以其分析速度快、重现性好、成本低、不消耗
样品、易于实现在线分析等鲜明的特点正得到越来越多的应用。在近红外光
谱分析实际应用中，样品近红外光谱和待测量存在复杂的间接关系。常通过
求解标准曲线，建立测量数据与分析体系中某一待测组分含量之间的对应关
系。BPNN具有出色的非线性关系表达能力，在处理近红外光谱建模问题上
显示出独特的优越性，被广泛用于非线性模型校正过程。
但是上诉方法通常假设仪器的环境噪声和部件状态是稳定的，是一种静
态建模方法，其效果仅限于短期相对稳定的模型使用过程。然而光谱获取过
程受被测对象变化、仪器老化、环境扰动等影响具有时变性。当仪器测量过
程慢慢发生演变时，基于早期数据的校正模型预测效果将无法得到保证。传
统方法通过利用补充样品数据库定期维护模型，从而保证其适应性，其特点
是工作量大、成本高和不易实现在线分析等。且更新的校正模型中包含大量
光谱仪早期状态信息，不能精确代表仪器最新测量状态。
为解决上述问题，本发明需要提供一种新的模型校正方法。
发明内容
鉴于上述问题，本发明的目的是提供一种基于卡尔曼滤波BP神经网络近
红外光谱动态演化模型校正方法及系统，以保证近红外光谱校正模型具有自
适应性，降低重建模型成本，从而实现在线分析。
本发明提供一种基于卡尔曼滤波BP神经网络近红外光谱动态演化模型
校正方法，包括：
利用K/S算法从标准样品中选择有代表性的建模样品；
采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非线性关
系，形成BPNN校正模型；
定期对待测样品进行化验，获取所述待测样品的样品数据；
同时，利用所述BPNN校正模型对所述待测样品进行预测，获取所述待
测样品的预测值；
获取的所述待测样品的样品数据和所述待测样品的预测值通过采用KF
算法修正所述BPNN校正模型的阈值和权值。
本发明还提供一种基于卡尔曼滤波偏最小二乘近红外光谱动态演化模型
校正系统，包括：
建模样品选取单元，用于利用K/S算法从标准样品中选择有代表性的建
模样品；
BPNN校正模型建立单元，用于采用BPNN法对所述建模样品建立近红
外光谱数据与浓度间的非线性关系，形成BPNN校正模型；
样品数据获取单元，用于定期对待测样品进行化验，获取所述待测样品
的样品数据；
预测值获取单元，利用所述BPNN校正模型对所述待测样品进行预测，
获取所述待测样品的预测值；
BPNN校正模型的阈值和权值修正单元，用于对获取的所述待测样品的
样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正模
型的阈值和权值。
从上面的技术方案可知，本发明提供的基于卡尔曼滤波BP神经网络近红
外光谱动态演化模型校正方法及系统，利用卡尔曼滤波BP神经网络以保证近
红外光谱校正模型具有自适应性，降低重建模型成本，从而达到实现在线分
析的目的。
为了实现上述以及相关目的，本发明的一个或多个方面包括后面将详细
说明并在权利要求中特别指出的特征。下面的说明以及附图详细说明了本发
明的某些示例性方面。然而，这些方面指示的仅仅是可使用本发明的原理的
各种方式中的一些方式。此外，本发明旨在包括所有这些方面以及它们的等
同物。
附图说明
通过参考以下结合附图的说明及权利要求书的内容，并且随着对本发明
的更全面理解，本发明的其它目的及结果将更加明白及易于理解。在附图中：
图1为根据本发明实施例的基于卡尔曼滤波BP神经网络近红外光谱动态
演化模型校正方法流程示意图；
图2为根据本发明实施例的基于卡尔曼滤波BP神经网络近红外光谱动态
演化模型校正系统结构框图。
在所有附图中相同的标号指示相似或相应的特征或功能。
具体实施方式
在下面的描述中，出于说明的目的，为了提供对一个或多个实施例的全
面理解，阐述了许多具体细节。然而，很明显，也可以在没有这些具体细节
的情况下实现这些实施例。
以下将结合附图对本发明的具体实施例进行详细描述。
为了说明本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态演
化模型校正方法，图1示出了根据本发明实施例的基于卡尔曼滤波BP神经网
络近红外光谱动态演化模型校正方法流程。
如图1所示，本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态
演化模型校正方法包括：
S110：利用K/S(Kennard-Stone)算法从标准样品中选择有代表性的建模
样品；
S120：采用BPNN法对所述建模样品建立近红外光谱数据与浓度间的非
线性，形成BPNN校正模型；
S130：定期对待测样品进行化验，获取所述待测样品的样品数据；同时，
利用所述BPNN校正模型对所述待测样品进行预测，获取所述待测样品的预
测值；
