CN1361861A - 与连续重新校准相结合的光谱数据的自适应判读方法和系统 - Google Patents

Abstract

一种与光谱的自适应重建和判读方法,所说的方法是与对提供光谱测量数据的装置进行重新校准相结合的,这种方法是利用外参考光的光谱和存储在该装置的内存中的相应数字参考数据来进行自动校准的。该连续的重新校准程序允许重建子程序中的系数的值自动适应,以及根据光谱测量数据的当前形态来估计判读子程序中的系数的值。

Description

与连续重新校准相结合的光谱数据的 自适应判读方法和系统

发明领域

本发明一般涉及光谱测量，更具体地说，涉及一些可便携的和可现场应用的小型光谱测量系统。

发明背景

光谱学是涉及辐射能与物质相互作用的测量鉴定的一种分析技术，它包括为此目的而设计的仪器，即所谓的光谱仪，和在基础水平和实际分析两种情形时对相互作用进行判读(interpretation)的相应装置。由所研究物质的样品吸收或发射的辐射能分布被叫做该物质的光谱。光谱的判读(interpretation)可提供原子和分子能级的基础信息，即在这些能级内各类原子和分子的分布、一个能级改变到另一能级的相关过程的性质、分子的几何形状、化学键、以及溶液中分子的相互作用等。在实用水平上，光谱之间的比较可提供化学成分与化学结构的定性测定和化学定量分析的基础。

待测光谱具有两共同的特点：它们都是非负的，和它们都可分离成一些宽度不同的相当平坦的区域和峰。对于借助光谱仪获得的代表这些光谱特征的数据的判读很频繁地涉及这些峰的某些参数的估计，也就是：这些峰的位置和大小(即面积或高度)的估计。这些峰的参数对于复杂化学物质的定性和定量分析是特别有用的：

●峰的位置可用于鉴定存在于所研究物质样品中的各种化合物；

●峰的大小可用于估计该鉴定化合物的浓度。

直接从获得的光谱测量数据来估计光谱测量峰的参数在很多实际场合中都有问题，这是由于下述原因所致：

●光谱仪的仪器缺陷(imperfection)，

●所研究物质样品中的某些固有现象。

光谱仪的缺陷会在代表测量光谱特征的数据中产生峰的模糊和噪音类干扰。另一方面，在物质中的一些量子现象会使峰的宽度显著地增大。峰的仪器模糊和宽度的自然增大都可引起峰的重叠和并合，使峰的正确鉴定成为不可能。已提出了一些不同的去卷积算法(algorithm of deconvolution)来减轻仪器模糊；这些算法的综述可以在下述论著中找到：Jansson P.A.(Ed.)，Deconvolution withApplication in Spectroscopy，Academic Press，1984和MorawskiR.Z.，

ski L.，Barwicz A.，“Deconvolution Algorithmsfor Instrumental Applications-A Comparative Study”，J.Chemometrics，1995，Vol.9，pp.3-20。设计这些算法并利用并非是光谱学所专用的去卷积的品质判据，例如近似的均方根误差，来评估这些算法。因此，根据去卷积的这些结果所确定的谱峰大小的估计值就可能变得很差。另一方面，如果不对寻求的估计值提供一良好的初始猜测，则曲线拟合算法就可能是很无效的。这两种观测经验独立地激励很多的研究人员后来使用去卷积算法来估计峰的位置而使用曲线拟合算法来估计谱峰的大小。

光谱重建(reconstruction)算法和光谱参数估计算法都要求相当数量的关于光谱测量数据的数学模型的信息。这种信息是在初始校准该光谱仪期间获得的。

该光谱仪的校准、光谱的重建、以及光谱参数的估计所需要的数值算法都可在很多软件库中获得，例如某些MATLAB Toolbox就是这样的软件库，它们包含有一些用于处理光谱数据的专用库，如乳制品工业(Galactic Industries)的GRAMS/32。在专利范畴内，对于光谱去卷积来说仅存在一部分的方法论，例如在1993年9月21日颁布的Alan E.Schoen等的美国专利U.S.Patent No.5 247 175，“Methodand Apparatus for the Deconvolution of Unresolved Data”，以及1990年7月10日颁布的Paul B.Crilly的专用于色谱学范畴的美国专利U.S.Patent No.4 941 101，“Method for AnalyzingChromatograms”。另一方面，却存在有一判读光谱测量数据的完整方法论的很好例子，参看1999年11月23日颁布的R.Z.Morawski等人的美国专利U.S.Patent No.5 991 023，“Method ofinterpreting spectrometric data”。

但是，在所有上面列出的参考文献中，没有一个对在线的连续重校和自适应光谱数据判读的方法论提供完全的支持，这主要是由于并不存在这种重校和自适应判读的闭过程这一点所致。

对于高分辩率和自校准光谱装置的需求来自日常的实践。1991年8月21日公布的Thomas J.Keane的美国专利U.S.PatentNo.5040889：“Spectrometer with Combined Visible andUltraviolet Sample Illumination”就描述了一种能对光检测器进行自动校准的光谱仪，它是靠使用一个放置在光路中并由一计算机系统控制的可枢转的标准白色样品来完成这种功能的。对每个光电探测器，计算校准因子，而且每当在光谱仪内的温度改变时就重新对该因子进行校准，然后用这因子与该光检测器的输出信号相乘。但是，这是一种部分的静态校准，这是因为它仅仅校准了光检测器的影响而没顾及由光衍射元件和狭逢产生的影响。这样，就需要另一动态校准程序来消除这些仪器误差和提高光谱的分辨率。在电信领域中，特别是对于网络的光学性能的监测来说，对光谱测定装置就存在一种需要，它必须是小型的，能在一较宽的环境条件下工作，更具体说，就是要能自动校准的。在Miller C.，Pelz L.的论文：“Fabry-PerotTunable Filters Improve Optical Channel AnalyzerPerformance”，Lightwavi，March1999，Vol.16，No.3中介绍了一种提高光学通道分析器性能的插件，该插件是以使用光纤的Fabry-Perot可调谐滤波器为基础的。这种装置使用了一光开关来交替地扫描该光谱(例如来自DWDM系统的)并使用了一已知波长的参考光源。这后者被用来连续校准该装置，以便改正热漂移、执行元件的非线性特性、以及电压的变化。去卷积算法也被用于消除该可调谐滤波器的光谱响应的影响，以便提高测量光谱的分辨率。这种装置的主要缺点在于，它一次只测量一个波长或路程长度的差，因此，处理所有的光通道就必须花很长的时间。这样，仍然需要一低成本的微型化的，能自动校准的，其分辨率与惯常的光谱分析仪的分辨率差不多的，而且还能现场测定各种各样光谱的光谱特征的光谱测量装置。

在光谱学领域，对于与连续重新校准相结合的自适应重建和判读程序的需求是由对一种具有下述特点的光谱测量装置的需要所产生的，这种装置能小型化、能高可靠自控、能自校准、能在很宽的环境条件下工作、以及费用低廉以便广泛使用等等，。本发明的主要目的就是要想响应这种需求。

