具体实施方式

为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开进一步详细说明。

需要说明的是，除非另外定义，本公开实施例使用的技术术语或者科学术语应当为本公开所属领域内具有一般技能的人士所理解的通常意义。本公开实施例中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。“包括”或者“包含”等类似的词语意指出现该词前面的元件或者物件涵盖出现在该词后面列举的元件或者物件及其等同，而不排除其他元件或者物件。“连接”或者“相连”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电性的连接，不管是直接的还是间接的。

如图1所示，本实施例提出的基于近红外建模的成品油添加剂检测分析方法，执行步骤具体包括：

S1，获取n个成品油添加剂样品。

S2，利用近红外设备获取每个所述成品油添加剂样品的近红外光谱。

其中，步骤S2之后，对得到的所述近红外光谱中的吸光度超过吸光阈值的光谱区域删除，将各个近红外光谱中的噪音区域删除。

为了避免近红外光谱中吸光度超过吸光阈值的光谱区域的干扰，将其删除，以及噪音较大的光谱区域，也要将其删除。这样使得近红外光谱的特征更加明显。

由于每个光谱的吸光度对应的吸光阈值可能不断变化，然而不能每获取一个近红外光谱就设定一个吸光阈值，这样比较浪费时间，并且降低整体的效率。

因此，选择利用大量的标记好对应的吸光阈值以及噪音阈值的近红外光谱，利用这些标记好的近红外光谱对深度神经网络进行训练，训练完成后，能够利用该深度神经网络进行各种近红外光谱的去燥处理。由于深度神经网络具有再学习的功能，能够不断的在进行去噪处理的过程中不断的提高识别精度。

S3，利用湿化学法对每个所述成品油添加剂样品的成分进行检测，得到与每个所述成品油添加剂样品的成分对应的湿化学值。

其中，使用的湿化学方法包括下列至少之一：液相沉积法、电化学沉积法、溶胶凝胶法。利用湿化学法能够准确的确定成品油添加剂中各项成分的湿化学值。

S4，利用预先构建的区域选择神经网络模型从每个所述成品油添加剂样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域。

其中，可以利用预先训练好的区域选择神经网络模型对近红外光谱进行选择，将近红外光谱输入至区域选择神经网络模型中进行处理，输出对应的近红外光谱区域。

利用得到的区域选择神经网络模型对相应的近红外光谱进行区域识别，进而能够更加准确的筛选出信息量的相关性最大的光谱区域。筛选精度和准确度都得到有效的提高。

S5，对每个所述成品油添加剂样品的所述近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到近红外检测值。

进行一阶导数处理目的是为了降低近红外光谱图的低频噪声和漂移的影响、提高分辨率、方便峰位置的准确定位，同时放大高频噪声。

S6，将每个所述成品油添加剂样品的所述近红外检测值与所述湿化学值利用偏最小二乘法运算处理进行关联，得到每个所述成品油添加剂样品的关联后的数据。

S7，计算每个所述成品油添加剂样品关联后的近红外检测值与对应湿化学值之间的均方根误差，将均方根误差大于误差阈值的成品油添加剂样品的关联后的数据删除。

S8，利用剩余的成品油添加剂样品的关联后的数据构建数据库，将所述数据库作为近红外分析初始模型。

S9，利用n个成品油添加剂样品对所述近红外分析初始模型进行交叉检验，得到近红外分析模型。

S10，将待检测的成品油添加剂利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的成品油添加剂进行处理得到与待检测的成品油添加剂的成分对应的待分析湿化学值。

S11，将所述待检测的成品油添加剂的待分析近红外光谱和对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外模型进行处理确定所述待检测的成品油添加剂的各项成分的含量数据。

通过上述方案，能够根据成品油添加剂样品的近红外检测值以及对应成分的湿化学值进行结合关联，进而构建对应的数据库，形成近红外分析模型，这样，就可以利用近红外分析模型对待检测的成品油添加剂的各项成分含量数据进行检测分析，使得检测得到的各成分含量的准确度得到有效提高。

