基于Bootstrap-SVM在小样本条件下光谱定量分析研究

提出了一种在小样本条件下建立光谱定量分析的新方法-Bootstrap-SVM模型。以道路沥青为研究对象,共收集29个来自6个不同单位的沥青样本,利用所提方法建立了沥青针入度定量分析模型。Bootstrap-SVM由Bootstrap重抽样、噪声注入及SVM三个步骤组成。为了对比所提方法的优势,对比了目前常用的PLS模型以及SVM模型。研究结果表明Bootstrap-SVM,PLS,SVM预测均方根误差分别为0.773 5,2.889,1.784 4,所提方法预测精度最好,为小样本条件下光谱定量分析提供了一种新的有效方法。     

基于Bootstrap-SVM在小样本条件下光谱定量分析研究（英文）

提出了一种在小样本条件下建立光谱定量分析的新方法-Bootstrap-SVM模型。以道路沥青为研究对象,共收集29个来自6个不同单位的沥青样本,利用所提方法建立了沥青针入度定量分析模型。Bootstrap-SVM由Bootstrap重抽样、噪声注入及SVM三个步骤组成。为了对比所提方法的优势,对比了目前常用的PLS模型以及SVM模型。研究结果表明Bootstrap-SVM,PLS,SVM预测均方根误差分别为0.773 5,2.889,1.784 4,所提方法预测精度最好,为小样本条件下光谱定量分析提供了一种新的有效方法。     

基于光谱技术的桔子汁品种鉴别方法的研究

为了实现桔子汁不同品种的快速光谱鉴别,首先采用主成分分析法对光谱数据进行聚类分析,从定性分析的角度得到四种不同品种桔子汁的特征差异。同时将小波变换用于对大量光谱数据的压缩, 并结合RBF神经网络建立桔子汁品种鉴别的定量分析模型。该模型将小波压缩后的数据作为神经网络的输入向量,建立径向基函数RBF神经网络。4个品种共240个样本用来建立RBF神经网络的训练模型,剩余的60个样本用于预测。预测结果表明,小波变换结合RBF神经网络的桔子汁品种鉴别的准确率达到100%。说明文章提出的基于光谱技术的鉴别方法具有很好的分类能力,它为桔子汁品种的快速鉴别提供了一种新方法。     

纺织品近红外光谱定性分析的一种新方法

近红外光谱分析技术可用于对样本的快速无损检测,在人们的生产和生活中发挥着越来越重要的作用。支持向量机是建立定性分析模型的常用方法,可通过寻找最优分类超平面将两类样本分开。在小样本情况下,支持向量机方法有其独特的优势。主成分分析是常用的数据降维方法,可将数据降维之后作为支持向量机方法的输入变量,简化模型并提高模型识别的准确性。因此,基于主成分分析的支持向量机(简称PCA-SVM)适合用于建立近红外光谱定性分析模型。多模型方法是人们使用较少的建模方法,用该方法建立的模型一般具有较好的稳定性。将多模型方法与PCA-SVM方法成功结合形成了新方法。以棉锦混合、棉涤混合纺织品为例,用新方法建立了这两类纺织品样本的近红外光谱定性分析模型。建模时将光谱数据按照波长分为4组,用每组光谱数据建立一个子模型,将子模型的输出值进行加权平均便得到最终的预测结果。这样可以更充分地使用光谱数据中所包含的信息。为了便于对比不同的方法,仍使用上述校正集和验证集,又用PCA-SVM方法建立了这两类纺织品样本的近红外光谱定性分析模型。对预测结果做交叉验证,用新方法所建模型判别的正确率的平均值为85.49%,正确率的标准差为0.066 7, 用PCA-SVM方法所建模型判别的正确率的平均值为83.34%,正确率的标准差为0.109 6。研究结果表明用新方法所建模型的分类效果好于用PCA-SVM方法所建模型的分类效果;用新方法建立的模型的稳定性明显高于用PCA-SVM方法建立的模型的稳定性。用PCA-SVM方法所建模型的预测效果受校正集构成情况的影响较大,而用新方法所建模型的预测效果则相对稳定。对废旧纺织品进行分类回收可大量节约纺织原材料,但采用人工分拣方式效率低且成本高。采用近红外光谱分析方法对纺织品进行分类,为废旧纺织品的大规模精细分拣和分级奠定了一定的基础。该新方法有望用于某些其他类型样本的分类。     

