一种基于分段智能优选的谱图化学计量学解析方法
阅读说明：本技术 一种基于分段智能优选的谱图化学计量学解析方法 (Spectrogram chemometrics analysis method based on segmented intelligent optimization ) 是由 刘阳 詹辉 何恺源 邓晓旭 胡松松 于 2021-09-16 设计创作，主要内容包括：本发明涉及一种基于分段智能优选的谱图化学计量学解析方法,本发明采用所有样品谱图和化验分析数据并智能优选条件建立主模型的基础上,将建模所用的样品按照物性数据排序后根据性质分布特点分成若干段,每一段通过智能算法优选出最佳的谱图预处理方法及建模所用谱图区域等条件,从而在每一段内分别建立该指标的分模型,进而提高分析结果的准确性。另外还可以样品按照物性数据排序后根据性质分布特点,将种类或结构相似、性质相近的样品化为一类,并将该段范围内样品谱图和数据在智能优选预处理方法、建模区域等条件后,建立相应的分段模型；按性质分布特点进行分段后,可将种类或结构相似的样品划分为一类,在智能优选条件后建立单独的分模型,可有效解决现有快评分析方法物性变化范围较大时分析模型准确性不高的问题。(The invention relates to a spectrogram chemometric analysis method based on segmented intelligent optimization, which is characterized in that on the basis of establishing a main model by adopting all sample spectrograms and assay analysis data and intelligently optimizing conditions, samples used for modeling are divided into a plurality of segments according to property distribution characteristics after being sorted according to physical property data, and each segment optimizes the optimal spectrogram preprocessing method, the spectrogram area used for modeling and other conditions through an intelligent algorithm, so that the submodel of the index is respectively established in each segment, and the accuracy of an analysis result is further improved. In addition, samples can be sorted according to physical property data, then samples with similar types or structures and properties are classified into one type according to property distribution characteristics, and corresponding segmented models are established after sample spectrograms and data in the segment range are subjected to intelligent optimization preprocessing method, modeling area and other conditions; after segmentation is carried out according to the property distribution characteristics, samples with similar types or structures can be divided into one type, and an independent sub-model is established after intelligent optimization conditions, so that the problem of low accuracy of the analysis model when the physical property change range of the existing quick evaluation analysis method is large can be effectively solved.)
