自适应的EE MD残余相关基线校正算法

摘要：

基线校正是光谱分析的重要环节，现有算法通常需要设定关键参数，不具备自适应性。根据总体平均经验模态分解（ensemble empirical mode decomposition，EEMD）残余量特点，提出用残余量拟合光谱基线。通过残余量与信号相关性、残余量自相关和互相关性（称为残余相关准则）判断残余量是否是基线组成部分，以此为基础提出一种自适应的EEMD残余相关基线校正算法。对叠加曲线背景和线性背景的模拟光谱数据进行实验，结果显示在已知基线数学假设情况下，EEMD残余相关法逊于多项式拟合，同非线性拟合相差不多，优于小波分解。在没有光谱背景知识情况下，对真实拉曼光谱数据进行试验。经过上述方法预处理过的玉米叶片光谱采用3层BP神经网络建立与叶绿素之间预测模型，经过残余相关基线校正的模型具有最大校正相关系数和预测相关系数，最小交叉验证标准差和相对分析误差。各种基线校正方法中，残余相关基线校正对特征峰峰位、峰强和峰宽影响最小。实验表明，该算法可用于拉曼谱图基线校正，无需分析样品成分的先验知识，无需选择合适的拟合函数、拟合数据点、拟合阶次以及基函数和分解层数，也无需基线信号分布的数学假设，自适应性很强。

关键词：总体平均经验模态分解、残余量、相关性、基线校正、自适应性

分类号：O657.3(分析化学)

资助基金：国家青年基金项目31200390;黑龙江省教育厅科学技术研究项目12521378;黑龙江省自然科学基金项目F201329

在线出版日期：2014-07-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：1624-1628