在一些实施例中，所述区域选择神经网络模型的构建过程包括：

SA1，构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络，其中，隐藏层的数量与成品油添加剂的类别数量相对应。

SA2，获取预定数量的成品油添加剂，利用近红外设备获取各个成品油添加剂的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的成品油添加剂的近红外光谱作为训练样本。

SA3，根据所述成品油添加剂的类别，对所述训练样本进行分类。

SA4，从多个类别的训练样本中提取目标类的训练样本。

SA5，将所述目标类的训练样本输入至所述深度神经网络的输入层，利用所述输入层对所述目标类的训练样本进行预处理，并将预处理后的训练样本发送至与所述目标类对应的隐藏层进行处理。

SA6，与所述目标类对应的隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出。

SA7，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述目标类的下一个训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同。

SA8，不断重复步骤SA5至SA7直至所述目标类的训练样本全部训练完成得到训练后的神经网络。

SA9，从剩余类别的训练样本中提取新目标类的训练样本重复步骤SA5至SA8的过程对所述训练后的神经网络进行训练，直至所有类别的训练样本全部训练完成，将最后得到的神经网络作为区域选择神经网络模型。

经过上述步骤的方案，对应步骤S4具体执行过程为：

S41，将成品油添加剂样品的近红外光谱输入至区域选择神经网络模型的输入层，利用输入层对成品油添加剂样品的近红外光谱进行预处理。将模拟信号的近红外光谱转换成数字信号，并判断该成品油添加剂样品的近红外光谱的类别。

S42，输入层将预处理后的近红外光谱发送至对应类别的隐藏层中，利用该类别的隐藏层进行处理，处理之后该隐藏层将处理结果发送至输出层。

S43，由于该处理结果为数字信号，输出层将数字信号的信息量的相关性最大的近红外光谱区域转换成信息量的相关性最大的近红外光谱区域的模拟信号进行输出，输出的同时将对应的类别也一起输出。

S44，再按照上述步骤S41至S43对其他各个成品油添加剂样品的近红外光谱进行信息量的相关性最大的近红外光谱区域的识别，最终得到各个成品油添加剂样品对应的信息量的相关性最大的近红外光谱区域。

通过上述方案，利用区域选择神经网络模型进行信息量的相关性最大的近红外光谱区域的识别过程，识别精度和准确度相对于现有技术能够得到有效的提高，并且由于区域选择神经网络模型具有再学习的功能，能在进行后续识别过程中不断的进行自主学习，进而不断的使得识别的精度和准确度得到更进一步地提高。

在一些实施例中，除了上述过程中的区域选择神经网络模型的构建方案，区域选择神经网络模型还可以通过下述过程进行构建：

SB1，获取预定数量的成品油添加剂，利用近红外设备获取各个成品油添加剂的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的成品油添加剂的近红外光谱作为训练样本。

SB2，根据所述成品油添加剂的类别，对所述训练样本进行分类，得到M个类别的训练样本。

SB3，构建M个具有输入层、隐藏层和输出层的深度神经网络。

SB4，获取目标类的训练样本以及对应的深度神经网络，利用目标类的训练样本对选定的所述深度神经网络进行训练得到能够对对应类别的近红外光谱进行相关性最大的光谱区域识别的神经网络初始模型，其中，M个深度神经网络经过训练后得到M个对应类别标签的神经网络初始模型。

步骤SB4具体包括：

SB41，将所述目标类的训练样本输入至对应的深度神经网络的输入层，利用所述输入层对所述目标类的训练样本进行预处理，并将预处理后的训练样本发送至隐藏层进行处理。

SB42，所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出。

SB43，判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述目标类的下一个训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同。