基于近红外光谱和子窗口重排分析的山茶油掺假检测

为打击山茶油掺假,保障消费者的合法利益,利用近红外光谱和子窗口重排分析(SPA)对山茶油的复杂掺假(掺入大豆油、菜籽油、花生油及混合油)进行检测。采集85个纯山茶油和315个掺假山茶油样本的近红外光谱,利用SPA变量选择方法对样本光谱的波长变量进行筛选,再由偏最小二乘-线性判别分析(PLS-LDA)建立山茶油掺假检测模型,并与竞争性自适应重加权算法(CARS)和无信息变量消除(UVE)变量选择方法的结果进行比较。研究结果表明,近红外光谱联合SPA方法可以用于山茶油的复杂掺假检测,预测集样本的分类错误率、灵敏度及特异性分别为0、1和1。SPA方法优于UVE方法,与CARS方法相当,是一种有效的变量选择方法,能简化模型并提高模型的预测精度和稳定性。     

基于光谱技术的航天育种番茄品种鉴别方法的研究

为了实现航天育种番茄不同品种的快速光谱鉴别,采用主成分分析法对光谱数据进行聚类分析,并将小波变换用于对大量光谱数据的压缩,同时结合神经网络建立了番茄品种鉴别模型.该模型将压缩后的数据作为神经网络的输入,加速了神经网络的训练速度.通过对太空育种突变株M1和M2及其亲本番茄品种的共105个番茄叶片样本建立训练模型,并用每个品种15个样本,共45个番茄叶片的样本进行预测.结果表明,用该方法对航天育种番茄不同品种的鉴别正确率达到97.8%.说明文章提出的方法具有很好的分类和鉴别作用,为航天育种番茄不同品种的快速鉴别提供了一种新方法.     

基于拉曼光谱解析的对二甲苯装置吸附塔循环液成分分析

采用拉曼光谱分析法实现PX(对二甲苯)装置中吸附塔循环液快速、准确的在线分析。由于循环液中各组分的拉曼谱峰相互重叠,且各组分的含量变化范围很大,需要收集大量的训练样本。为此,提出了基于拉曼光谱解析的循环液成分分析方法。首先,要获得循环液所含各组分纯物质的拉曼光谱,以及少量训练样本的拉曼光谱,对这些拉曼光谱进行基线扣除和均值归一化;其次,选取特征波段680～880 cm-1,对每一个训练样本预处理后的拉曼光谱在特征波段进行光谱分解,得到该训练样本中各组分的分解系数;然后,基于全部训练样本各组分的分解系数与对应的浓度数据,建立分解系数与浓度之间的定量分析模型。而对于某一测试样本,先获取其拉曼光谱,进行上述相同的光谱预处理,并在相同的特征波段基于纯组分的拉曼光谱对其进行谱分解,以获得该样本的光谱分解系数;再根据得到的分解系数和上述定量分析的模型,预测出该测试样本中各组分的含量。实验结果表明,一方面,由各纯组分混合得到的训练样本的拉曼光谱可以较精确地分解成各组分的拉曼光谱的线性加权和;另一方面,基于拉曼光谱分解系数建立的定量分析模型可以准确地预测出循环液中各组分的含量,对测试样本中甲苯、乙苯、对二甲苯、间二甲苯、邻二甲苯和对二乙基苯含量的标准预测误差分别为0.301%,0.088%,0.563%,0.384%,0.366%和0.536%。为PX装置中吸附塔循环液的在线分析提供了改进方法。     

