1.一种基于中心对数比值和分形理论的背景异常识别方法,其特征在于:对化学成分进行成分数据理论中心对数比值 CLR 转换;CLR数据与样本数量N 存在的关系,其中,m 为拟研究组分, 为组分浓度,n为组分数量,1 ≤ i ≤ n,N 为大于等于特定 clr(m) 值的样本数量,A、B通过最小二乘法拟合得到;对 CLR 转换数据和样本数量进行分形处理;通过最小二乘法拟合函数确定背景异常边界;通过Q-Q 图上接近分位数0.75的数据确定背景和异常阈值。
2.根据权利要求 1 所述的背景异常识别方法,其特征在于,包括如下具体步骤:
S1、对数据进行清洗,剔除元素浓度值低于检出限的样本;
S2、计算合格样本各组分浓度 对应的中心对数比值 ,其中 n为组分数量,m 为拟研究组分,1 ≤ i ≤ n;
S3、统计大于等于特定 值的样本数量 N,计算其对应的对数 ;
S4、将所有合格样本拟研究组分 m 的中心对数比值 和其对应的 进行散点投图;
S5、对 S4 所投散点图进行最小二乘拟合,拟合的直线数量由散点图的具体形状决定,拟合标准为每条直线的决定系数 R2 大于等于 0.75,即:其中A、B通过最小二乘法拟合得到,不同直线的斜率 A 不同;
S6、相邻的拟合直线会形成交点,记录其代表的 值;
S7、绘制 的 Q-Q 图,确定各交点的 值所处分位,首个接近分位数0.75的 值所对应的组分浓度 Cm 为背景和异常阈值,其余交点按所代表原始浓度值的大小依次设为不同等级的异常阈值,“接近分位数0.75”的含义为其所处分位值与分位数0.75的距离最短。
3.根据权利要求 1 或 2 任意一项所述的基于中心对数比值和分形理论的背景异常识别方法,其特征在于:依据成分数据理论对原始浓度数据进行中心对数比值 CLR转换;依据分形理论对浓度和样本数进行异常识别;识别的背景和异常具备非线性分布性质。
4.根据权利要求 2 所述的基于中心对数比值和分形理论的背景异常识别方法,其特征在于:所述步骤S5 中,A、B通过最小二乘法拟合得到,不同直线的斜率A不同。