SB44，不断重复步骤SB41至SB43直至所述目标类的训练样本全部训练完成得到神经网络初始模型。

SB5，将M个神经网络初始模型进行整合，并在所述M个神经网络初始模型之前增加类别判断层，在M个神经网络初始模型之后增加输出结果整理层，进而得到区域选择神经网络模型。

其中，判断层与各个神经网络初始模型的输入层连接，整理层与各个神经网络初始模型的输出层连接。

经过上述步骤的方案，对应步骤S4具体执行过程为：

S41’，将成品油添加剂样品的近红外光谱输入至判断层中，判断层确定该成品油添加剂样品的类别。

S42’，判断层将成品油添加剂样品的近红外光谱传送至对应类别的神经网络初始模型的输入层，利用该神经网络初始模型的输入层对该近红外光谱进行预处理，将近红外光谱的模拟信号转换成数字信号，发送至隐藏层进行处理。

S43’，隐藏层将处理结果发送到输出层，由于该处理结果为数字信号，输出层将数字信号的信息量的相关性最大的近红外光谱区域转换成信息量的相关性最大的近红外光谱区域的模拟信号并输出至整理层。

S44’，整理层将该近红外光谱区域的模拟信号与相应进行处理的神经网络初始模型的类别进行整合，并将整合结果进行输出。

通过上述方案，将多个训练好的各个类别的神经网络初始模型整合后构成一个大的区域选择神经网络模型，这样能够保证对各个类别的识别过程不会混乱，降低出现识别错误的概率，提高识别效果。由于区域选择神经网络模型具有再学习的功能，能在进行后续识别过程中不断的进行自主学习，进而不断的使得识别的精度和准确度得到更进一步地提高。

另外，如果有新的类别的成品油添加剂，也可以对应训练成神经网络初始模型后，再添加至该区域选择神经网络模型中，进而增加该区域选择神经网络模型识别种类。

在一些实施例中，步骤S5中的多元线性回归处理过程具体包括：

S51，将一阶导数处理后的近红外光谱区域中的至少一个主成分光谱乘以对应的主成分得分系数得到对应的主成分光谱数据，依据至少一个主成分光谱数据构建至少一个主成分矩阵。

S52，根据至少一个主成分矩阵构建至少一个主线性函数，将至少一个主线性函数进行线性回归处理，得到对应的近红外检测值。

在上述方案中，通过对近红外光谱的主成分进行分析，充分提取样品光谱的有效信息，消除了线性相关的问题，考虑了光谱矩阵与样品成分矩阵之间的内在联系，使得基于此构建的近红外分析模型更稳健，这种方式适合于复杂分析体系。

在一些实施例中，步骤S6中的偏最小二乘法的运算处理过程具体包括：

根据近红外检测值构建对应的光谱矩阵，根据所述湿化学值中的主湿化学值构建主湿化学矩阵，将所述光谱矩阵和所述主湿化学矩阵进行关联，并计算两个矩阵的预测线性关系函数。

则步骤S8，具体为：利用剩余的各个成品油添加剂样品得到的预测线性关系函数构建数据库，将所述数据库作为近红外分析初始模型。

在一些实施例中，成品油添加剂包括下列至少之一：

柴油十六烷值改进剂(硝酸异辛酯)、柴油降凝剂、柴油稳定剂、燃烧促进剂、柴油助燃消烟剂、抗爆剂、汽油抗氧剂、甲醇汽油添加剂、乳化油、水溶性油、乳化液、皂化油、皂化液。

成品油添加剂可以为石油添加剂包括下列至少之一：

清净剂、分散剂、抗氧抗腐剂、极压剂、抗磨剂、油性剂、摩擦改进剂、抗氧剂、金属减活剂、粘度指数改进剂、防锈剂、防腐剂、抑制剂、降凝剂、倾点下降剂、抗泡剂、乳化剂、抗乳化剂、防霉剂。