发明目的

本发明的目的在于提供一种根据光谱测量数据对光谱进行自适应判读的方法。

本发明的目的在于提供一种集成光谱测量装置的校准和连续重新校准的方法，这为微型化和低成本地大批生产微型光谱分析仪提供了条件。

发明概述

本发明的目的在于提供一种程序用来对代表该研究物质的样品特征的光谱数据进行判读，该程序包括下述步骤：

●对该光谱测量装置进行初始校准；

●对该光谱测量装置连续地进行重新校准；

●对研究的光谱进行自适应重建(adaptive reconstruction)；

●对研究的光谱进行自适应判读(adaptive interpretation)。

本发明还提供一种对该光谱测量装置进行校准和连续校准的方法，也就是对由该光谱测量装置所产生的测量结果和建立的光谱测量标准之间的数值关系进行确认的方法。

本发明还提供一种连续对该光谱测量装置进行重新校准的方法，这就为使该方法自动适应由于该装置老化和/或热漂移、以及检测器的非线性特性所引起的仪器缺陷和光谱数据形状的可能变化创造条件。

本发明还提供一种与该光谱测量装置的连续重新校准相结合的，对研究光谱进行数值自适应重建的方法，也就是，部分消除破坏光谱数据的噪音和模糊的影响的方法。

本发明还提供一种数值自适应判读的方法，也就是估计组成该光谱的一些峰的位置和大小的方法。

按照本发明，该光谱仪的校准是利用一辅助光来完成的，该辅助光的光谱被认为是已知的并可代表在一系列紧接校准的实验中测量光谱的特征的。该校准的结果具有由定义有下述数值算法的两种算符构成的形式：

●一种用来模拟该光谱测量数据，给出待测光谱的算法(投射算符

●一种用来估计光谱，给出数据的算法(重建算符

第一种算法就是模式识别算法，包括模型结构参数的选择或估计，及其功能参数的估计。第二中算法就是一种去卷积算法，或广义去卷积算法，或第一类积分方程的数值解算法。

按照本发明，光谱仪的连续重新校准是利用一外参考光的光谱和代表这参考光特征的数字参考数据来实现的，这些数据在得到时就被存入该光谱测量装置的计算机或内部存储器中。该装置的重新校准的目的在于更新上述算符的参数。

按照本发明，对于代表该研究光的数据的处理包括两主要的操作：

●根据获得的光谱测量数据，利用重建算符

对未知光谱或它的理想模型进行估计；

●根据获得的光谱测量数据，利用投射算符 和曲线拟合算法对这光谱的参数进行估计。

光谱测定数据的自适应判读方法对于提供光谱的定性测量是有用的，特别是在小型的集成智能光谱测量装置的情形更是如此。当与连续的或不时的自动重新校准相结合时，该光谱测量装置就可保持最佳性能，特别是对于电信应用来说更是这样。

上述提出的方法考虑到在制造过程中和在缺乏对各装置进行物理调节的条件下对特别小型的集成光谱测量装置的自动校准。该校准将会在不改变该物理装置的情况下对很多形式的制造差异进行补偿。

因此，它有助于低成本的灵活的优质光谱测量问题的解决，特别是在芯片级的光谱测量，通过定制一组具体的算法就可使之很容易适应各种各样的应用。

附图简介

现在结合下述附图来介绍示范性实施例：

图1给出了一示范性测量系统；

图2给出了自适应重建和判读程序的流程图；

  a)程序AI-RC，

  b)子程序AI-RC_cal，

  c)子程序AI-RC_recal，

  d)子程序AI-RC_rec，

  e)子程序AI-RC_int；

图3给出了该示范性测量系统；

图4给出了测试样品的光谱：

  a)实际的光谱x(λ)，

  b)测试数据

图5给出了用于校准的样品的光谱：

  a)实际的光谱x^cal(λ)，

  b)数据

图6给出了下列滤波器的输出：

  a)有理滤波器(rational filter)，

  b)基于样条函数的Kalman滤波器；

图7给出了光谱测量数据判读的最后结果；

图8给出了该示范性测量系统-MMmicroOSA；

图9表示出MMmicroOSA^TM在密集波分复用(DWDM)系统中的可能应用；

图10给出了该测试光的光谱：

  a)该光在DWDM发射器输入端的理想化光谱s(λ)，

  b)该测试数据

图11给出了该激光的发射光谱；

图12图示出了对电信数据的自适应重建和判读的最后结果。

发明详述

与提供光谱测量数据的装置的连续重新校准相结合的光谱自适应重建和判读程序(AI-RC)是为一测量系统设计的，这种系统的例子示于图1中，它包括：

●一以光谱仪或它的基本部分的形式，或以微型光谱分析器形式出现的光谱测量装置，它们将携带该测量的光谱信息的光信号转变成代表该光谱的数字编码；

●一用来处理该数字表示的处理装置，其形式可为通用计算机、微处理器、通用数字信号处理器。或专用数字信号处理器；

●测量光谱所需要的其它功能元件。

下列符号被用来描述该程序AI-RC：

λ-波长；λ∈[λ_min，λ_max]；

N-光谱测量装置获得的数据个数；

Δλ-波长离散化步长；Δλ＝(λ_min-λ_max)/(N-1)；

λ_n-光谱测量装置获得的第n个数据；λ_n＝λ_min+(n-1)Δλ，n＝1，...，N；

x(λ)-所研究的光的实际光谱；

I-在光谱x(λ)内谱峰的位置矢量，其构成为I＝[l₁l₂...l_k]^T；

-I的估计值；

a-在光谱x(λ)内谱峰的大小矢量，其构成为a＝[a₁a₂...a_k]^T；

-a的估计值；

s(λ；I，a)-所研究光的理想化光谱，在该优选实施例中假定具有形式： $s(\mathrm{\λ};I,a)=\underset{k=1}{\overset{k}{\mathrm{\Σ}}}{a}_k{v}_s(\mathrm{\λ},l_k),$ 其中v_s(λ，l)是s(λ；I，a)中的一孤立的归一化的峰，其最大值位于λ＝l处；

-是代表x(λ)的光谱测量数据，它是借助光谱测量装置获得的； $\left\{{\tilde{y}}_n\right\}\≡\left\{{\tilde{y}}_n\right|n=1,...,N\};$ x^cal(λ)-用来校准该光谱测量装置的光的实际光谱；s(λ；I^cal，a^cal)-用来校准该光谱测量装置的光的理想化光谱；