S140：获取的所述待测样品的样品数据和所述待测样品的预测值通过采
用KF算法修正所述BPNN校正模型的阈值和权值。
在上述步骤S120中，(1)设An×m为n个建模样品在m个波长上的光谱矩阵，
Cn×l为n个建模样品l种成分含量构成的浓度矩阵。
Anxm＝[a1,a2,…,an]t(n＝1,2,…,N)为输入矢量(光谱数据)，或称训练样本。
W M I ( n ) = w 11 ( n ) w 12 ( n ) ... w 12 ( n ) w 21 ( n ) w 22 ( n ) ... w 2 I ( n ) . . . . . ... . . . . w M 1 ( n ) w M 2 ( n ) ... w M I ( n ) ]]>
其中，WMI(n)为第n次迭代时输入层与隐层I之间的权值矢量。
WJP(n)为第n次迭代时隐层J与输出层之间的权值矢量。
Yk(n)＝[yk1(n),yk2(n),…,ykP(n)](k＝1,2,…,N)为第n次迭代时网络的实际输
出；Cn×l＝[c1,c2,…,cn]t(n＝1,2,…,N)为期望浓度。
(2)初始化，赋给WMI(0),WJP(0)各一个较小的随机非零值。
(3)随机输入样本an，n＝0。
(4)对输入样本an，前向计算BP网络每层神经元的输入信号和输出信号。
(5)由期望浓度(神经网络输出)cn和上一步求得的实际输出an′，计算误
差E(n)，判断其是否满足要求；若满足要求转至步骤(8)；若不满足要求转至
步骤(6)。
(6)判断n+1是否大于最大迭代次数，若最大迭代次数转至步骤(8)，若不
大于最大迭代次数，对输入样本an，反向计算每层神经元的局部梯度δ。
(7)按下式计算权值修正量ΔW，并修正权值；n＝n+1，转至步骤(4)
Δ W i j 5 = η . δ i j . a j ′ 4 W i j 5 ( n + 1 ) = W i j 5 ( n ) + ΔW i j ( n ) ]]>
其中，η为学习速率，n为迭代次数。
(8)判断是否学完所有的训练样本，若是则结束，若否则转至步骤(3)。
其中，，设有一N层前向网络，每层神经元数为Sk(k＝1,2,...,N)，记输入层
为第一层，输出层为第N层；第k层神经元的连接权值
网络中的所有权值组成状态向量：
W = [ W 11 1 ... W S 1 S 2 1 W 11 2 ... W S 2 S 3 2 ... W 11 N - 1 W S N - 1 S N N - 1 ] T ]]>
其维数为：
N W = Σ i = 1 N - 1 S i S i + 1 ]]>
系统的状态方程和观测方程表示为
W k = W k - 1 C e k = C r k + V k = h ( W k , a k ) + V k ]]>
其中，Vk为观测噪声，其统计特性为：
E ( V k ) = 0 , E ( V k V k T ) = R k ]]>
令 ∂ h ∂ W | W k = W ^ k - = H k , h ( W ^ k - , a k ) - ∂ h ∂ W | W k = W ^ k - W ^ k - = D k ]]>
则观测方程为：
Cek＝HkWk+Dk+Vk
其中，Cek为标样浓度，ak为第k个样品光谱矢量，Crk为预测浓度。
在本发明中，需要说明的是，在建立BPNN校正模型后，待测样品就可以
使用BPNN校正模型进行预测，当时此模型使用一段时间后，可以再次对BPNN
校正模型进行校正，则校正的具体方法就是上述步骤S130，校正后的模型在
预测时更为精确。
在本发明中，由卡尔曼滤波基本公式得BPNN校正模型阈值、权值学习的
卡尔曼滤波算法如下：
时间更新(预测)
Step1:向前推算权值变量，其中公式为：
Step2:向前推算误差协方差，其中公式为：
测量更新(修正)
Step3:计算卡尔曼增益，其中公式为：
Step4:由期望输出Cek更新估计，其中公式为：
Step5:更新误差协方差，其中公式为：
Step6:k＝k+1转Step2；
其中，为初始估计权值变量；Pk-1为初始估计误差协方差。
与上述方法相对应，本发明还提供一种基于卡尔曼滤波BP神经网络近红
外光谱动态演化模型校正系统，图2示出了根据本发明实施例的基于卡尔曼
滤波BP神经网络近红外光谱动态演化模型校正系统逻辑结构。
如图2所示，本发明提供的基于卡尔曼滤波BP神经网络近红外光谱动态
演化模型校正系统200，包括：建模样品选取单元210、BPNN校正模型建立
单元220、样品数据获取单元230、预测值获取单元240和BPNN校正模型的
阈值和权值修正单元250。
具体地，建模样品选取单元210，用于利用K/S(Kennard-Stone)算法从
标准样品中选择有代表性的建模样品；
BPNN校正模型建立单元220，用于采用BPNN法对所述建模样品建立近