技术领域
本发明涉及石油化工行业各类原料及中间产品的快评分析技术领域，尤其涉及一种基于分段智能优选的谱图化学计量学解析方法。
背景技术
对于石油化工行业来说，原料及中间产品的分析评价对生产过程起到至关重要的作用。企业需要通过原料及中间产品关键指标的实时分析数据，来对生产过程中各装置的工艺条件和参数进行及时调整，以确保产品质量满足要求的同时，尽可能地提高全厂的经济效益。因此，各指标分析数据的准确性和及时性就显得十分重要。
通常，各类原料或产品需要分析的指标较多，并且每种物料分析指标的种类也会有所差异。而传统的化验分析方法，一般每个指标都需要专业的人员采用特定的仪器单独进行分析，整个分析过程需要多名人员和多台仪器同时进行，因而分析成本高、时效性差、效率低，很难为生产提供及时、准确的分析数据。
近年来，很多国内外大型石油化工企业都逐步对各类原料或产品采用现代仪器来实现快速评价和分析，包括近红外光谱(NIR)、中红外光谱(MIR)和核磁共振波谱(NMR)等。这些快评分析方法首先需要利用仪器对样品进行扫描，得到样品对应的光谱或波谱，而后通过对谱图的解析，在短时间内一次性分析样品的多个指标。快评分析方法大大提高了样品的分析效率，降低了化验人员的劳动强度和分析成本，及时提供各物料关键指标的分析数据，为生产提供指导。
对于快评分析方法来说，最核心的过程主要是样品谱图的解析。谱图的解析主要包括两个过程：(1)分析模型的建立。一般建模前需积累一定量具有采用标准分析方法所得化验分析数据的样品，并利用快评分析仪进行扫描得到样品对应的谱图。建模时，将积累样品的谱图经特定方法处理后与化验分析数据进行关联，建立各指标分析模型；(2)谱图的解析。利用建立好的分析模型，即可对新样品利用快评分析仪扫描后的谱图进行快速解析，得到样品各指标分析数据。因此，各指标分析模型的质量，直接决定了快评分析数据的准确性。
目前各指标分析模型的建立流程，首先将样品谱图经平滑、导数、适量归一、多元散射校正等方法进行预处理，并根据各指标的特点及与谱图中各特征峰所代表结构之间的关系，选择合适的区域，而后通过偏最小二乘法等化学计量学方法与化验分析数据进行关联，进而建立各指标物性分析模型。这种方法目前应用比较广泛，但总体来说，模型准确性有待进一步提升。
发明内容
本发明为克服上述的不足之处，目的在于提供一种基于分段智能优选的谱图化学计量学解析方法，本发明采用所有样品谱图和化验分析数据并智能优选条件建立主模型的基础上，再将建模所用的样品按照物性数据排序后根据性质分布特点分成若干段，每一段通过智能算法优选出最佳的谱图预处理方法及建模所用谱图区域等条件，从而在每一段内分别建立该指标的分模型，进而提高分析结果的准确性。另外，本发明除主模型外，还可以样品按照物性数据排序后根据性质分布特点，将种类或结构相似、性质相近的样品化为一类，并将该段范围内样品谱图和数据在智能优选预处理方法、建模区域等条件后，建立相应的分段模型；按性质分布特点进行分段后，可将种类或结构相似的样品划分为一类，在智能优选条件后建立单独的分模型，因此模型准确性将会大大提升，因此可有效解决现有快评分析方法物性变化范围较大时分析模型准确性不高的问题。
本发明是通过以下技术方案达到上述目的：一种基于分段智能优选的谱图化学计量学解析方法，本发明所涉及的核心算法主要包含模型主模型智能优选、分模型智能优选以及新样品谱图解析三部分。
在前期收集一定数量的样品谱图及对应的化验分析数据后，可将谱图按照一定的算法分为校正集和验证集两部分。主模型建立，主要是对校正集内所有样品的谱图智能优选预处理方法及谱图区间范围，而后与指标常规化验分析数据采用偏最小二乘法等化学计量学方法进行关联，形成分析过程的主模型。校正集内样品谱图可选择平滑、导数、矢量归一化、均值中心化、均值方差化、标准正态变量变换、多元散射校正等数学方法进行预处理，预处理方法可选择其中的一种或多种。预处理完成后，可将校正集谱图中每个数据点与指标化验分析数值进行相关性分析，并按照相关性系数大小重新对谱图的数据点进行排序。