-代表用来校准该光谱测量装置的实际光谱x^cal(λ)的光谱测量数据； $\left\{{\tilde{y}}_n^{\mathrm{cal}}\right\}\≡\left\{{\tilde{y}}_n^{\mathrm{cal}}\right|n=1,...,N^{\mathrm{cal}}\};$ x^recal(λ)-用来对该光谱测量装置进行重新校准的外参考光的实际光谱；-是利用光谱测量装置测得的光谱数据，它代表了用来对该装置进行重新校准的实际光谱x^recal(λ)； $\left\{{\tilde{y}}_n^{\mathrm{recal}}\right\}\≡\left\{{\tilde{y}}_n^{\mathrm{recal}}\right|n=1,...,N^{\mathrm{recal}}\};$ s(λ；I^recal，a^recal)-是用来对该光谱测量装置进行重新校准的光的理想化光谱；G-是一投射算符(变换)，它将该理想化的光谱s(λ；I，a)变换到该数据空间： $\left\{{\hat{x}}_n\right\}=G\[s(\mathrm{\λ},I,a);P_G\]$ 其中，P_G是算符G的参数矢量或矩阵，它将在对该光谱测量装置进行校准期间确定的；p_G＝[p_G，1p_G，2...]^T或

R-是重建和判读算符(变换)：

                        R＝R^roRⁱR^r-是重建算符(变换)，具有广义去卷积方法的形式，用来将该数据

变换成x(λ)的估计值

$\left\{{\hat{x}}_n\right\}=R^r\[\left\{{\tilde{y}}_n\right\};P_{R^r}\]$ 其中 是算符R^r的参数，包括在对该光谱测量装置进行校准过程中测定的规则化参数。

Rⁱ-是一判读算符(变换)，具有一广义去卷积方法的形式，用来将数据{x_n}转变成s(λ；I，a)的估计值

$\hat{S}\left(\mathrm{\λ}\right)=R^i\[\left\{x_n\right\};P_{R^i}\]$ 其中，

是算符Rⁱ的参数，包括在校准过程中确定的规则参数。

2.本发明的一优选实施例的功能说明

2.1程序AI-RC的一般说明

程序AI-RC的主要目的是根据获得的光谱测量数据

来估计包含在研究x(λ)的光谱内的谱峰的位置I和大小a。这种操作的可行性很关键地是由对参考数据

和相应的参考光谱x^cal(λ)的辅助操作所决定，这种辅助操作就称为光谱测量装置的校准。这种操作目的在于获得有关光谱测量数据与待测可知的理想化光谱测量数据之间关系的数学模型的信息，它是选择来估计参数I和a的方法的基础。虽然不必要刚好在开始处理每个光谱测量数据序列或样本

之前就进行校准，但优选地有效的校准结果在光谱处理期间总是可利用的。

与检测光谱内的光谱测量峰的位置和大小估计相关的主要困难是由样品中的物理现象所引起的这些峰的模糊以及由不完美的光谱测量装置所造成的这些峰在数据

中表示的模糊。这种困难可在程序AI-RC中通过应用一系列的对理想化的-假想光谱s(λ；I，a)的自适应重建和自适应判读步骤得到克服，上述自适应重建和自适应判读步骤是为了校正(correct)该检测数据以便使上述两种模糊减小；如果s(λ；I，a)被认为是x(λ)的近似，则只需校正(correct)仪器模糊。

按照上述的一般功能说明，AI-RC包括下述大致确定的一些步骤：

●对提供光谱测量数据的装置进行初始校准，也就是，对光谱测量装置，或光谱测量的检测器，或光谱测量的传感器进行初始校准(子程序AI-RC_cal)，

●根据辅助参考数据对该装置进行连续重新校准，该辅助参考数据是通过用参考光激励该装置获得的(子程序AI-RC_recal)，

●所研究光谱{x_n}的自适应重建，也就是根据代表该光谱{x_n}特征的光谱测量数据 来估计该光谱(子程序AI-RC_rec)，

●根据借助子程序AI-RC_rec获得的实际光谱的估计值

，以自适应地估计构成该光谱的谱峰的位置l₁，l₂，....和大小a₁，a₂，....的方式，对该研究光谱(x_n}进行自适应判读(子程序AI-RC_int)。

2.2子程序AI-RC_cal的详细说明

该子程序AI-RC_cal包括下述操作：

a)选择使光谱理想化的方法，也就是选择该理想化光谱{s_n}的峰的形式；

b)选择该理想化光谱的重建算符R的形式：

，其中P_R是一参数矢量；

c)根据在初始校准过程中将确定的，和在连续的重新校准过程中更新的参数库{P_R ^(j)|j＝1，...J}，选择一用来使参数P_R与所选的该研究光谱{x_n}或数据

的特征F₁，F₂，....相适应的规则；

d)选择用于初始校准的参考光信号：{x_n ^cal(j)}和相关的{s_n ^cal(j)}，这里j＝1，...J；获得代表{x_n ^cal(j)}的特征的数据

，这里j＝1，...J；

e)对该数据

进行预处理，包括消除异常值、扣除基线、平滑、获得用于操作2.g的priori信息(即，在该校准数据中误差方差(variance of error)的预估值)、归一化、等等；

f)根据三数组：

，{x_n ^cal(j)}和{s_n ^cal(j)}来确定参数矢量P_R ^(j)，这里j＝1，...J；

g)对控制该自适应的参数P_R与特征F₁，F₂，...的关系取近似。

2.3子程序AI-RC_recal的详细说明

该子程序AI-RC_recal包括下述操作：

a)选择一些用于重新校准的参考光信号：{x_n ^recal(j)}和相关的{s_n ^recal(j)}，这里j＝1，...J；

b)获取代表{s_n ^recal(j)}的数据

，这里j＝1，...J；

c)对该数据

进行预处理，包括消除异常值、扣除基线、平滑、获得用于操作3.d的priori信息(即在该校准数据中误差方差的预估值)、归一化、等等；

d)根据下述三数组：

，{x_n ^recal(j)}，和{s_n ^recal(j)}，更新参数矢量P_R ^(j)，这里j＝1，...J；

e)对控制该自适应的参数P_R与特征F₁，F₂，...的关系的近似进行更新；

2.4子程序AI-RC_rec的详细说明

该子程序AI-RC_rec包括下述操作：

a)获取代表所研究光谱{x_n}的数据

b)对该数据

进行预处理，包括：消除异常值；扣除基线；平滑；以预算数据误差的方式获取用于谱峰参数估计的priori信息；以根据测量光谱 的特性确定该装置的制造缺陷的方式，获取用于该重建的priori信息；用温度探测器探测环境温度；以及工作装置元件的老化；归一化；等等；

c)借助具有参数

的算符R^r，根据 数据来估计所研究的光谱{x_n}，根据在初始校准时确定和在连续重新校准过程中更新的参数库，所述参数连续地与所述数据的特征相适应。

2.5子程序AI-RC_int的详细说明

该子程序AI-RC_int包括下述操作：

a)对该研究光谱在操作2.4(c)的估计结果

进行自适应平滑处理；

b)以吸收峰的个数和吸收峰宽度估计值的形式获取用于对进行判读的priori信息；

c)借助带参数

的算符 ，根据该数据

，对理想化光谱s(λ)进行估计，该参数是根据在判读校准过程中确定的参数库连续地适应该数据的形状。

d)估计该研究光谱内各谱峰的位置和大小；

e)借助最大值检测算法，根据在步骤2.5(c)中获得的s(λ；I，a)的估计值

，估计各谱峰的位置I；

f)借助用下列之一曲线拟合的自适应算法，来估计各谱峰的大小：

—在步骤2.2(a)中选择的数据

、v_s(λ，l)、在步骤2.2(a)中选择的带有在2.2(f)中确定的参数P_G的算符

、以及从步骤2.5(e)得出的估计值；

—在步骤2.4(c)获得的估计值

，在2.2(a)选择的v_s(λ，l)，以及从2.5(e)得出的估计值；

g)对在2.5(e)和2.5(f)获得的谱峰参数的估计值进行迭代校准；

h)使参数估计的结果适应用户的要求，例如，把它们转变成分析物质的一些预先定义的参数。

整个AI-RC程序的流程图示于图2之中。

3.本发明的示范实施例

例1

已为图3所示的测量系统设计了一特定版本的AI-RC程序，该系统包括：由Ocean Optics生产的S1000型-吸收式微型分光光度计；和一台个人计算机PC.