具体成品油添加剂还可以是其他的添加剂，可根据实际需要进行选择，这里不做具体限定。

在一些实施例中，步骤S9具体包括：

S9-1，对n个成品油添加剂样品进行排序N₁，N₂……N_n，从n个成品油添加剂样品中选取N₁成品油添加剂样品作为检验样品，剩余的成品油添加剂样品作为建模样品。

S9-2，利用建模样品按照上述步骤S2至S8的方案在构建的近红外分析初始模型之上再次构建近红外分析初始模型。

S9-3，将检验样品利用红外设备获取各项成分对应的检验近红外光谱，以及利用湿化法对检验样品进行处理得到各项成分对应的检验湿化学值，并输入至再次构建的近红外分析初始模型中进行处理，输出检验样品的各项成分的含量数据，并将输出的检验样品的各项成分的含量数据与所述检验样品的真实数据进行比对，输出检验的准确率。

S9-4，按照排序依次选取下一个成品油添加剂样品作为检验样品，剩余的成品油添加剂样品作为建模样品，重复步骤S9-2和S9-3的方案，直至n个成品油添加剂样品均分别作为检验样品得到对应检验的准确率p₁，p₂……p_n。

S9-5，计算检验的准确率p₁，p₂……p_n的平均值p，判断是否p≥P，是则将最终得到的近红外分析初始模型作为近红外模型，否则重新获取新的成品油添加剂样品，利用新的成品油添加剂样品重复上述S9-1至S9-4的过程，直至得到的p≥P，将最终得到的近红外分析初始模型作为近红外模型，其中，P为准确率阈值。

在上述方案中，利用交叉检验的方式对得到的近红外分析初始模型进行检验，能够保证每一个成品油添加剂样品都被用于检验和建模，这样即使样品数量有限也能构建准确度相对较高的模型，提高建模效率。

在一些实施例中，在步骤S9之后，所述方法还包括：

S9’，获取a个成品油添加剂样本作为校正集，获取b个成品油添加剂样本作为验证集，利用校正集中的成品油添加剂样本按照上述步骤S2至S9的方案在构建的近红外分析模型之上再次构建近红外分析验证模型，并将验证集中的成品油添加剂样本依次输入至近红外分析验证模型中输出验证结果，将验证结果与验证集中的成品油添加剂样本的真实结果进行比对，确定验证的准确率。

S9”，判断验证的准确率是否超过验证阈值，是则将得到的近红外分析验证模型作为最终的近红外分析模型，否则，获取新的校正集和新的验证集重复步骤S9’的方案，直至得到的验证的准确率超过验证阈值，将得到的近红外分析验证模型作为最终的近红外分析模型。

在上述方案中，为了进一步保证近红外模型的准确性，利用校正集在上述步骤S9-5得到的近红外验证模型的基础上构建对应的近红外验证模型，然后再利用验证集中的样本对近红外验证模型进行验证。

另外，还可以将校正集作为验证集，将验证集作为校正集，按照上述步骤S9’至S9”，进行处理，进而进一步验证近红外验证模型。

将验证完成的近红外验证模型作为最终的近红外分析模型，这样能够使得最终得到的近红外分析模型的分析精度得到进一步地提高。

需要说明的是，本公开实施例的方法可以由单个设备执行，例如一台计算机或服务器等。本实施例的方法也可以应用于分布式场景下，由多台设备相互配合来完成。在这种分布式场景的情况下，这多台设备中的一台设备可以只执行本公开实施例的方法中的某一个或多个步骤，这多台设备相互之间会进行交互以完成所述的方法。

需要说明的是，上述对本公开的一些实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于上述实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种基于近红外建模的成品油添加剂检测分析装置。

