FTIR结合SVR对三七总多糖含量快速预测

对中药进行快速质量控制,从整体层面反映中药的安全性与有效性具有重要意义。通过硫酸-苯酚显色反应测定三七总多糖含量,傅里叶变换红外光谱(FTIR)结合支持向量机回归(SVR)建立三七总多糖含量预测模型,以期为三七提供快速准确的质控方法。采集云南省12个产地60个三七样品的红外光谱,紫外分光光度法(UV-Vis)检测样品中总多糖含量。红外光谱经过二阶导数(2D)、正交信号校正(OSC)、小波变换(WT)和变量投影重要性(VIP)筛选等数据优化处理。SPXY算法将所有样本按2∶1的比例划分为训练集与预测集。训练集数据用于建立SVR预测模型,网格式搜索、遗传算法(GA)和粒子群优化算法(PSO)对SVR预测模型进行参数优化,预测集进一步对SVR模型的预测能力进行验证。结果显示：(1)葡萄糖标准品与三七总多糖在490 nm处存在最大共有吸收峰,490 nm可作为三七总多糖检测的定量波长;(2)文山丘北、曲靖师宗及红河蒙自等产地的三七总多糖含量较高,平均含量在25 mg·g-1以上;(3)分析3种参数优化模型的校正均方根误差(RMSEE)与预测均方根误差(RMSEP),与PSO优化模型相比,网格式搜索优化模型欠学习,GA优化模型过学习;(4)PSO-SVR模型对预测集数据预测效果最好,RMSEP=3.120 6,R2_pre=83.13%,预测值与紫外检测值接近。表明FTIR结合PSO-SVR模型能够对三七中总多糖含量进行快速准确的预测,为保证三七稳定、安全与有效用药提供数据。     

高光谱早稻生理指标可跨期预测性的初步研究

叶绿素含量和叶片氮含量是作物生长状况的重要指标,对其实时精准的监测有助于田间生产管理以及作物品质产量的提高。当前,高光谱技术和经验回归方法被广泛应用于构建作物生化参数预测模型。但是,有关同一生命活动周期内,作物跨期预测叶片生化参数的研究还存在空白。以超级早稻为研究对象,分别获取了蘖盛期、孕穗期、齐穗期、灌浆期和成熟期5个时期120组叶片高光谱数据、叶绿素以及叶片氮含量（LNC）,采用python 3.6编程,scikit-learn(0.22.1)用来构建模型和验证评估,通过网格搜索(GridSearch)和五折交叉验证(5-flod cross validation)在训练集中确定偏最小二乘回归(PLSR)、随机森林（RF）、支持向量回归（SVR）3种不同算法的最佳模型参数,结合数据的跨期处理,分别建立针对不同生育期的水稻叶片氮含量跨期预测模型和叶绿素跨期预测模型。此外,评估跨期预测模型与传统非跨期预测模型,独立数据对模型进行检验。结果表明,(1) 基于高光谱的早稻叶绿素、氮素的非跨期预测模型中,PLSR模型预测效果最佳,分别为叶绿素（R2=0.84, RMSE=1.85）、氮素（R2=0.85, RMSE=0.11）。(2) 基于SVR的早稻叶绿素跨期预测模型预测效果最佳,分别为跨分蘖期（R2=0.54）、跨孕穗期（R2=0.36）、跨齐穗期（R2=0.30）、跨灌浆期（R2=0.55）、跨成熟期（R2=0.74）。该结果为利用高光谱数据构建超级稻叶绿素含量预测模型提供新的理论参考,为水稻叶绿素含量的动态监测提供了模型依据。(3)早稻叶片氮含量跨期预测模型的拟合度很差,叶片氮含量预测具有不可跨期性。与非跨期预测模型相比,跨期预测模型虽然精度有所下降,但能有效克服经验模型普适性差的缺陷,有利于在同一生命活动周期内,实现作物不同生育期的生理指标预测,对实际生产管理具有重要意义。研究发现,作物生理指标存在可跨期预测性,这一概念为作物表型、作物内部品质以及产量的预测研究提供了新的思路。     

