基于相似性光谱数据融合的物理参数回归建模方法及其在发酵过程监测中的应用

针对工业过程中光谱测量受环境变化影响导致模型预测精度下降的问题，研究人员创新性地提出基于样本相似性的光谱-物理参数数据融合建模方法。通过高斯核函数分别计算光谱与物理量的相似性矩阵，加权融合后建立PLS回归模型。实验证明该方法可使发酵过程目标组分浓度预测精度提升近10%，为复杂环境下的光谱定量分析提供了新思路。

　　

在工业过程监测领域，近红外光谱（NIR）技术因其快速、无损的特性被广泛应用于关键组分浓度检测。然而，实际生产环境中温度、压力等物理参数的波动会显著影响光谱特征，导致传统回归模型预测性能下降。现有研究多将环境变化视为噪声进行消除，但河北自然科学基金支持的研究团队另辟蹊径，提出物理参数本身蕴含的环境信息可能成为提升模型精度的关键。这项发表在《Vibrational Spectroscopy》的研究，开创性地将光谱与物理量通过相似性度量进行融合建模，为复杂工业环境下的精准监测提供了新范式。

研究团队采用高斯核函数分别计算光谱数据（x∈R^p
）和pH值等物理参数（c）的样本相似性矩阵d_ij
和s_ij
，通过优化权重w实现矩阵融合，最终建立基于偏最小二乘（PLS）的回归模型。实验数据来自枯草芽孢杆菌ATCC14067的赖氨酸发酵过程，每2小时采集发酵液样本，共获得48小时发酵周期的光谱与物理量数据。

【PLS theoretical basis】部分阐明，该方法通过最小化平方损失函数L=(f(x,β)-y)²
建立浓度y与融合矩阵的映射关系，突破了传统变量扩展方法中物理参数被高维光谱数据掩盖的局限。【Similarity computation】章节显示，团队采用exp(-‖x_i
-x_j
‖²
/2σ₁
²
)和exp(-‖c_i
-c_j
‖²
/2σ₂
²
)公式分别计算相似性，确保不同源数据的维度统一。【Bandwidth and parameters】实验确定最优高斯核带宽σ，【Fusion weight determination】则通过0.01步长网格搜索确定物理量权重w=-0.5为最佳参数。

结论表明，该方法将物理参数作为建模信息而非噪声，使光谱模型在环境变化下的预测性能提升近10%。Zhonghai He团队提出的相似性融合框架，不仅解决了物理参数在变量扩展方法中的"掩蔽效应"，更开创了样本导向的多源数据融合新思路。这项研究为过程工业中复杂环境下的光谱监测提供了普适性方法，其核心思想可拓展至制药、食品等需要实时质量监控的领域。正如【Conclusion】强调的，该方法重新定义了环境参数在光谱分析中的角色——从干扰项变为增值信息，为智能制造的精准感知提供了关键技术支撑。