选择了下述测量参数来校准和为获取测试数据：

●波长范围：λ_min＝450nm，λ_max＝675nm，

●由该分光光度计所获得的数据个数：N＝1024；

●波长离散间隔：Δλ＝(λ_min-λ_max)/(N-1)＝0.22nm。

测试数据是对于高氯酸钬(holmium perchlorate)的溶液样品获得的；其实际光谱x(λ)示于图4a中。该光谱的参数如下：

●谱峰的位置矢量：I＝[452.2  468.2  473.1  485  537.3  541.3  543.7  639.8644.2  652.2  656.4]^T

●谱峰的大小矢量：a＝[1.17  0.19  0.2  0.461  0.988  0.41  0.297  0.8210.406  0.246  0.263]^T已假定研究样品的理想化光谱具有下述形式： $s(\mathrm{\λ};I,a)=\underset{k=1}{\overset{11}{\mathrm{\Σ}}}{a}_k{v}_s(\mathrm{\λ},l_k),$ 谱峰由下式规定：

              v_s(λ)＝δ(λ-l)，其中l∈[λ_min，λ_max]借助分光光度计获得的该组代表x(λ)特征的数据，，示于图4b中。

对于标准的氧化钬滤波器样品获得了一些校准数据；该样品的实际光谱x^cal(λ)示于图5a中。这光谱的参数如下：

●谱峰的位置矢量：I^cal＝[450.7  454.5  460.4  463.5  473.9  0.483.9  488.8536.4  547.5  633.4  636.5  648.4]^T；

●谱峰的大小矢量：a^cal＝[0.486  0.799  0.949  0.58  0.125  0.117  0.1140.284  0.106  0.129  0.149  0.109]^T；校准所用样品的理想化光谱s(λ；I^cal，a^cal)假定具有下述形式： $s(\mathrm{\λ},I^{\mathrm{cal}},a^{\mathrm{cal}})=\underset{k=1}{\overset{12}{\mathrm{\Σ}}}{a}_k^{\mathrm{cal}}{v}_s(\mathrm{\λ},l_k^{\mathrm{cal}})$ 借助该分光光度计获得的该组代表x^cal(λ)特征的数据，

示于图5b中。

该选择的投射算符(变换)将理想化的光谱s(λ；I，a)变换到该数据空间： $\left\{{\hat{y}}_n\right\}=G\[s(\mathrm{\λ};I,a);P_G\],$ 该算符由下述运算所定义： $x\left(\mathrm{\λ}\right)=\exp \[{\∫}_{-\∞}^{+\∞}{g}_{\mathrm{sx}}(\mathrm{\λ}-{\mathrm{\λ}}^{\′})\ln \[s({\mathrm{\λ}}^{\′};I,a)\]d{\mathrm{\λ}}^{\′}\]$ $y\left(\mathrm{\λ}\right)={\∫}_{-\∞}^{+\∞}{g}_{\mathrm{xy}}(\mathrm{\λ}-{\mathrm{\λ}}^{\′})x\left({\mathrm{\λ}}^{\′}\right)d{\mathrm{\λ}}^{\′}$ ${\hat{y}}_n=y\left({\mathrm{\λ}}_n\right)\mathrm{forn}=l,...,N$ 函数g_xy(λ)已假定具有Gauss函数的形式： $g_{\mathrm{xy}}\left(\mathrm{\λ}\right)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_{\mathrm{xy}}}}\exp \[-\frac{{\mathrm{\λ}}^2}{2{\mathrm{\σ}}_{\mathrm{xy}}^2}\]$ 。因此，算符G的参数矢量P_G包含有g_xy(λ)的离散值和参数σ_xy。

所选择的重建算符(算法)将该数据

变换成s(λ；I，a)的估计值 $\hat{S}\left(\mathrm{\λ}\right),$ $\hat{s}\left(\mathrm{\λ}\right)=R\[\left\{{\tilde{y}}_n\right\};P_R\],$ 该算符可按下述方法来定义：

借助有理滤波器(rational filter)找出x(λ)的估计值 ，该滤波器已被

ski L.描述在他的博士论文中，而且被应用到数据

上，其博士论文为：“Méthodes non linéares dereconstitution de signaux pour des applicationsspectrométriques”，Ph.D.thesis，Universitédu Québec-InstututNational de 1a Racherehe Scientifique《Telecommunications》，Montréal 1997。

●借助自适应的有理滤波器计算s(λ；I，a)的估计值

，该滤波器被介绍于Winsniewski M.P.，Morawski R.z.，Barwicz A.等人1999年的待发表的下述论文中而且被应用到

上：IEEETrans.Instru.& Meas.“An Adaptive Ratuonal Filter ForInterpretation of Spectrometric Data”。

算符R^r的参数矢量 包含该有理滤波器的系数，以及函数g_sx(λ)的离散值，这正如下述论文所介绍的那样：Ben SlimaM.，Szczecinski L.，Massicotte D.，Morawski R.Z.，Barwicz A.，“Algorithmic Specification of a Specialized Processor forSpectrometric Applications”，Proc.IEEE Istrum.& Meas.Technology Conf.(Ottawa，Canada，May 19-21，1997)，pp.90-95；Ben Slima M.，Morawski R.Z.，Barwicz A.，“Kalman-filter-based Algorithms of Spectrophotometric DataCorrection-Part II：Use of Splines for Approximation ofSpectra”，IEEE Trans.Instrum.& Meas.，Vol.46，No.3，June1997，pp.685-689。

在初始校准中完成下述操作：

●利用Jansson介绍的迭代算法确认函数g_sx(λ)；

●根据实际光谱x^cal(λ)利用最佳化算法估计该函数g_xy(λ)的参数σ_xy；

●利用最佳化算法估计有理滤波器的系数。

在连续的重新校准中完成下述操作：

●利用最佳化算法更新该有理滤波器的系数；

●利用一优化方法和光谱测量数据的形态估计该自适应有理滤波器的系数。

借助所描述的优选实施例获得的光谱测量数据判读的典型结果示于图6a、图6b、及图7之中。

定义下述误差，以便评估该程序AI-RC的精确度：

●相对均方根误差(RRMSE) ${\∂}_2^l=\frac{{\left|\right|\hat{I}-l\left|\right|}_2}{{\left|\right|l\left|\right|}_2},{\∂}_2^a=\frac{{\left|\right|\hat{a}-a\left|\right|}_2}{{\left|\right|a\left|\right|}_2}$