基于tri-PLS模型的油类混合物三维荧光光谱及其成分的研究

提出了一种光谱重叠的多种矿物油混合物组分含量测定的新方法。将偏最小二乘方法(PLS)推广至三维扩展(tri-PLS),不需要解决特征值问题。利用该方法对柴油、汽油和煤油混合物的三维荧光光谱进行研究,根据样本序列、激发波长、发射波长构造出三维数据矩阵,结合浓度矩阵应用tri-PLS法建立校正模型,对实验样本进行预测,实验结果表明tri-PLS方法的建模精度比常用的平行因子法优越。     

基于稀疏非负矩阵分解和支持向量机的海洋溢油近红外光谱鉴别分析

提出一种海洋溢油近红外光谱特征提取与种类鉴别新方法.海面溢油种类鉴别对现场应急处置方案的制定和可疑溢油源的追踪具有重要意义.采用傅里叶变换近红外光谱仪测定汽油、柴油、煤油三类模拟海洋溢油样本的近红外光谱,基于稀疏非负矩阵分解算法对光谱进行特征提取,采用五重交义检验,对210个样本进行训练,建立基于支持向量机的溢油光谱定...     

径向基神经网络结合近红外光谱技术分析安络小皮伞发酵组分的研究

采用径向基神经网络(RBFNN)结合近红外光谱(NIRS)技术建立一种分析安络小皮伞发酵菌丝体中甘露醇、多糖和腺苷三种组分的定量分析模型。收集164个安络小皮伞液体发酵菌丝体样本的近红外光谱数据,采用常规方法分别测定样本中甘露醇、多糖和腺苷的含量。在应用蒙特卡罗偏最小二乘法(MCPLS)识别异常样本、确定校正集样本数量的基础上,以逼近度(Da)为评价指标,采用可移动窗口径向基神经网络(MWRBFNN)筛选特征波长变量,筛选最佳光谱预处理方法、隐含层节点数(NH)等模型参数。建立甘露醇、多糖和腺苷组分定量分析模型,最佳RBFNN-NIRS模型中校正集和预测集样本实验测定值与预测值间相关系数分别为0.9274、0.9009、0.9440和0.9354、0.9018、0.8847,表明模型具有很好的拟合度和预测性能。     

拉曼光谱结合偏最小二乘的甲醇汽油甲醇含量快速定量分析方法研究

甲醇汽油是一种用以替代传统汽油的新型燃料,其品质受到甲醇含量的严重影响。因此,甲醇汽油中甲醇含量的快速分析对其品质把控具有深远意义。基于拉曼光谱（Raman）结合偏最小二乘（PLS）建立了一种甲醇汽油中甲醇含量快速定量分析方法。采用激光拉曼光谱仪对49组甲醇汽油样品的Raman光谱进行采集,并进行光谱解析。比较了五种光谱预处理方法对甲醇汽油原始Raman光谱的预处理效果,并采用变量重要性投影（VIP）对小波变换（WT）预处理后的甲醇汽油Raman光谱数据进行了特征变量提取。其次,采用五折交叉验证（5-flod cross-validation (CV)）对PLS校正模型的潜变量数目（LVs）及VIP阈值进行优化。在最优输入变量和模型参数下,分别构建了基于不同输入变量的PLS模型。研究表明,相较于原始光谱-偏最小二乘模型（RAW-PLS）和小波变换-偏最小二乘模型（WT-PLS）,变量重要性投影-偏最小二乘模型（VIP-PLS）可以获得更好的分析性能,其预测集决定系数（R2_p）为0.960 4,均方根误差（RMSEP）为0.0341。因此,Raman光谱结合PLS是一种快速准确的甲醇汽油中甲醇含量分析方法。     