参考图2，所述基于近红外建模的成品油添加剂检测分析装置，包括：

获取模块201，用于获取n个成品油添加剂样品；

近红外获取模块202，用于利用近红外设备获取每个所述成品油添加剂样品的近红外光谱；

湿化学处理模块203，用于利用湿化学法对每个所述成品油添加剂样品的成分进行检测，获取每个所述成品油添加剂样品的成分对应的湿化学值；

选择模块204，用于利用预先构建的区域选择神经网络模型从每个所述成品油添加剂样品的所述近红外光谱中选择信息量的相关性最大的区域为近红外光谱区域；

数学处理模块205，用于对每个所述成品油添加剂样品的所述近红外光谱区域进行一阶导数处理后，再进行多元线性回归处理得到近红外检测值；

关联处理模块206，用于将每个所述成品油添加剂样品的所述近红外检测值与所述湿化学值利用偏最小二乘法运算处理进行关联，得到每个所述成品油添加剂样品的关联后的数据；

删除模块207，用于计算每个所述成品油添加剂样品的关联后的近红外检测值与对应湿化学值之间的均方根误差，将均方根误差大于误差阈值的成品油添加剂样品的关联后的数据删除；

构建模块208，用于利用剩余的成品油添加剂样品的关联后的数据构建数据库，将所述数据库作为近红外分析初始模型；

交叉检验模块209，用于利用n个成品油添加剂样品对所述近红外分析初始模型进行交叉检验，得到近红外分析模型；

待检测预处理模块210，用于将待检测的成品油添加剂利用红外设备获取对应的待分析近红外光谱，以及利用湿化法对待检测的成品油添加剂进行处理得到与待检测的成品油添加剂的成分对应的待分析湿化学值；

检测分析模块211，用于将所述待检测的成品油添加剂的各项成分对应的待分析近红外光谱和各项成分对应的待分析湿化学值输入至所述近红外分析模型中，利用近红外模型进行处理确定所述待检测的成品油添加剂的各项成分的含量数据。

在一些实施例中，装置还包括第一训练模块，用于构建区域选择神经网络模型。

第一训练模块具体用于：

构建具有一个输入层、多个隐藏层和一个输出层的深度神经网络，其中，隐藏层的数量与成品油添加剂的类别数量相对应；

获取预定数量的成品油添加剂，利用近红外设备获取各个成品油添加剂的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的成品油添加剂的近红外光谱作为训练样本；

根据所述成品油添加剂的类别，对所述训练样本进行分类；

从多个类别的训练样本中提取目标类的训练样本；

将所述目标类的训练样本输入至所述深度神经网络的输入层，利用所述输入层对所述目标类的训练样本进行预处理，并将预处理后的训练样本发送至与所述目标类对应的隐藏层进行处理；

与所述目标类对应的隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出；

判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述目标类的下一个训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的所述目标类对应的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同；

不断重复步骤上述过程直至所述目标类的训练样本全部训练完成得到训练后的神经网络；

从剩余类别的训练样本中提取新目标类的训练样本重复训练的过程对所述训练后的神经网络进行训练，直至所有类别的训练样本全部训练完成，将最后得到的神经网络作为区域选择神经网络模型。

在一些实施例中，装置还包括第二训练模块，用于构建区域选择神经网络模型。

第二训练模块具体用于：

获取预定数量的成品油添加剂，利用近红外设备获取各个成品油添加剂的近红外光谱，并对每个近红外光谱中相关性最大的光谱区域进行目标区域标记，将标记后的预定数量的成品油添加剂的近红外光谱作为训练样本。

根据所述成品油添加剂的类别，对所述训练样本进行分类，得到M个类别的训练样本。

构建M个具有输入层、隐藏层和输出层的深度神经网络。

获取目标类的训练样本以及对应的深度神经网络，利用目标类的训练样本对选定的所述深度神经网络进行训练得到能够对对应类别的近红外光谱进行相关性最大的光谱区域识别的神经网络初始模型，其中，M个深度神经网络经过训练后得到M个对应类别标签的神经网络初始模型。