●归一化的最大误差(NME)： ${\∂}_{\∞}^l=\frac{{\left|\right|\hat{l}-l\left|\right|}_{\∞}}{{\left|\right|I\left|\right|}_{\∞}},{\∂}_{\∞}^a=\frac{{\left|\right|\hat{a}-a\left|\right|}_{\∞}}{{\left|\right|a\left|\right|}_{\∞}}$

谱峰的位置和高度的估计误差为： ${\∂}_2^l=0.0015,{\∂}_{\∞}^l=0.0024;{\∂}_2^a=0.20,{\∂}_{\∞}^a=0.23;$

例2

已对由集成的MM microOSA(Optical Spectrum Analyser-光谱分析仪)为代表的测量系统设计了一个AI-RC程序的实施例，该系统如图8所示。所示的该分析仪是用来监测图9所示的DWDM网络中的光通道的。

选择了下述的DWDM系统参数来校准和获取测试数据：

●光通道数：81；

●波长范围：λ_min＝1530.77nm，λ_max＝1562.68nm；

●通道间隔：Δλ＝0.4nm(50GHz)；

●激光光源，具有一已知的FWHM＝0.2nm，这里的FWHM表示半最大处的全宽度。

对于一远程通信带宽获得了一些测试数据；其实际光谱x(λ)被示于图10a中。该光谱的参数如下：

●峰的位置(载波频率)矢量：

l_k＝1530.28+(k-1)Δλ+dl_k(k＝1，...，81)，

其中dl_k是一些完全相同的独立随机变量均匀分布于间隔[-0.05nm；0.05nm]内的体现，也就是，dl_k∝∪(-0.05，0.05)；

●峰高度的矢量a，它被认为是一些完全相同的独立随机变量均匀分布于间隔[0.01；1]内的体现，也就是，a_k∝∪(0.01，1.0)。

MM μOSA对于DWDM应用的自适应意味着该数据模型呈如下形式： $\left\{{\tilde{y}}_n\right\}=\left\{g_{\mathrm{xy}}{\left(\mathrm{\λ}\right)}^{*}x\left(\mathrm{\λ}\right){|}_{\mathrm{\λ}={\mathrm{\λ}}_n}\right\}+\left\{{\mathrm{\η}}_n\right\}=\left\{g_{\mathrm{xy}}{\left(\mathrm{\λ}\right)}^{*}{g}_{\mathrm{sx}}{\left(\mathrm{\λ}\right)}^{*}s(\mathrm{\λ};I,a){|}_{\mathrm{\λ}={\mathrm{\λ}}_n}\right\}+\left\{{\mathrm{\η}}_n\right\}n=1,...,256$ 其中g_xy(λ)是该光谱测量传感器的光学响应(optical response)，

是所谓输入光的理想化光谱，而{η_n}则是一使数据中的随机误差和由激光源产生的放大的自发发射(ASE)噪音模型化的序列。如果函数g_sx(λ)是该激光的发射光谱形状的近似，则这对于DWDM测量来说就是一合适的模型。

关于激光的发射光的priori信息可用于该理想化光谱s(λ；I，a)的重建。

该连续重新校准子程序允许在1秒的时间间隔内测量激光发射光谱，以便连续更新重建子程序的参数P_R。

该选择的投射算符将该理想化的光谱s(λ；I，a)变换到该数据空间： $\left\{{\hat{y}}_n\right\}=G\[s(\mathrm{\λ};I,a);P_G\],$ 该算符由下述运算(operation)确定： $x\left(\mathrm{\λ}\right)={\∫}_{-\∞}^{+\∞}{g}_{\mathrm{sx}}(\mathrm{\λ}-{\mathrm{\λ}}^{\′})s({\mathrm{\λ}}^{\′};I,a)d{\mathrm{\λ}}^{\′}$ $y\left(\mathrm{\λ}\right)={\∫}_{-\∞}^{+\∞}{g}_{\mathrm{xy}}(\mathrm{\λ}-{\mathrm{\λ}}^{\′})x\left({\mathrm{\λ}}^{\′}\right)d{\mathrm{\λ}}^{\′}$ ${\hat{y}}_n=y\left({\mathrm{\λ}}_n\right)\mathrm{forn}=l,...,N$ 已假定该函数g_xy(λ)具有Gauss函数的形式： $g_{\mathrm{xy}}\left(\mathrm{\λ}\right)=\frac{1}{\sqrt{2\mathrm{\π}{\mathrm{\σ}}_{\mathrm{xy}}}}\exp (-\frac{{\mathrm{\λ}}^2}{2{\mathrm{\σ}}_{\mathrm{xy}}^2})$ 。因此，算符G的参数矢量P_G包含一些g_xy(λ)的如图11所示的离散值和与MMμOSA的光谱带宽相等的参数σ_xy。

选择的重建算符将该数据

变换成s(λ；I，a)的估计值

$\hat{s}\left(\mathrm{\λ}\right)=R\[\left\{{\tilde{y}}_n\right\};P_R\]$ 该重建算符以下述方法确定：

●借助施加于该数据 的有理滤波器找出x(λ)的离散估计值 $\left\{{\hat{x}}_n\right\};$

●借助施加于

的基于样条函数的(spline-based)Kalman滤波器，计算s(λ；I，a)的估计值

算符R的参数矢量P_R＝[P_R，1P_R，2...]^T包含该有理滤波器的系数，以及函数g_sx(λ)的离散值和用基于样条函数的Kalman滤波器获得的规则化参数，正如在下述论文中所描述的那样：Ben Slima M.，Morawski R.Z.，Barwicz A.，“Kalman-filter-based Algorithmsof Spectrophotometric Data Correction-Part II：Use of Splinesfor Approximation of Spectra”，IEEE Trans.Instrum.& Meas.，Vol.46，No.3，June 1997，pp.685-689。

在初始校准中完成下列操作：

●利用优化算法估计该有理滤波器的系数；

●利用优化算法估计基于样条函数的Kalman滤波器的规则化参数。

根据测量的激光的发射光谱在连续的重新校准过程中更新该有理滤波器的系数。

按照本示范实施例获得的对远程通信数据的自适应重建和判读结果示于图12中。

定义下述误差来评估本示范性方法的精确度：

●相对均方根误差(RRMSE)： ${\mathrm{\ϵ}}_a=\frac{\left|\right|a_{\mathrm{ex}}-a_{\mathrm{est}}\left|\right|}{\left|\right|a_{\mathrm{ex}}\left|\right|},{\mathrm{\ϵ}}_l=\frac{\left|\right|l_{\mathrm{ex}}-l_{\mathrm{est}}\left|\right|}{\left|\right|l_{\mathrm{ex}}\left|\right|}$