在主模型建立时，谱图预处理方法及区间范围的智能优选，主要是先按照某种特定的预处理方法对谱图进行处理后，对谱图各数据点按照与建模指标相关性系数大小关系降序排列，而后按照该次序逐次选取前1个、前2个、前3个……前n个数据点与指标化验分析数据进行关联(n为样品谱图数据点总数)，建立该指标的主模型。在选取前1个点完成主模型建立后，利用主模型对验证集中各谱图进行解析预测，并与实际化验分析数据进行比较，统计平均误差。之后第二次取前2个数据点时，同样在建立主模型后继续对验证集中各谱图进行解析预测，统计平均误差，并与之前第一次的平均误差进行比较，选择两次之中平均误差较小的主模型。以此类推，之后对每次建立的主模型解析验证集的平均误差进行统计，并与之前选择主模型的平均误差进行比较。在完成第n次主模型建立后，将会保留平均误差最小的主模型作为该预处理方法所对应的最佳主模型。
在完成某种谱图预处理方法下最佳主模型的选择后，可根据实际情况调整校正集谱图预处理方法。一般谱图预处理可选择其中一种或多种方法组合，也可不进行选择，每个指标建模时可人为对谱图预处理选择方法的种类和数量范围进行限制。而后在限定条件下，寻找各种预处理方法下对应的最佳主模型，并比较每个主模型解析验证集谱图时解析结果的平均误差，选择平均误差最小的主模型，即为智能优选的主模型。
而当物性指标数值变化范围较大时，除主模型外，还可以对不同物性范围内的样品建立分段模型。分段模型的建立，首先需要将校正集内样品按照物性数据排序后根据性质分布特点，将种类或结构相似、性质相近的样品化为一类。通常校正集内样品可以在性质分布较密集的区域分为一段或多段，但每段范围内应尽量保证有足够的样品数量以确保分模型的准确性。
在分段后，每一段内样品都可以进行谱图预处理方法及区间范围的智能优选。其具体优选方法与主模型优选过程类似，需先按照某种特定的预处理方法对分段区间内谱图进行处理，然后对谱图各数据点按照与建模指标相关性系数大小关系降序排列，并按照该次序分别选取不同的数据点分别建立该指标在该段范围内的分模型，并从中优选出最佳分模型。之后在限定条件下，寻找每种预处理方法下对应的最佳分模型，并综合比较，选择平均误差最小的分模型，即为智能优选的分模型。
对新样品谱图进行解析时，首先需要采用主模型对谱图进行解析计算，观察指标预测结果是否在建立分模型时某段物性数值的范围内。若预测结果未在任何一段物性数值范围，则主模型预测结果即为最终的预测结果；若预测结果分布在其中某一段物性数值范围，则需用该段范围的分模型重新对谱图进行解析计算，分模型预测结果即为最终的预测结果。
本发明方法操作步骤主要包括数据收集、谱图分类、谱图预处理、区间排序、主模型智能优选、分模型智能优选、谱图解析等七个过程。
(1)数据收集
建模之前，需要积累一定量的样品。首先利用快评分析仪对积累的样品进行扫谱分析，收集样品的光谱或波谱数据集X(m*n)，其中m为样本数量，n为谱图中数据点数量。一般来说，样本数量m越多，数据和模型的准确性也越高。在收集谱图数据的同时，同时需对样品的宏观性质采用标准方法及传统的分析仪器进行分析，并收集各物性化验分析数据集Y(m*n’)，其中n’为该类样本所分析物性的数量。在对其中某一物性进行建模时，将数据集Y中该物性的列向量提出合并到谱图数据集X中最后一列，形成新的数据集Z(m*n+1)，用于下一步模型的建立。
(2)谱图分类
在收集样品谱图及对应的化验分析数据后，可将谱图按照Kolmogorov-Smirnov算法分为校正集Zc(m1*n+1)和验证集Zv(m2*n+1)两部分，两种数据集样本比例可人为设定，一般校正集设定为60％～80％范围。其中，m1+m2＝m。
(3)谱图预处理
校正集内样品谱图数据集Zc除最后一列外的数据可选择平滑、导数、矢量归一化、均值中心化、均值方差化、标准正态变量变换、多元散射校正等数学方法进行预处理，形成最新的数据集Zc—pre。预处理方法可选择其中的一种或多种，也可不进行选择，建模时可人为对谱图预处理选择方法的种类和数量范围进行限制。同时，验证集Zv选择与校正集相同的方法进行预处理，形成数据集Zv—pre。
(4)区间排序
对数据集Zc—pre中从第1列至第n列分别与第n+1列进行相关性分析，并按照相关性系数大小关系将第1列至第n列重新进行降序排列，形成新的数据集Zc—red，Zc—red中每列数据在原数据集Zc—pre中的序号记为数据集D(1*n)。同时，按照数据集D中的序号顺序，对Zv—pre中第1列至第n列数据也重新进行排列，形成新的数据集Zv—red。
(5)主模型智能优选