将所述目标类的训练样本输入至对应的深度神经网络的输入层，利用所述输入层对所述目标类的训练样本进行预处理，并将预处理后的训练样本发送至隐藏层进行处理。

所述隐藏层将处理结果发送至所述输出层，所述输出层将处理结果整理成对应的光谱区域结果进行输出。

判断输出的光谱区域结果与对应的目标区域标记是否相同，是则，选择所述目标类的下一个训练样本进行训练，否则计算输出的光谱区域结果与对应的目标区域标记之间的损失函数，利用所述损失函数计算损失值，根据所述损失值对深度神经网络中的隐藏层的参数进行调整，直至输出的光谱区域结果与对应的目标区域标记相同。

不断重复训练过程直至所述目标类的训练样本全部训练完成得到神经网络初始模型。

将M个神经网络初始模型进行整合，并在所述M个神经网络初始模型之前增加类别判断层，在M个神经网络初始模型之后增加输出结果整理层，进而得到区域选择神经网络模型。

在一些实施例中，交叉检验模块209具体用于：

对n个成品油添加剂样品进行排序N₁，N₂……N_n，从n个成品油添加剂样品中选取N₁成品油添加剂样品作为检验样品，剩余的成品油添加剂样品作为建模样品。

利用建模样品按照上述步骤S2至S8的方案在构建的近红外分析初始模型之上再次构建近红外分析初始模型。

将检验样品利用红外设备获取各项成分对应的检验近红外光谱，以及利用湿化法对检验样品进行处理得到各项成分对应的检验湿化学值，并输入至再次构建的近红外分析初始模型中进行处理，输出检验样品的各项成分的含量数据，并将输出的检验样品的各项成分的含量数据与所述检验样品的真实数据进行比对，得到检验的准确率。

按照排序依次选取下一个成品油添加剂样品作为检验样品，剩余的成品油添加剂样品作为建模样品，重复步骤S9-2和S9-3的方案，直至n个成品油添加剂样品均分别作为检验样品得到对应检验的准确率p₁，p₂……p_n。

计算检验的准确率p₁，p₂……p_n的平均值p，判断是否p≥P，是则将最终得到的近红外分析初始模型作为近红外模型，否则重新获取新的成品油添加剂样品，利用新的成品油添加剂样品重复上述S9-1至S9-4的过程，直至得到的p≥P，将最终得到的近红外分析初始模型作为近红外模型，其中，P为准确率阈值。

在一些实施例中，装置还包括：校验模块，具体用于：

获取a个成品油添加剂样本作为校正集，获取b个成品油添加剂样本作为验证集，利用校正集中的成品油添加剂样本按照上述方案在构建的近红外分析模型之上再次构建近红外分析验证模型，并将验证集中的成品油添加剂样本依次输入至近红外分析验证模型中输出验证结果，将验证结果与验证集中的成品油添加剂样本的真实结果进行比对，确定验证的准确率。

判断验证的准确率是否超过验证阈值，是则将得到的近红外分析验证模型作为最终的近红外分析模型，否则，获取新的校正集和新的验证集重复上述方案，直至得到的验证的准确率超过验证阈值，将得到的近红外分析验证模型作为最终的近红外分析模型。

在一些实施例中，数学处理模块205具体用于：

将一阶导数处理后的近红外光谱区域中的至少一个主成分光谱乘以对应的主成分得分系数得到对应的主成分光谱数据，依据至少一个主成分光谱数据构建至少一个主成分矩阵。

根据至少一个主成分矩阵构建至少一个主线性函数，将至少一个主线性函数进行线性回归处理，得到对应的近红外检测值。

在一些实施例中，关联处理模块206具体用于：

根据近红外检测值构建对应的光谱矩阵，根据所述湿化学值中的主湿化学值构建主湿化学矩阵，将所述光谱矩阵和所述主湿化学矩阵进行关联，并计算两个矩阵的预测线性关系函数。

则构建模块208，还用于利用剩余的各个成品油添加剂样品得到的预测线性关系函数构建数据库，将所述数据库作为近红外分析初始模型。

为了描述的方便，描述以上装置时以功能分为各种模块分别描述。当然，在实施本公开时可以把各模块的功能在同一个或多个软件和/或硬件中实现。

上述实施例的装置用于实现前述任一实施例中相应的基于近红外建模的成品油添加剂检测分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上任意一实施例所述的基于近红外建模的成品油添加剂检测分析方法。