光谱多元分析校正集和验证集样本分布优选方法研究

分析了校正集和验证集样品数随性质分布不均匀性对光谱多元分析校正的不良影响,揭示了实际光谱多元校正中“均值化”现象,即性质值小的样本预测值结果偏大,性质值大的则偏小,提出了一种优选样品新方法—Rank-KS。其综合考虑光谱空间和性质空间对样本进行挑选,将性质空间平均分为若干小区间,在每个小区间内分别利用Kennard-Stone法和随机法进行校正集和验证集样本的挑选,这样得到的校正集和验证集可明显改善样本数随性质分布的均匀性。以红外光谱测定汽油中碳酸二甲酯(DMC)含量和近红外光谱测定二甲亚砜溶液二甲亚砜浓度为研究对象,分别采用Rank-KS、随机法、Kennard-Stone、浓度梯度法和SPXY等方法选择校正集和验证集样品,使用多元线性回归和偏最小二乘法建立模型,比较这些方法对光谱多元校正分析的影响,结果表明Rank-KS方法可改善校正集和验证集样品数随性质分布的均匀性;对于样本数分布中间局部样本多和两端局部少、或者局部没有样本的样本集,使用Rank-KS算法挑选校正集,无论使用MLR还是PLS1建立多元分析模型,均能明显改善其模型预测能力,使得到的模型的预测均方根最小。     

傅里叶变换衰减全反射红外光谱测定车用汽油诱导期方法研究

诱导期是评价汽油氧化安定性的重要指标。国内燃油市场汽油流通量较大,但目前仍采用传统GB/T 8018—87方法测定汽油诱导期,工序繁琐,耗时较长,难以实现对每批油品及时检测,无法满足汽油品质监管需求。为此,本文提出了一种采用傅里叶变换衰减全反射红外光谱（ATR-FTIR）测定汽油诱导期的快速分析方法。设计和集成了一种采用傅里叶变换衰减全反射红外光谱的智能型专用燃油品质快速分析系统,集光谱采集、数据处理、显示与存储等于一体。设计的测样附件由9次反射的衰减全反射（ATR）硒化锌晶体和带密封的不锈钢盖组成,具有光程恒定,注样和清洗方便等优点。研究了光谱扫描次数和重复装样次数对光谱信噪比的影响规律,确定了最佳扫描次数为15次,装样次数为4次。从京津地区收集64个不同牌号、不同生产时间的汽油样本,采用GB/T 8018—87方法测定其诱导期数值作为建模参考数据。使用该系统采集油样红外光谱。对光谱数据进行均值中心化、一阶求导预处理,采用偏最小二乘PLS方法将汽油红外光谱与其诱导期数据进行关联,建立车用汽油诱导期定量校正模型,其决定系数(R2)0.897,校正标准偏差(SEC)68.3 min,预测标准偏差(SEP)91.9 min。模型专用燃油品质快速分析系统预测汽油诱导期的相对偏差均小于5%,满足GB方法重复性允差要求。与传统GB方法相比,该方法操作简单,分析速度快,单个样本检测仅需3 min,对油品储运及销售过程中快速准确品质监管有积极意义。     

近红外光谱法快速测定车用汽油中多种添加剂含量

为解决汽油中添加过量含氧化合物和未列入国家产品标准的添加剂化合物快速检测技术问题,提出了一种近红外光谱结合斜投影算法实现汽油中添加剂含量的快速分析方法。实验选用了四种不同种类的无氧汽油,包括调和汽油、FCC精制汽油、重整汽油和脱硫汽油,配制不同浓度、不同种类的添加剂化合物的系列汽油样品,使用傅里叶变换近红外光谱仪测定其近红外光谱,采用斜投影算法将被测添加化合物光谱信号从汽油光谱信号中分离出来,建立一元回归的标准工作曲线。预测分析中,根据分离的被测化合物光谱和标准工作曲线计算被测样本的添加化合物含量。此方法测定结果与真实含量之间绝对偏差小于0.8,相对偏差小于8%,用于实际汽油样本,此方法与气相色谱标准方法测定结果之间的绝对偏差小于0.85,相对偏差小于6.85%。本方法有效地解决了一般化学计量学多元校正方法建模维护工作量大,模型稳健性差的问题。对开发适合现场油品快速检测和有效加强我国汽油质量监管力度具有重要意义。     

用近红外光谱分析法测定汽油辛烷值

用近红外光谱技术测定汽油辛烷值,在高精度分光光度计上测得１２个汽油标准样品和４个未知样品的近红外区吸收光谱,建立多元统计分析模型,用逐步回归法和偏最小二乘法对模型进行校准,并将其用于未知样品的预估分析,辛烷值的分析精度达到≤±１．０。     

