系列文章目录
“光晰本质，谱见不同”，光谱作为物质的指纹，被广泛应用于成分分析中。伴随微型光谱仪/光谱成像仪的发展与普及，基于光谱的分析技术将不只停留于工业和实验室，即将走入生活，实现万物感知，见微知著。本系列文章致力于光谱分析技术的科普和应用
前言
典型的光谱分析模型(以近红外光谱作为示意，可见光、中远红外、荧光、拉曼、高光谱等分析流程亦相似)建立流程如下所示，在建立过程中，需要使用算法对训练样本进行选择，然后使用预处理算法对光谱进行预处理，或对光谱的特征进行提取，再构建校正模型实现定量分析，最后针对不同测量仪器或环境，进行模型转移或传递。因此训练样本的选择、光谱的预处理、波长筛选、校正模型、模型传递以及上述算法的参数都影响着模型的应用效果。
针对光谱分析流程所涉及的常见的训练样本的划分、光谱的预处理、波长筛选、校正模型算法建立了完整的算法库，名为OpenSA(OpenSpectrumAnalysis)。整套算法库的架构如下所示。
样本划分模块提供随机划分、SPXY划分、KS划分三种数据集划分方法，光谱预处理模块提供常见光谱预处理，波长筛选模块提供Spa、Cars、Lars、Uve、Pca等特征降维方法，分析模块由光谱相似度计算、聚类、分类(定性分析)、回归(定量分析)构建，光谱相似度子模块计算提供SAM、SID、MSSIM、MPSNR等相似计算方法，聚类子模块提供KMeans、FCM等聚类方法，分类子模块提供ANN、SVM、PLS_DA、RF等经典化学计量学方法，亦提供CNN、AE、Transformer等前沿深度学习方法，回归子模块提供ANN、SVR、PLS等经典化学计量学定量分析方法，亦提供CNN、AE、Transformer等前沿深度学习定量分析方法。模型评估模块提供常见的评价指标，用于模型评估。自动参数优化模块用于自动进行最佳的模型设置参数寻找，提供网格搜索、遗传算法、贝叶斯概率三种最优参数寻找方法。可视化模块提供全程的分析可视化，可为科研绘图，模型选择提供视觉信息。可通过几行代码快速实现完整的光谱分析及应用（注: 自动参数优化模块和可视化模块暂不开源，等毕业后再说)
本篇针对OpenSA的定量分析模块进行演示，展示如何快速的构建光谱定量分析模型。
# 分别使用一个回归、一个分类的公开数据集做为example
def LoadNirtest(type):
if type == "Rgs":
CDataPath1 = './/Data//Rgs//Cdata1.csv'
VDataPath1 = './/Data//Rgs//Vdata1.csv'
TDataPath1 = './/Data//Rgs//Tdata1.csv'
Cdata1 = np.loadtxt(open(CDataPath1, 'rb'), dtype=np.float64, delimiter=',', skiprows=0)
Vdata1 = np.loadtxt(open(VDataPath1, 'rb'), dtype=np.float64, delimiter=',', skiprows=0)
Tdata1 = np.loadtxt(open(TDataPath1, 'rb'), dtype=np.float64, delimiter=',', skiprows=0)
Nirdata1 = np.concatenate((Cdata1, Vdata1))
Nirdata = np.concatenate((Nirdata1, Tdata1))
data = Nirdata[:, :-4]
label = Nirdata[:, -1]
elif type == "Cls":
path = './/Data//Cls//table.csv'
Nirdata = np.loadtxt(open(path, 'rb'), dtype=np.float64, delimiter=',', skiprows=0)
data = Nirdata[:, :-1]
label = Nirdata[:, -1]
return data, label
1.2 光谱可视化
#载入原始数据并可视化
data1, label1 = LoadNirtest('Cls')
plotspc(data1, "raw specturm")
采用的开源定性光谱数据集如图所示:
二、定性分析模型建立
2.1 光谱定性分析模块
提供常见的定性分析模型，包括ANN、SVM、PLS_DA、RF、CNN、SAE等等，同时将定性分析模型与预处理模块，波长筛选模块，数据集划分模块进行了封装，仅需要一行代码即可快速建立定性分析模型。
# 光谱定量分析
def SpectralQuantitativeAnalysis(data, label, ProcessMethods, FslecetedMethods, SetSplitMethods, model):
"""
:param data: shape (n_samples, n_features), 光谱数据
:param label: shape (n_samples, ), 光谱数据对应的标签(理化性质)
:param ProcessMethods: string, 预处理的方法, 具体可以看预处理模块
:param FslecetedMethods: string, 光谱波长筛选的方法, 提供UVE、SPA、Lars、Cars、Pca
:param SetSplitMethods : string, 划分数据集的方法, 提供随机划分、KS划分、SPXY划分
:param model : string, 定量分析模型, 包括ANN、PLS、SVR、CNN、SAE等，后续会不断补充完整
:return: Rmse: float, Rmse回归误差评估指标
R2: float, 回归拟合,
Mae: float, Mae回归误差评估指标
"""
ProcesedData = Preprocessing(ProcessMethods, data)
FeatrueData, labels = SpctrumFeatureSelcet(FslecetedMethods, ProcesedData, label)
X_train, X_test, y_train, y_test = SetSplit(SetSplitMethods, FeatrueData, labels, test_size=0.2, randomseed=123)
Rmse, R2, Mae = QuantitativeAnalysis(model, X_train, X_test, y_train, y_test )
return Rmse, R2, Mae
2 .2 光谱定量模块的使用实列
在example.py文件中，提供了光谱定量分析模块的使用方法，具体如下，仅需要一行代码即可实现所有常见的光谱定性分析。
示意1：利用OpenSA实现MSC光谱预处理+UVE波长筛选+KS划分数据集+SVR回归模型的光谱定量分析
## 载入原始数据并可视化
data2, label2 = LoadNirtest('Rgs')
#plotspc(data2, "raw specturm")
# 光谱定量分析演示
# 示意1: 预处理算法:MSC , 波长筛选算法: Uve, 数据集划分:KS, 定性分量模型: SVR
RMSE, R2, MAE = SpectralQuantitativeAnalysis(data2, label2, "MSC", "Uve", "ks", "SVR")
print("The RMSE:{} R2:{}, MAE:{} of result!".format(RMSE, R2, MAE))
结果如下：
可以看到采用预测效果挺好的，R2达到了0.9，模型拟合很好
示意2：利用OpenSA实现SNV预处理+Lars波长筛选+SVR的光谱定量分析
## 载入原始数据并可视化
data2, label2 = LoadNirtest('Rgs')
#plotspc(data2, "raw specturm")
# 光谱定量分析演示
# 示意1: 预处理算法:MSC , 波长筛选算法: Uve, 数据集划分:KS, 定性分量模型: SVR
RMSE, R2, MAE = SpectralQuantitativeAnalysis(data2, label2, "SNV", "Lars", "random", "SVR")
print("The RMSE:{} R2:{}, MAE:{} of result!".format(RMSE, R2, MAE))
总结
利用OpenSA可以非常简单的实现对光谱的定量分析，完整代码可从获得GitHub仓库 如果对您有用，请点赞！
代码现仅供学术使用，若对您的学术研究有帮助，请引用本人的论文，同时，未经许可不得用于商业化应用，欢迎大家继续补充OpenSA中所涉及到的算法，如有问题，微信：Fu_siry