在某种特定的预处理方法下，进行以下运算：逐次选取Zc—red中前1列、前2列、前3列……前n列分别与第n+1列化验分析数据采用偏最小二乘法进行关联，求取回归系数数据集B1、B2……Bn，即为该物性在不同数据维度下的主模型。而后利用数据集B1、B2……Bn分别对验证集Zv—red中前1列、前2列、前3列……前n列数据集进行解析计算，得到m2个样品各自的物性分析数据。再将每个样品分析结果与实际化验分析数据进行比较，计算每种情况下m2个样品各自误差及总体平均误差E1、E2、E3……En。若最小平均误差为Ek，则数据集Bk即为该预处理方法下的最优主模型。
在限制条件内更换校正集谱图的其他各种可能的预处理方法，分别求出每种情况下的最小平均误差Ek及对应的系数数据集Bk，而后综合比较所有情况下的Ek值，选择最小的平均误差Ek-best及对应的系数数据集Bk-best，即为智能优选的最佳主模型。
(6)分模型智能优选
在校正集内根据样本物性数据分布情况选取p段数据集，分别记为Zc1(m11*n+1)、Zc2(m12*n+1)……Zcp(m1p*n+1)，其中m11+m12+……+m12≤m1。之后对每一段区域样本重复步骤(3)～(5)过程，按照主模型的智能优选方法，求出每段区域内的最小的平均误差Ek1-best、Ek2-best……Ekp-best及对应的系数数据集Bk1-bes、Bk2-best……Bkp-best，即为各段智能优选的最佳分模型。
(7)谱图解析
将新样品谱图数据集Zn(h*n)按照主模型建立所选的预处理方法和区间排序方式进行处理，得到数据集Zn—red。利用主模型回归系数数据集Bk-best对Zn—red中前k列数据进行解析计算，得到新样品主模型解析结果Rt。
若主模型解析结果未在步骤(6)中任何一段数据集物性数值范围，则最终的解析结果即为Rn；若预测结果分布在步骤(6)中第j段物性数值范围，则需用该段范围的分模型系数数据集Bkj-best重新对Zn—red中前k列数据进行解析计算，分模型预测结果Rnj即为最终的预测结果。
本发明的有益效果在于：(1)本发明采用主模型+分模型组合解析方法来对样品快评谱图进行预测，当物性变化范围较大时，样品可能会包含多种不同种类或结构，此时将所有数据统一建模后，模型精度将会受到较大影响；在此情况下，针对某一特定区域额外建立分模型，可将物性在该段区域内的样品预测误差大大降低，提高预测结果的准确性；(2)本发明实现谱图区间范围的智能选择，在建模过程中将谱图各数据点与物性数据之间分别进行了相关性分析，并按照相关性大小自动选取参与建模的谱图区域，在提高模型准确性的同时，也减少了人为操作和判断过程，增加了建模过程的便捷性；(3)本发明的谱图预处理方法更为丰富和智能，在建模过程中谱图预处理可选择平滑、导数、矢量归一化、均值中心化、均值方差化、标准正态变量变换、多元散射校正等多种数学算法，种类更为丰富；另外建模过程可根据每种处理方法下模型的效果，选择最佳的预处理方法，因此谱图预处理方法的选择过程也更为智能。
附图说明
图1是本发明的检测流程图；
图2是本发明实施例的原油硫含量性质分布图；
图3是本发明实施例的汽油研究法辛烷值性质分布图；
图4是本发明实施例的原油硫含量不同预处理条件下平均误差比较图；
图5是本发明实施例的汽油辛烷值不同预处理条件下平均误差比较图。
具体实施方式
下面结合具体实施例对本发明进行进一步描述，但本发明的保护范围并不仅限于此：
实施例1：利用本发明提供的基于分段智能优选的谱图化学计量学解析方法对某炼厂原油中红外光谱进行快评分析，操作步骤主要包括数据收集、谱图分类、谱图预处理、区间排序、主模型智能优选、分模型智能优选、谱图解析等七个过程。
(1)数据收集
建模之前，需要积累一定量的样品。首先利用中红外分析仪对积累的412个原油样品进行扫谱分析，收集样品的中红外光谱数据集X(412*1804)，其中每个原油中红外光谱波数范围约为650～4000cm-1，在此范围内分解为1804个数据点。在收集谱图数据的同时，同时对原油样品的密度、硫含量、氮含量、残炭、酸值、粘度、水含量、盐含量、馏程等28个宏观性质采用标准方法及传统的分析仪器进行分析，并收集各物性化验分析数据集Y(412*28)。在对其中某一物性进行建模时，将数据集Y中该物性的列向量提出合并到谱图数据集X中最后一列，形成新的数据集Z(412*1805)，用于下一步模型的建立。现以原油硫含量为例，进行说明。
(2)谱图分类
将原油中红外谱图按照Kolmogorov-Smirnov算法分为校正集Zc(330*1805)和验证集Zv(82*1805)两部分，校正集比例为样本总数的80％。
(3)谱图预处理