基于LLE-BPNN的小麦岛海水硝酸盐含量分析

水中过量的硝酸盐会造成部分水生生物难以存活、引发人类尤其是婴儿患病等危害, 因此硝酸盐浓度成为水质检测中的一项重要指标。传统的硝酸盐浓度测量方法操作复杂、反应缓慢,近年许多研究人员开始通过紫外可见（UV-Vis）光谱技术结合人工神经网络（ANN）的方法对水中硝酸盐的含量进行测量。提出了一种将流形学习（manifold learning）方法中的局部线性嵌入（LLE）与反向传播神经网络（BPNN）相结合的建模方法,用以得到硝酸盐光谱曲线与浓度间的关系,实现对青岛市崂山区小麦岛海水中硝酸盐浓度快速准确的定量分析。实验选取了过滤后的小麦岛海水配置59组不同浓度的加标溶液,采用实验室自主研制的光谱分析仪采集这些样本的光谱测量值,通过标准正态变换（SNV）方法对测得硝酸盐溶液的光谱数据进行校正处理,有效降低了由仪器本身或环境带来的噪声影响;选取预处理后的光谱数据的前1 500维处理后进行对比实验,以解决使用BPNN对全部2 048维数据建模时内存不足的问题,再通过网格搜索结合十折交叉验证的方法优化LLE中的邻近点数k和嵌入维数d,得到最优参数值k=15,d=3,实现对实验数据的降维处理;通过BPNN将降维后的训练集光谱信息与其对应的浓度信息进行建模,实现对预测集硝酸盐浓度定量分析,引入决定系数（R2）和预测均方根误差（RMSEP）评价建模效果,与直接使用BPNN建模预测的结果比较,改进方法的R2由0.926 3提升至0.992 8,RMSEP由0.442 5下降到0.280 4,建模预测程序的运行时间由327 s缩短至0.5 s。采用这59组数据的全部2 048维进行LLE-BPNN建模时,得到R2=0.995 7,RMSEP=0.136 5,在用时相近的前提下,相比仅使用前1 500维时的建模精度更好。分析结果表明,LLE-BPNN的方法可实现对海水中硝酸盐浓度的快速预测,使预测精度得到显著提升,同时能大幅降低预测时间。     

基于紫外光谱的水体硝酸盐浓度混合预测模型研究

水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁,传统的检测硝酸盐的方法检测时间长且操作复杂。针对水体中硝酸盐氮难以快速在线检测的问题,基于紫外吸收光谱,提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。按照合适的浓度梯度配备了19组硝酸盐氮标准溶液,通过实验测得不同浓度硝酸盐氮样本的光谱数据。首先基于双波长法对所有样本进行回归分析,按照A=A₂₂₀-2A₂₇₅计算不同实验样本的吸光度A,其中A₂₂₀和A₂₇₅是220和275 nm处样本的吸光度,将吸光度A与样本浓度值进行线性回归,拟合出样本浓度的预测值。结果显示当样本浓度较小时,相关性很好,r为0.997 4,随着实验样本浓度的上升,曲线发生严重的非线性漂移,因此双波长法只适合低浓度样本预测模型的建立。对于高浓度样本,光谱重叠严重,适合建立非线性的预测模型,支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模,LS-SVM预测精度稍高,运算速度稍快。通过对所有的实验样本进行全波长光谱积分,比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值,4 mg·L-1的硝酸盐样本积分值前后变化率最大,因此选择4 mg·L-1作为临界浓度值较为合适。浓度高于4 mg·L-1的实验样本建立LS-SVM预测模型,通过交叉验证的方法选择出合适的参数,正则化参数γ=50,核函数选择高斯核,核函数宽度σ２=0.36,训练样本之后进行回归;其余样本建立双波长法预测模型,最后进行两种模型的数据融合,形成从低浓度到高浓度的水体中硝酸盐浓度的检测。为了验证混合预测模型的预测精度,另外建立了SVM,LS-SVM,偏最小二乘(PLS)等模型,并求出r,预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。验证结果表明,相比于SVM,LS-SVM和PLS等模型,提出的混合模型回归的相关系数为0.999 86,分别提高了1.8%,1.6%和0.45%,预测值与真实浓度的平均绝对误差为2.55%,分别降低了6.27%,4.49%和1.01%,均方根误差为0.303,为四种预测模型中最小,SVM与LS-SVM的相对误差相对较高,PLS模型相对误差上下波动比较大,混合预测模型相对误差最为稳定,并保持在较低水平,由此可见混合预测模型的预测效果明显优于其他几种模型。并与文献[5-7]中的测量方法进行对比,该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度,且不需要试剂,无二次污染,与文献[9]中的预测模型相比,预测精度明显提高。因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度,可为在线监测水体中硝酸盐浓度提供有效的技术参考。     