●最大的绝对误差(MAE)

Δ_a＝max{|a_ex-a_est|}，Δ_a＝max{|I_ex-I_est|}。谱峰的位置和高度的估计误差为：

ε_l＝2.10^-3％，Δ_l＝0.05nm；ε_a＝1.3％，Δ_l＝0.5dBm；

4.发明的实用性和范围

提出的程序AI-RC可应用于各种光谱测量仪器和系统中，特别是可应用于现场用的微型化的集成光谱仪中，如应用在环境探测器、光谱分析器、以及远程通信的光性能监测器中等。它在给定的测量情形中的应用积极性是基于在性能和分辨率的预期提高之上，下面就是这样的一些例子：

●由于仪器缺陷校正和测量光谱参数的估计误差减小的结果，可提高给定的光谱测量系统所完成的光谱分析的精确度；

●由于考虑到它们的制作差异，就有可能在制造过程中对特别小型的集成光谱测量装置进行自动校准；

●由于软件对硬件缺陷的补偿和软件对某些功能的代替的结果，可实现光谱测量的相关器具的微型化和集成；

●通过用功能上等效但分辨率低的仪器代替高分辨率的光谱测量装置，可降低给出要求精度的光谱分析的成本。

正如业内人士显然可见的那样，光谱装置的微型化的已知缺点在于，制作的尺度很小和通过这样尺度的装置的光常常会使在制造过程中的即使很小的缺陷也被突显出来，将制造方面的差错放大。像这样，用于矫正每个装置的上述缺陷的校准方法在某些情形中总是非常有利的。

第3节所介绍的本发明的示范实施例并不打算将AI-RC的实用性局限于吸收分光光度测定法和光学远程通信通道的监测上。它也不打算限制那些可用来体现构成该程序的操作的各种算法。相反地，本发明打算覆盖一些可供替换的算法和改进。本发明简明地对一些使该AI-RC程序的操作具体化的方法的实用选择方案特点作了叙述。

4.1.投射和重建算符的可选形式

光谱测量数据的下列数学模型可用来定义算符G：

a)稳定(stationary)的线性模型： $y\left(\mathrm{\λ}\right)={\∫}_{-\∞}^{+\∞}g(\mathrm{\λ}-{\mathrm{\λ}}^{\′})s({\mathrm{\λ}}^{\′};I,a)d{\mathrm{\λ}}^{\′}$

b)非稳定的线性模型： $y\left(\mathrm{\λ}\right)={\∫}_{-\∞}^{+\∞}g(\mathrm{\λ},{\mathrm{\λ}}^{\′})s({\mathrm{\λ}}^{\′};I,a)d{\mathrm{\λ}}^{\′}$

c)非线性模型，例如： $y\left(\mathrm{\λ}\right)={\∫}_{-\∞}^{+\∞}g(\mathrm{\λ},{\mathrm{\λ}}^{\′})F_s\[s({\mathrm{\λ}}^{\′};I,a)\]d{\mathrm{\λ}}^{\′}$ $y\left(\mathrm{\λ}\right)=F_y\[{\∫}_{-\∞}^{+\∞}g(\mathrm{\λ},{\mathrm{\λ}}^{\′})F_s\[s({\mathrm{\λ}}^{\′};I,a)\]d{\mathrm{\λ}}^{\′}\]$ 其中g(λ)和g(λ，λ′)都是该光谱测量装置的仪器函数；F_s和F_y是非线性函数。

相应的算符G可具有下述形式：

a)相应于稳定线性模型的算符： ${\hat{y}}_n=\underset{v}{\mathrm{\Σ}}{P}_{G,n,v}{\∫}_{{\mathrm{\λ}}_v}^{{\mathrm{\λ}}_{v+1}}s({\mathrm{\λ}}^{\′};I,a)d{\mathrm{\λ}}^{\′}$

其中 $P_{G,v}=g\left(\frac{{\mathrm{\λ}}_{v+1}+{\mathrm{\λ}}_v}{2}\right)\mathrm{\Δ\λ};$

b)相应于非稳定线性模型的算符： ${\hat{y}}_n=\underset{v}{\mathrm{\Σ}}{P}_{\mathrm{Gn},v}{\∫}_{{\mathrm{\λ}}_v}^{{\mathrm{\λ}}_{v+1}}s({\mathrm{\λ}}^{\′};I,a)d{\mathrm{\λ}}^{\′}$

其中 $p_{\mathrm{Gn},v}=g({\mathrm{\λ}}_n,\frac{{\mathrm{\λ}}_{v+1}+{\mathrm{\λ}}_v}{2})\mathrm{\Δ\λ};$

c)相应于典型的非线性模型的算符： ${\hat{y}}_n=\underset{v}{\mathrm{\Σ}}{p}_{\mathrm{Gn},v}{\∫}_{{\mathrm{\λ}}_v}^{{\mathrm{\λ}}_{v+1}}{F}_s\[s({\mathrm{\λ}}^{\′};I,a)\]d{\mathrm{\λ}}^{\′}$ ${\hat{y}}_n=F_y\[\underset{v}{\mathrm{\Σ}}{p}_{\mathrm{Gn},v}{\∫}_{{\mathrm{\λ}}_v}^{{\mathrm{\λ}}_{v+1}}{F}_s\[s({\mathrm{\λ}}^{\′};I,a)\]d{\mathrm{\λ}}^{\′}\]$

其中 $P_{\mathrm{Gn},v}=g({\mathrm{\λ}}_n,\frac{{\mathrm{\λ}}_{v+1}+{\mathrm{\λ}}_v}{2})\mathrm{\Δ\λ}$ 。

4.2.信号重建和判读的可选方法：

信号重建的下述方法-去卷积或广义去卷积法-可用来定义算符R：

a)原始范畴(original domain)的基于数值微分的方法，它定义在Morawski R.Z.，Sokolowski P.的下述论文中：“Applicationof Numerical Differentiation for Measurand Reconstrucuion”，Proc. 7 th IMEKO-TC4 Int.Symp.Modern Electrical & MagneticMeasurements(Prague，Sept.13-14，1995)，pp.230-234；

b)Jansson和Gold的迭代法；

c)光谱范畴的基于Tikhonov规则化(Tikhonov-regularization-based)的方法；

d)倒频谱范畴(cepstrum-domain)的基于Tikhonov规则化的方法，它定义在Kalinnowska A.，Morawski R.Z.，Lubianka T.的下述论文中：“Incorporation of the Positivity Constraintinto a Cepstral Method of Measurand Reconstruction”，Proc.XIII-th IMEKO World Congress，(Torino，Italy，Sept.5-9，1994)，pp.429-434；