对校正集内样品谱图数据集Zc前1804项的预处理方法种类设定为平滑、导数、矢量归一化、均值中心化、均值方差化、标准正态变量变换、多元散射校正等7种，预处理方法数量设定为0或1，则Zc的预处理方案共有8种可能，处理后校正集记为Zc—pre(330*1805)。同时，每次校正集选定预处理方法后，将验证集Zv选择与校正集相同的方法进行预处理，形成数据集Zv—pre(82*1805)。
(4)区间排序
在选择无预处理方法条件下，对数据集Zc—pre中从第1列至第1804列分别与第1805列硫含量物性数值进行相关性分析，并按照相关性系数大小关系将第1列至第1804列重新进行降序排列，形成新的数据集Zc—red(330*1805)，Zc—red中每列数据在原数据集Zc—pre中的序号记为数据集D(1*1805)。同时，按照数据集D中的序号顺序，对Zv—pre中第1列至第1804列数据也重新进行排列，形成新的数据集Zv—red(82*1805)。
(5)主模型智能优选
逐次选取Zc—red中前1列、前2列、前3列……前1804列分别与第1805列硫含量数值采用偏最小二乘法进行关联，求取回归系数数据集B1、B2……B1804，即为该物性在不同数据维度下的主模型。而后利用数据集B1、B2……B1804分别对验证集Zv—red中前1列、前2列、前3列……前1804列数据集进行解析计算，得到82个验证集样品各自的物性分析数据。再将每个样品分析结果与实际化验分析数据进行比较，计算每种情况下82个样品各自误差及总体平均误差E1、E2、E3……E1804。其中最小平均误差为E1709，即当选择相关性系数较大的前1709列数据与硫含量进行建模时，平均误差最小。此时的数据集B1709即为最优主模型。
分别用平滑、导数、矢量归一化、均值中心化、均值方差化、标准正态变量变换、多元散射校正7种预处理方法单独对校正集进行预处理，分别求出每种情况下的最小平均误差Ek及对应的系数数据集Bk。表1为8种预处理方案下每种方法的最小平均误差。由表1中数据可以看出，当选择第8种预处理方案(多元散射校正法)对校正集进行处理时，验证集预测结果最好。此方法下的系数数据集Bbest，即为智能优选的最佳主模型。
表1
(6)分模型智能优选
硫含量化验分析数据在样品集内分布情况如图2所示。根据样本物性数据分布情况选取0～1.2和2.6～4.2两段数据集，分别记为Zc1(169*1805)、Zc2(146*1805)。之后对两段段区域样本重复步骤(3)～(5)过程，按照主模型的智能优选方法，求出每段区域内的最小的平均误差E1-best、E2-best及对应的系数数据集B1-bes、B2-best，即为各段智能优选的最佳分模型。
(7)谱图解析
完成主模型及分模型的建立后，即可对原油新样品谱图进行解析和预测。取性质未知的新样品q个，将样品谱图数据集Zn(q*1804)按照多元散射校正法进行预处理。当q较小时，可将新谱图数据集Zn与建模所用校正集Zc、验证集Zv合并共同进行预处理后再分开，得到预测样本集Zn-pre。而后按照数据集D中的顺序将前1804列数据重新排列，得到数据集Zn—red。利用主模型回归系数数据集Bbest对Zn—red中前k列数据进行解析计算，得到新样品主模型解析结果Rn。
若主模型解析结果未在0～1.2和2.6～4.2两段数值范围，则最终的解析结果即为Rn；若预测结果分布在第j段物性数值范围，则需用该段范围的分模型系数数据集Bj-best重新对Zn—red中前k列数据进行解析计算，分模型预测结果Rnj即为最终的预测结果。
实施例2：利用本发明提供的基于分段智能优选的谱图化学计量学解析方法对某炼厂罐区92#汽油汽油近红外光谱进行快评分析。操作步骤主要包括数据收集、谱图分类、谱图预处理、区间排序、主模型智能优选、分模型智能优选、谱图解析等七个过程。
(1)数据收集
建模之前，需要积累一定量的样品。首先利用近红外分析仪对积累的357个汽油样品进行扫谱分析，收集样品的近红外光谱数据集X(357*1298)，其中每个汽油近红外光谱波数范围约为4000～14000cm-1，在此范围内分解为1298个数据点。在收集谱图数据的同时，同时对汽油样品的密度、研究法辛烷值、马达法辛烷值、馏程、蒸气压、苯含量、芳烃含量、烯烃含量、氧含量等12个宏观性质采用标准方法及传统的分析仪器进行分析，并收集各物性化验分析数据集Y(357*12)。在对其中某一物性进行建模时，将数据集Y中该物性的列向量提出合并到谱图数据集X中最后一列，形成新的数据集Z(357*1299)，用于下一步模型的建立。现以研究法辛烷值为例，进行说明。
(2)谱图分类
将汽油近红外谱图按照Kolmogorov-Smirnov算法分为校正集Zc(286*1299)和验证集Zv(71*1299)两部分，校正集比例为样本总数的80％。