三维荧光光谱技术结合线性支持向量算法在水体有机污染监测中的应用

针对当前地表水体有机污染的原位快速监测需求,提出一种基于三维荧光光谱技术的水质指标预测模型和水质等级快速判断方法。以扬州市域内多种地表水体的水质监测数据作为模型训练样本,充分利用水体三维荧光光谱信息,结合线性支持向量回归算法（LIBLINEAR）,建立了与化学需氧量（COD_Cr）、高锰酸盐指数（COD_Mn）、氨氮（NH₃-N）、总磷（TP）、总氮（TN）和五日生化需氧量（BOD₅）6项有机污染相关水质指标的预测模型。研究结果表明,6项指标预测模型的训练集和测试集决定系数R2均大于0.73,预测值与国标及行业标准方法分析结果的相关系数r达到0.9以上。利用水质指标预测结果进一步判断有机污染指标相关水质等级,黑臭水体识别率达86%,对Ⅲ类~重度黑臭共6个水质等级的分类准确率为60%。结果说明该方法通过水体三维荧光光谱信息预测水质有机污染指标具有较好的准确性和精度,为广域时空尺度地表水的高效原位监测提供了一种新的解决方案。     

生成式对抗网络的土壤有机质高光谱估测模型

已有的土壤有机质含量估测模型大多以光谱特征波段、线性和非线性模型为基础,较少考虑通过拓展样本数据建模集来提高模型的估测能力。为进一步提高土壤有机质高光谱反演模型估测精度,提出利用生成式对抗网络(GAN)合成伪高光谱数据和有机质含量的动态估测模型。选取湖南省长沙市及周边区域的水稻田为研究对象,采集土样和实测高光谱数据(350~2 500 nm),室内化学测定有机质含量。以高光谱数据和有机质含量为基础,利用生成式对抗网络生成等量新数据, 结合原始数据建模集组成增强建模集。在GAN正式训练中,每轮训练完成后,设置4个观测点(对应增强建模集中含50,100,150和239个生成样本),动态构建交叉验证岭回归(RCV)、偏最小二乘回归(PLSR)和BP神经网络(BPNN)土壤有机质含量估测模型(分别简称GAN-RCV,GAN-PLSR和GAN-BPNN),并在相同测试集上实施模型评估。实验结果表明：(1)原始数据建模集上拟合的估测模型中,交叉验证岭回归表现最佳,决定系数(R2)和均方根误差(RMSE)分别为0.831 1和0.189 6;(2)GAN的150轮正式训练中,增强建模集上动态构建的GAN-RCV,GAN-PLSR和GAN-BPNN模型性能显著提高,具体表现为：GAN-RCV的R2取得最大值0.890 9(RMSE 0.153 7)、最小值0.850 5 (RMSE 0.18)与平均值0.868 7(RMSE 0.168 6),最大R2比建模集上拟合的RCV提高了7.2%(RMSE降低了18.9%),GAN-PLSR获得R2最大值0.855 4(RMSE 0.176 9)、最小值0.727 0 (RMSE 0.243 2)与平均值0.780 1 (RMSE 0.217 7),最大R2比建模集上拟合的PLSR提高了20.6%(RMSE降低了29.5%),GAN-BPNN表现最佳,R2取得最大值0.905 2(RMSE 0.143 3)、最小值0.801 7(RMSE 0.207 3)与平均值0.868 1(RMSE 0.168 6),最大R2比建模集上拟合的BPNN提高了30.8%(RMSE降低了44.5%);(3)随着增强建模集中生成样本数量增加,模型精度提升效果呈先升后降趋势,4个观测点中第3个观测点的模型性能提升最显著。充分的实验表明：基于GAN动态构建的有机质含量估测模型显著改善了模型预测性能。依据测试集上的评估结果,可择优使用最佳模型进行后续土壤有机质含量估测。     

基于激光诱导击穿光谱和化学计量学的水体COD实时测量方法

光谱学传感技术测量水体COD是现代环境监测发展的趋势,相比于传统的化学分析方法具有在线连续检测的突出优势,适合对环境水体COD的实时监测。采集实际水样,利用激光诱导击穿光谱技术(LIBS)获取水样的光谱数据。通过不同的光谱预处理方法结合偏最小二乘法建立水样的COD定量预测模型,对水体COD的LIBS光谱测量方法的定量预测及相关模型参数进行分析。发现用基线校正叠加S-G求导预处理后的光谱建立的PLS模型得到最佳预测效果,校正集集R2为0.9958,预测集R2为0.975 3,RMSEC为4.438 7,RMSEP为9.733 9。通过实验结果分析表明光谱传感技术可用于环境实际水体COD的定量预测分析,为开发便携式水体检测设备奠定了理论基础。     