图3示出了本实施例所提供的一种更为具体的电子设备硬件结构示意图，该设备可以包括：处理器1010、存储器1020、输入/输出接口1030、通信接口1040和总线1050。其中处理器1010、存储器1020、输入/输出接口1030和通信接口1040通过总线1050实现彼此之间在设备内部的通信连接。

处理器1010可以采用通用的CPU(Central Processing Unit，中央处理器)、微处理器、应用专用集成电路(Application Specific Integrated Circuit，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，以实现本说明书实施例所提供的技术方案。

存储器1020可以采用ROM(Read Only Memory，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1020可以存储操作系统和其他应用程序，在通过软件或者固件来实现本说明书实施例所提供的技术方案时，相关的程序代码保存在存储器1020中，并由处理器1010来调用执行。

输入/输出接口1030用于连接输入/输出模块，以实现信息输入及输出。输入输出/模块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。

通信接口1040用于连接通信模块(图中未示出)，以实现本设备与其他设备的通信交互。其中通信模块可以通过有线方式(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1050包括一通路，在设备的各个组件(例如处理器1010、存储器1020、输入/输出接口1030和通信接口1040)之间传输信息。

需要说明的是，尽管上述设备仅示出了处理器1010、存储器1020、输入/输出接口1030、通信接口1040以及总线1050，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说明书实施例方案所必需的组件，而不必包含图中所示的全部组件。

上述实施例的电子设备用于实现前述任一实施例中相应的基于近红外建模的成品油添加剂检测分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

基于同一发明构思，与上述任意实施例方法相对应的，本公开还提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行如上任一实施例所述的基于近红外建模的成品油添加剂检测分析方法。

本实施例的计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。

上述实施例的存储介质存储的计算机指令用于使所述计算机执行如上任一实施例所述的基于近红外建模的成品油添加剂检测分析方法，并且具有相应的方法实施例的有益效果，在此不再赘述。

所属领域的普通技术人员应当理解：以上任何实施例的讨论仅为示例性的，并非旨在暗示本公开的范围(包括权利要求)被限于这些例子；在本公开的思路下，以上实施例或者不同实施例中的技术特征之间也可以进行组合，步骤可以以任意顺序实现，并存在如上所述的本公开实施例的不同方面的许多其它变化，为了简明它们没有在细节中提供。

另外，为简化说明和讨论，并且为了不会使本公开实施例难以理解，在所提供的附图中可以示出或可以不示出与集成电路(IC)芯片和其它部件的公知的电源/接地连接。此外，可以以框图的形式示出装置，以便避免使本公开实施例难以理解，并且这也考虑了以下事实，即关于这些框图装置的实施方式的细节是高度取决于将要实施本公开实施例的平台的(即，这些细节应当完全处于本领域技术人员的理解范围内)。在阐述了具体细节(例如，电路)以描述本公开的示例性实施例的情况下，对本领域技术人员来说显而易见的是，可以在没有这些具体细节的情况下或者这些具体细节有变化的情况下实施本公开实施例。因此，这些描述应被认为是说明性的而不是限制性的。

尽管已经结合了本公开的具体实施例对本公开进行了描述，但是根据前面的描述，这些实施例的很多替换、修改和变型对本领域普通技术人员来说将是显而易见的。例如，其它存储器架构(例如，动态RAM(DRAM))可以使用所讨论的实施例。

本公开实施例旨在涵盖落入所附权利要求的宽泛范围之内的所有这样的替换、修改和变型。因此，凡在本公开实施例的精神和原则之内，所做的任何省略、修改、等同替换、改进等，均应包含在本公开的保护范围之内。