e)原始范畴的基于Tikhonov规则化的对其解施加有正性约束的方法；

f)对其解施加有正性约束的基于Kalman滤波的方法；

g)利用对解取样条近似的基于Kalman滤波的方法；

h)伴随算符(adjoint operator)方法；

i)基于熵(entropy-based)的变分方法；

j)基于Volterra级数的方法；

k)基于有理滤波器的方法；

l)基于自适应有理滤波器的方法。

此外，在化学计量学、远程通信、地震学、图像处理等领域内发展出来的许多其它方法都可应用于这个目的，化学计量学方面的方法如下述论文所描述：Brown S.D.，Bear Jr.R.S.，Blank T.B.，“Chemometrics”，Anal.Chem.，Vol.64，No.12，1992，pp.22R-49R和Brown S.D.，Sum S.T.，Despagne F.，“Chemometrics”，Anal，Chem.Vol.68，No.12，1995，pp.21R-61R；远程通信方面的方法如下述论文所描述：Abreu E.，Mitra S.K.，Marchesani R.，“Non-minimum Phase Channel  Equal ization Using Non-causalFilters”，IEEE Trans.Signal Processing，Vol.45，No.1，Jan.1997，pp.1-13；地震学方面的方法如下述论文所描述：BerkhoutA..J.，Seismic Migration，Elsevier 1985，图像处理方面的方法描述在很多文章中，如Gonsalves R.A.，Nisenson P.，“HST ImageProcessing：An Overview of Algorithms for ImageRestoration”，Proc.SPIE，Vol.1567，1991，pp.294-307；ZerwakisM.E.，Kwon T.M.，“On the Application of Robust Functionalsin Regularized Image Restoration”，Proc IEEE Int.Conf.Accoustics，Speech&Signal Process.-ICASSP’93(MinneapolisMN，USA，April27-30，1993)，Vol.5，pp.289-292。

下述方法对于确定该算符R的规则化参数是很有用的：

a)预测数据的测量误差方差的误差原理，如在下述论文中所介绍的那样：Tikhonov A.N.，Goncharsky A.V.，Stepanov V.V.，Yagola A.G.，Numerical Method for the Solution of Ill-posedproblems，Kluwer 1995；

b)L-曲线方法，如在下述论文中介绍的那样：Hansen P.C.，O’Leary D.P.：“The Use of the L-curve in the Regularizationof the Discrete Ill-posed Problems”，SIAMJ.Sci.Comput.，Vol.14，No.6，1993，pp.1487-1503；

c)附加校准数据组的方法(method of additional set ofcalibration data)，如下述论文所介绍：Szczeciéski L.，MorawskiR.Z.，Barwicz A，”Numerical Correction of Spectrometric DataUsing a Bilinear Operator of Measurand Reconstruction”，Proc.IEEE Instrm.& Meas.Technol.Conf.-IMTC95(Boston，MA，April24-26，1995)，pp.488-491。

4.3校准方法

通常最好假定孤立峰v_s(λ，l)具有下述形式：

a)对于所有的l值呈Dirac分布；

b)三角形，其宽度是恒定的或随l变化(a triangle whosewidth is constant or varying versus l)；

c)矩形，其宽度是恒定的或相对于l值变化；

d)Gauss函数形，其宽度是恒定的或相对于l值变化；

e)Lorenz函数形，其宽度是恒定的或相对于l值变化；

在估计该仪器函数g(λ)时下述方法是很有用的：

a)如果认为孤立峰v_s(λ，l)具有Dirac分布δ(λ)的形式，则直接对该数据

施加平滑近似，

b)相对于s(λ；I^cal，a^cal)对数据 去卷积，

c)随后再使用去卷积和平滑近似。

下述方法可用于确定算符R的其它参数：

a)直接变换该算符G的参数；

b)在另一偏差范数(norm of discrepancy)

上施加一些约束的条件下使解的任何范数‖P_R‖最小化；

c)在该解的另一范数‖P_R‖上施加一些约束的条件下使该偏差的任何范数

最小化。

4.4.谱峰参数的估计方法

下述方法对于估计那些谱峰的大小a，给出位置I的估计值是很有用的： $\hat{a}=a{\mathrm{rg}}_a\inf \left\{{\left|\right|\left\{{\tilde{y}}_n\right\}-G\[s(\mathrm{\λ};\hat{I},a);P_G\]\left|\right|}_q\right|a\∈A\}$ 或 $\hat{a}={\arg }_a\inf \left\{{\left|\right|\hat{s}\left(\mathrm{\λ}\right)-s(\mathrm{\λ};\hat{I},a)\left|\right|}_q\right|a\∈A\}$

这里，A是一组合理的解；选项为：q＝2，AR^k；q＝∞，AR^k；q＝2，AR₊ ^k；q＝∞，AR₊ ^k。算法解的某些例子给在下述论著中：Morawski R.Z.，Mie Kina A.，Barwicz A.，“CombinedUse of Tikhonov Decovolution and Curve Fitting for SpeetrogramInterpretation”，Instrum.Science & Technology，Vol.24，No.3，August 1996，pp.155-167；Morawski R.Z.，Mie Kina A.，Barwicz A.，“The Use of Decovolution and IterativeOptimization for Speetrogram Interpretation”，IEEE Trans.Instrum.& Meas.，Vol.47，No 5，Oct.1997。基于非稳定Kalman滤波器或自适应LMS算法的上述最佳化问题的特别有效的解给于下述论文中：Ben Slima M.，Morawski R.Z.，Barwicz A.，“Kalman-filter-based Algorithms of Speetrophotometric DataCorrection-Part II：Use of Splines for Approximation ofSpectra”，IEEE Trans.Instrum.& Meas.，Vol.46，No.3，June1997，pp.685-689。

可任选地，将估计大小a的方法与下述方法互换用来对谱峰大小和位置的估计值进行反复校准： $\hat{l}={\arg }_l\inf \left\{{\left|\right|\left\{{\tilde{y}}_n\right\}-G\[s(\mathrm{\λ};I,\hat{a});p_G\]\left|\right|}_q\right|l\∈L\}$ 或 $\hat{l}={\arg }_l\inf \left\{{\left|\right|\hat{s}\left(\mathrm{\λ}\right)-s(\mathrm{\λ};I,\hat{a})\left|\right|}_q\right|l\∈L\}$ 其中L是一组合理的解；选项为：q＝2和LR^k；q＝∞和LR^k；q＝2，和LR₊ ^k，q＝∞和LR₊ ^k。

4.5光谱测量数据的预处理

下述方法对于该数据的归一化是很有用的：

a)λ-轴的线性或非线性变换，目的在于削弱数据中的不稳定性效应；

b)y-轴的线性或非线性变换，目的在于削弱数据中的非线性效应；

c)λ-轴和y-轴的线性或非线性变换，目的在于削弱数据中的不稳定性和非线性效应；

下述方法对于平滑数据是很有用的：

a)线性的，FIR-型或IIR-型滤波；

b)中值滤波；

c)用三次样条函数取平滑近似；

d)相对于恒等算符去卷积。

对于本发明很有用的基线校准的标准方法被介绍于下述论著中：Brame E.G.，Grasselli J.，Infrared and Raman Spectroscopy，Marcel Deccer 1976以及ASTM 1987.(American Society forTesting and Materials)：Annual Book of ASTM Standards 1987.