结合SNV的分段直接标准化方法在拉曼光谱模型传递中的应用

为了实现拉曼光谱在不同仪器上的模型传递,文章提出了一种改进的分段直接标准化算法.该方法先利用标准正态变换法对光谱数据进行处理,以减少源机与目标机之间的光谱背景与强度影响,再采用分段直接标准化算法消除不同仪器间对样本信息反应差异,实现拉曼光谱的全谱传递.此外,还提出了传递误差率指标用于对光谱传递效果的定量评价.针对汽油拉...     

一种简便的近红外光谱标准化方法

针对目前近红外光谱分析中模型传递现有方法的局限性,文章介绍了一种简便的近红外光谱标准化方法,并构造了一种新的光谱标准化误差指标(spectra standard error,SSE)作为评价传递结果的指标。SSE为J₂和J₁的比值,这里,J₂表示同一样本在不同仪器上测得的谱线的距离,J₁表示目标机的不同样本相对中心谱线的平均距离。文章首先对不同光谱仪所测得的吸光度谱图进行多项式卷积平滑处理以去除基线,接着采用标准归一法以实现谱图的标准化,并采用多项式卷积滤波以去除噪声。为使SSE达到最小,在处理过程中可进行波长范围和卷积窗口宽度的优化。经过上述处理后的标准化谱图可用于光谱建模分析。该方法不需要预先获得大量样本,也不需要将同一样本在不同光谱仪上测得的谱图进行比较。针对一批汽油样本的试验结果表明,借助于此方法可使SSE从1.418下降至0.167,谱图标准化效果令人满意。     

DS算法在近红外光谱多元校正模型传递中的应用

模型传递问题是近红外光谱分析技术中一个关键的共性基础技术问题。模型传递通过在同一型号的两台仪器之间寻求一种变换关系,使得在一台仪器上建立起的模型能够应用于另外一台仪器样品光谱响应的预测。文章将直接校正(direct standardization,DS)算法应用于化学计量学多元校正中的模型传递,并研究了模型转换集样品的选择方法。在两台AOTF近红外光谱仪上进行了模型传递实验,首先采用Kennard/Stone算法选择转换集样品,然后采用DS方法进行模型传递。实验结果表明采用DS算法取得了较好的模型传递效果。DS算法不仅可以应用于不同仪器之间的光谱分析模型传递,而且该方法对于同一仪器的长时间漂移或者由于部件的更换、测量环境的改变等引入的光谱差异校正也是适用的。     

净信号的局部建模算法及其在近红外光谱分析中的应用

提出了一种基于净信号分析的局部建模算法,以克服光谱定量分析中样本间差异性过大和样本待测性质与光谱之间存在非线性等问题。首先利用净信号分析方法得到校正样本和待测样本的净信号,然后用待测样本净信号和校正样本净信号之间的欧式距离作为样本相似性判据,选取一定数量的与待测样本最相似的校正样本组成局部校正子集,建立局部PLS回归模型。针对一组猪肉近红外光谱数据集的实验结果表明,该方法的预测精度显著优于全局建模方法和基于光谱欧式距离的局部建模方法。     

近红外光谱与烟草样品总糖含量的非线性模型研究

针对烟草样品的近红外 (NIR)光谱与其总糖含量非线性相关的特点 ,提出了一种混合算法用于建立近红外光谱的非线性模型。该算法结合了偏最小二乘法 (PartialLeastSquare ,PLS)算法和人工神经网络(ArtificialNeuralNetwork ,ANN) ,把模型分成两个部分 :线性部分与非线性部分 ,并分别进行建模。与传统的多元校正算法PLS ,主成分回归 (PrincipleComponentRegression ,PCR) ,非线性PLS(NonlinearPLS ,NPLS)等相比 ,该混合算法所建的非线性参数模型的预测结果有明显的改善 ,从而为建立非线性模型提供了一种快速、准确的算法 ,可用于烟草样品总糖含量的定量分析。