(3)谱图预处理
对校正集内样品谱图数据集Zc前1298项的预处理方法种类设定为平滑、导数、矢量归一化、均值中心化、均值方差化、标准正态变量变换、多元散射校正等7种，预处理方法数量设定为0或1，则Zc的预处理方案共有8种可能，处理后校正集记为Zc—pre(286*1299)。同时，每次校正集选定预处理方法后，将验证集Zv选择与校正集相同的方法进行预处理，形成数据集Zv—pre(71*1299)。
(4)区间排序
在选择无预处理方法条件下，对数据集Zc—pre中从第1列至第1298列分别与第1299列研究法辛烷值数值进行相关性分析，并按照相关性系数大小关系将第1列至第1298列重新进行降序排列，形成新的数据集Zc—red(286*1299)，Zc—red中每列数据在原数据集Zc—pre中的序号记为数据集D(1*1299)。同时，按照数据集D中的序号顺序，对Zv—pre中第1列至第1298列数据也重新进行排列，形成新的数据集Zv—red(71*1299)。
(5)主模型智能优选
逐次选取Zc—red中前1列、前2列、前3列……前1298列分别与第1299列研究法辛烷值数值采用偏最小二乘法进行关联，求取回归系数数据集B1、B2……B1298，即为该物性在不同数据维度下的主模型。而后利用数据集B1、B2……B1298分别对验证集Zv—red中前1列、前2列、前3列……前1298列数据集进行解析计算，得到71个验证集样品各自的辛烷值分析数据。再将每个样品分析结果与实际化验分析数据进行比较，计算每种情况下71个样品各自误差及总体平均误差E1、E2、E3……E1298。其中最小平均误差为E1211，即当选择相关性系数较大的前1211列数据与研究法辛烷值进行建模时，平均误差最小。此时的数据集B1211即为最优主模型。
分别用平滑、导数、矢量归一化、均值中心化、均值方差化、标准正态变量变换、多元散射校正7种预处理方法单独对校正集进行预处理，分别求出每种情况下的最小平均误差Ek及对应的系数数据集Bk。表2为8种预处理方案下每种方法的最小平均误差。由表2中数据可以看出，当选择第1种预处理方案(无预处理方法)时，验证集预测结果最好。此方法下的系数数据集Bbest，即为智能优选的最佳主模型。
方案序号
预处理方法
最小平均误差
方案1
无预处理
0.228145697
方案2
平滑
0.248177205
方案3
导数
0.247426024
方案4
矢量归一化
0.268616612
方案5
均值中心化
0.251932265
方案6
均值方差化
0.267560076
方案7
标准正态变量变换
0.251588032
方案8
多元散射校正
0.273317586
表2
(6)分模型智能优选
研究法辛烷值化验分析数据在样品集内分布情况如图3所示。根据样本物性数据分布情况选取92.1～94.1区域内数据集建立分模型，记为Zc1(279*1299)。之后对两段段区域样本重复步骤(3)～(5)过程，按照主模型的智能优选方法，求出该区域内的最小的平均误差E1-best及对应的系数数据集B1-bes，即为各段智能优选的最佳分模型。
(7)谱图解析
完成主模型及分模型的建立后，即可对新样品谱图进行解析和预测。取性质未知的92#汽油新样品s个，将样品谱图数据集Zn(s*1298)不进行任何处理直接按照数据集D中的顺序将前1298列数据重新排列，得到数据集Zn—red。利用主模型回归系数数据集Bbest对Zn—red中前k列数据进行解析计算，得到新样品主模型解析结果Rn。
若主模型解析结果未在92.1～94.1范围，则最终的解析结果即为Rn；若预测结果分布在92.1～94.1范围，则需用该段范围的分模型系数数据集B1-best重新对Zn—red中前k列数据进行解析计算，分模型预测结果Rn1即为最终的预测结果。
以上实施例通过使用基于分段智能优选的谱图化学计量学解析方法，大大提高了原油中红外光谱解析结果和汽油近红外光谱解析结果的准确性和建模过程操作的便捷性。由图4和图5可以看出，原油和汽油两种物料分析指标，当采用本发明所述方法对新样品谱图进行解析时，验证集预测结果平均误差要明显小于采用常规偏最小二乘法进行解析时的平均误差，证明本发明所述方法可以大大提高石油化工领域各类样品快评分析时解析结果的准确性。此外，对于建模过程所选的预处理方法及区间范围，本发明所述方法可以自动优选出最佳条件，因此该方法具有较高的应用价值。
以上的所述乃是本发明的具体实施例及所运用的技术原理，若依本发明的构想所作的改变，其所产生的功能作用仍未超出说明书及附图所涵盖的精神时，仍应属本发明的保护范围。