红外光谱数据与浓度间的非线性关系，形成BPNN校正模型；
样品数据获取单元230，用于定期对待测样品进行化验，获取所述待测样
品的样品数据；
预测值获取单元240，用于利用所述BPNN校正模型对所述待测样品进
行预测，获取所述待测样品的预测值；
BPNN校正模型的阈值和权值修正单元250，用于对获取的所述待测样品
的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校正
模型的阈值和权值。
其中，BPNN校正模型建立单元220在采用BPNN法对所述建模样品建
立近红外光谱数据与浓度间的非线性关系，形成BPNN校正模型的过程中，
(1)设An×m为n个建模样品在m个波长上的光谱矩阵，Cn×l为n个建模样品l
种成分含量构成的浓度矩阵；
Anxm＝[a1,a2,…,an]t(n＝1,2,…,N)为输入矢量；
W M I ( n ) = w 11 ( n ) w 12 ( n ) ... w 12 ( n ) w 21 ( n ) w 22 ( n ) ... w 2 I ( n ) . . . . . ... . . . . w M 1 ( n ) w M 2 ( n ) ... w M I ( n ) ]]>
其中，WMI(n)为第n次迭代时输入层与隐层I之间的权值矢量；
WJP(n)为第n次迭代时隐层J与输出层之间的权值矢量；
Yk(n)＝[yk1(n),yk2(n),…,ykP(n)](k＝1,2,…,N)为第n次迭代时网络的实际输
出；
Cn×l＝[c1,c2,…,cn]t(n＝1,2,…,N)为期望浓度；
(2)初始化，赋给WMI(0),WJP(0)各一个较小的随机非零值；
(3)随机输入样本an，n＝0；
(4)对输入样本an，前向计算BP网络每层神经元的输入信号和输出信号；
(5)由期望浓度cn和上一步求得的实际输出an′，计算误差E(n)，判断是否
满足要求；若满足要求转至步骤(8)，若不满足要求转至步骤(6)；
(6)判断n+1是否大于最大迭代次数，若大于最大迭代次数转至步骤(8)，
若不大于最大迭代次数，对输入样本an，反向计算每层神经元的局部梯度δ；
(7)按下式计算权值修正量ΔW，并修正权值；n＝n+1，转至步骤(4)；权
值修正量的公式如下：
Δ W i j 5 = η . δ i j . a j ′ 4 W i j 5 ( n + 1 ) = W i j 5 ( n ) + ΔW i j ( n ) ]]>
其中，η为学习速率，n为迭代次数；
(8)判断是否学完所有的训练样本，若是则学习结束，若否则转至步骤(3)。
其中，设有一N层前向网络，每层神经元数为Sk(k＝1,2,...,N)，记输入层
为第一层，输出层为第N层；第k层神经元的连接权值
网络中的所有权值组成状态向量：
W = [ W 11 1 ... W S 1 S 2 1 W 11 2 ... W S 2 S 3 2 ... W 11 N - 1 W S N - 1 S N N - 1 ] T ]]>
其维数为：
N W = Σ i = 1 N - 1 S i S i + 1 ]]>
系统的状态方程和观测方程表示为：
W k = W k - 1 C e k = C r k + V k = h ( W k , a k ) + V k ]]>
其中，Vk为观测噪声，其统计特性为：
E ( V k ) = 0 , E ( V k V k T ) = R k ]]>
令
则观测方程为：
Cek＝HkWk+Dk+Vk
其中，Cek为标样浓度，ak为第k个样品光谱矢量，Crk为预测浓度。
其中，BPNN校正模型的阈值和权值修正单元250在获取的所述待测样
品的样品数据和所述待测样品的预测值通过采用KF算法修正所述BPNN校
正模型的阈值和权值的过程中，
Step1：向前推算权值变量，其公式为：
Step2：向前推算误差协方差，其公式为：
Step3：计算卡尔曼增益，其公式为：
Step4:由期望输出Cek更新估计，其公式为：
Step5：更新误差协方差，其公式为：
Step6：k＝k+1转Step2；
其中，为初始估计权值变量；Pk-1为初始估计误差协方差。
通过上述实施方式可以看出，本发明提供的基于卡尔曼滤波BP神经网络
近红外光谱动态演化模型校正方法及系统，利用KF-BPNN使近红外光谱校正
模型具有自适应性，降低重建模型成本，从而达到实现在线分析的目的。
如上参照附图以示例的方式描述了根据本发明提出的基于卡尔曼滤波BP
神经网络近红外光谱动态演化模型校正方法及系统。但是，本领域技术人员
应当理解，对于上述本发明所提出的基于卡尔曼滤波BP神经网络近红外光谱
动态演化模型校正方法及系统，还可以在不脱离本发明内容的基础上做出各
种改进。因此，本发明的保护范围应当由所附的权利要求书的内容确定。