光谱学

针对近红外光谱物质含量检测过程中噪声对模型精度和稳定性造成影响的问题，将广义S变换与奇异值分解(singular value decomposition，SVD)滤波结合引入到近红外光谱去噪中来。首先利用广义S变换得到光谱数据的时频谱，并将二维时频谱系数矩阵作为SVD的 Hankel 矩阵求解奇异值，再采用K-means聚类算法对奇异值序列进行分类计算，确定重构奇异值个数，最后对消噪后的数据矩阵进行广义S逆变换得到去噪后的光谱数据。给出了组合方法的基本理论和具体实现过程，对仿真数据和谷朊粉导数光谱进行了去噪，并与传统的9点平滑和小波软阈值去噪结果进行了比较研究。结果表明：①本文方法克服了时域或频域单维滤波的局限性，且无须参考噪声数据、选择基函数，在谷朊粉导数光谱去噪中，只需采用2个奇异值就能实现较好的去噪效果，减少了滤波过程的复杂度。②采用本文方法处理后，近红外光谱的分析精度和模型的稳健性优于传统的9点平滑处理方法和小波软阈值方法，相比9点平滑法，预测集的决定系数 r2 由0.9436提高到0.9985，预测均方根误差 RMSEP由0.0843降为0.0406，明显提高了谷朊粉中水份含量定量检测的精度。③基于广义 S 变换时频谱奇异值分解的滤波技术为近红外光谱预处理提供了新途径。

蔡剑华, 肖永良, 黎小琴. 基于广义 S 变换时频谱奇异值分解滤波的近红外光谱去噪方法研究[J]. 光学学报, 2018, 38(4): 5.  复制并引用该论文