可以设想出很多的其它实施例而并不偏离本发明的精神和范围。

Claims (19)

1.一种与重新校准相结合的光谱测量数据的自适应判读方法，它可用于包含一些传感器元件的光谱测量装置，它包括下述步骤：

a)对提供光谱测量数据的光谱测量装置进行初始校准；

b)在孤立的各个的传感器元件缺少物理调整的情况下，每隔一段时间就对该装置进行自动地重新校准，其步骤如下；

●向该装置提供来自一参考光源的光

●获取与来自该参考光源的检测的光相关的辅助参考数据‘

●根据该辅助参考数据计算更新的校准结果；

c)用光谱测量装置检测光谱{x_n}，以便提供代表该光谱(x_n}的光谱测量数据

d)根据该光谱测量数据

和更新的校准结果，自适应地确定与该光谱{x_n}相关的理想化光谱{s_n}的估计值

e)根据该估计值

，自适应地估计构成该光谱{x_n}的一些峰的位置l₁，l₂，...和大小a₁，a₂，....。

2.按照权利要求1所述的方法，其特征在于：重新校准步骤(b)包括在对传感器元件缺少物理改动和调节的情况下对先前的校准结果进行更新。

3.按照权利要求1所述的方法，其特征在于：步骤(a)又包括下述步骤：

a1)选择该理想化光谱{s_n}内的峰形态；

a2)选择算符R的形式用来重建该理想化光谱：

，其中P_R为参数矢量，所选择的形式与谱峰的选择形态有关；

a3)根据参数库{P_R ⁽ⁱ⁾|j＝1，...J}，选择一些用来使参数P_R适应该数据

的选择的特征F1，F2，...的规则，该参数库的参数形成该校准数据的一部分，它们是在初始校准步骤确定并在重新校准时更新的；

a4)选择初始校准步骤的参考光信号：{x_n ^cal(j)}和相关的{s_n ^cal(j)}，这里j＝1，...，J；

a5)获取代表{x_n ^cal(j)}特征的数据

，这里j＝1，...，J；

a6)对数据

进行预处理；

a7)根据三组数据： ，{x_n ^cal(j)}和{s_n ^cal(j)}来确定参数矢量P_R ^(j)，这里j＝1，...，J；

a8)对控制自适应的参数P_R与特征F1，F2，...之间的关系进行近似。

4.按照权利要求3所述的方法，其特征在于：该步骤(a6)包括下述步骤：获得与校准数据中的误差的变化的预估计值相关的priori信息。

5.按照权利要求4所述的方法，其特征在于：该步骤(a6)包括下述步骤：

执行异常值的消除，

执行基线的扣除，

执行数据的平滑，

使数据归一化。

6.按照权利要求3所述的方法，其特征在于：该步骤(a1)包括下述步骤：

选择一种使表示出峰形态的光谱理想化的方法。

7.按照权利要求1所述的方法，其特征在于：步骤(b)包括下述步骤：

b1)选择一用于重新校准的参考光的信号：{x_n ^recal(j)}和相关的{s_n ^recal(j)}，这里，j＝1，...，J；

b2)获取代表{x_n ^recal(j)}的数据 ，这里，j＝1，...，J；

b3)对获得的数据

进行预处理；

b4)根据三数组：

，{x_n ^recal(j)}，和{s_n ^recal(j)}，更新参数矢量P_R ^(j)，这里，j＝1，...，J；

b5)更新控制自适应的参数矢量P_R和特征F1，F2，...之间关系的近似。

8.按照权利要求7所述的方法，其特征在于：步骤(b3)包括下述步骤：

获取与获得的数据中的误差方差的预估计值相关的priori信息。

9.按照权利要求8所述的方法，其特征在于：该步骤(b3)包括下述步骤：

执行异常值的消除，

执行基线的扣除，

执行数据的平滑，

使数据归一化。

10.按照权利要求1所述的方法，其特征在于：该步骤(d)包括下述步骤：

d1)对

进行预处理；

d2)借助具有参数P_R的算符R，根据数据 计算与该研究光谱{x_n}相关的理想化光谱{s_n}的估计值，根据在初始校准中确定并在连续的重新校准过程中更新的参数库，所述参数P_R在数据处理的每一相继的阶段上都是与数据特征F1，F2，...相适应的。

11.按照权利要求10所述的方法，其特征在于：步骤(d1)包括下述步骤：

获取与谱峰参数的精确估计相关的Priori信息。

12.按照权利要求11所述的方法，其特征在于：获取Priori信息的步骤包括步骤：

获取与光谱测量数据中误差方差的预估计值相关的priori信息。

13.按照权利要求12所述的方法，其特征在于：该步骤(d1)包括下述步骤：

执行异常值的消除，

执行基线的扣除，

执行数据的平滑，

使数据归一化。

14.按照权利要求1所述的方法，其特征在于：该步骤(e)包括下述步骤：

e1)对步骤(c)获得的估计值 进行预处理，

e2)计算在该第一光谱{x_n}内谱峰的位置和大小的估计值。

15.按照权利要求14所述的方法，其特征在于：估计的位置和大小与根据该获得的光谱来理想化的第一光谱内的位置和大小、更新的校准数据、以及由它们导出的算符有关。

16.按照权利要求15所述的方法，其特征在于：该步骤(e1)包括下述步骤：

获取与该光谱测量数据内的谱峰数及这些谱峰的宽度的估计值相关的priori信息。

17.按照权利要求15所述的方法，其特征在于：该步骤(e1)包括：

执行异常值的消除，

执行基线的扣除，

执行数据的平滑，

使数据归一化。

18.一种光谱测量装置，它包括：

传感元件，用于与光谱装置一起来探测光谱{x_n}以便提供代表该光谱{s_n}的光谱测量数据

根据提供的参考光对该光谱测量装置进行初始校准以提供初始校准结果的装置，

在上述传感元件缺少物理调整的情况下，根据提供的参考光对该光谱测量装置自动进行重新校准的装置，以及

处理器，用于根据光谱测量数据 和更新的校准结果来确定与该第一光谱{x_n}相关的理想化光谱{s_n}的估计值

，以及用于根据该估计值

来估计在理想化光谱{s_n}内的谱峰的位置l₁，l₂，...和大小a₁，a₂，...。

19.一种光谱测量装置，它包括：

传感元件，用于与光谱装置一起来探测光谱{x_n}以便提供代表该光谱{x_n}的光谱测量数据

；以及

根据提供的参考光对该光谱测量装置进行初始校准以提供初始校准结果的装置，

其特征在于：

在上述传感元件缺少物理调整的情况下，根据提供的参考光对该光谱测量装置自动进行重新校准的装置，

其中，在对该光谱测量装置进行校准的过程中就执行了用来重建理想化光谱的参数的确定，该理想化光谱来自于与提供给所述装置的光相关的数据。

Images