应用粒子群优化算法对鸭肉中四环素残留含量的同步荧光光谱快速测定

四环素在NaOH存在的条件下能降解生成具有强荧光特性的异四环素,应用同步荧光光谱结合小波去噪、粒子群优化算法(PSO)和支持向量回归(SVR)建立鸭肉中四环素残留含量的预测模型,可实现鸭肉中四环素残留含量的快速测定和提高预测模型的精度。首先应用平行因子分析法(PARAFAC)确定检测鸭肉中四环素含量的最佳波长差Δλ为70 nm;然后对同步荧光光谱进行db6小波的2层分解的小波去噪及去噪后的光谱归一化处理,并利用PSO筛选出了6个荧光特征波长;最后应用PSO优化SVR模型参数(c, g),进而对在PSO筛选的特征波长光谱条件下建立的PSO-SVR,PLS,PCR模型以及在全光谱条件下建立的PSO-SVR模型进行性能比较,结果表明,以在PSO筛选的特征波长光谱条件下建立的PSO-SVR模型预测能力更强,其预测集的相关系数(r)和均方根误差(RMSEP)分别为0.952 0和17.6 mg·kg-1。说明PSO能够有效提取鸭肉中残留四环素所对应的荧光特征波长,且PSO-SVR预测模型能满足鸭肉中残留四环素的快速测定要求。     

基于IERT的非线性全光谱复杂水体定量分析算法研究

水是一种有限的资源,对农业、工业乃至人类的生存都是必不可少的,良好的水环境是可持续发展的重要保障。对水质信息的科学监测,是实现水资源优化配置与高效利用的基础。联合国环境署（UNEP）与世界卫生组织（WHO）指出,应当加强发展中国家的水质监测网络,包括数据质量的保证和分析能力的提高。光谱法作为一种新兴的水质分析方法,相比传统的化学水质监测方法,具有“响应速度快、多参数同步、绿色无污染”的特点。传统单波长、多波长的线性模型依赖于水体对特定波长的吸收特征,不适用于多组分混合溶液且普适性较差。因此,提出了一种基于IERT的非线性全光谱定量分析算法,建立适用于多组分混合溶液浓度预测模型,达到利用全光谱信息来预测浓度信息的目的。利用实验室配置的COD,BOD₅和TOC多组分混合溶液与NO₃-N、浊度、色度多组分混合溶液作为实验样本,使用光谱仪采集样本的光谱曲线,通过全光谱数据进行浓度预测实验,结果显示,对于COD,BOD₅和TOC多组分混合溶液,本算法对于三种组分的决定系数（R2）分别为0.999 3,0.991 4和0.999 3,均方根误差（RMSE）分别为0.024 4,0.057 7和0.000 4;对于NO₃-N、浊度、色度多组分混合溶液,决定系数（R2）分别为0.983 4,0.868 4和0.981 0,均方根误差（RMSE）分别为0.100 5,0.326 4和0.120 2。通过对比本算法与偏最小二乘（PLS）、支持向量机回归（SVR）、决策树（DT）、极端随机树（ERT）对于同一组数据的实验结果,表明：在两组多组分混合溶液的实验中,本算法对于其中各组分的决定系数（R2）均为最优,相比于其他对比算法均方根误差（RMSE）均有大幅减少。本算法可利用光谱信息对多组分混合溶液进行定量分析,在计算时间相当的情况下,可有效的提高浓度预测精度,减少定量分析的均方根误差,可为光谱法水质监测提供一种新的有效途径。     

多光谱数据融合和GANs算法的COD浓度预测

水体中过高浓度的有机污染物含量危害巨大,不仅会造成严重的环境污染,而且会危害人类身体健康。化学需氧量(COD)表征了水体中有机污染物的污染程度。提出了一种将紫外(UV)光谱和近红外(NIR)光谱进行多光谱数据级融合(LLDF)和特征级融合(MLDF),进而构建基于生成对抗式网络(GANs)算法的COD浓度定量预测模型。首先按照一定的浓度梯度配制COD标准液样本,分别采集标准液的UV光谱(190～310 nm)和NIR光谱(830～2 100 nm),对获取到的UV和NIR光谱数据进行一阶导数和Savitzky-Golay (S-G)平滑的预处理,消除基线漂移和干扰噪声;基于预处理过的光谱,直接进行数据级和特征级的数据融合,结合GANs算法搭建COD浓度预测模型。并使用评价参数相关系数的平方(R2)、预测值与真实浓度值的均方根误差(RMSEP)和预测偏差来对模型进行评价。结果表明,不论是特征级融合模型还是数据级融合模型都不够理想。分析原因可知,由于UV和NIR波段数据量不均衡,导致NIR波段掩盖掉了UV光谱的模型贡献度,让光谱融合失去意义。为了避免融合失败,拟采用归一化的方法处理多光谱数据,并讨论了标准归一化(SNV)、最大最小归一化(MMN)和矢量归一化(VN)对建模的影响。将经过归一化后的UV和NIR光谱数据再次进行融合,分别作为GANs模型的输入X,将真实测量COD值作为输出值Y,建立不同归一化方法处理后的COD浓度预测模型。建模结果显示,采用不同归一化方法对多光谱数据融合模型的影响较大,不论是数据级融合模型还是特征级融合模型的预测精度较未归一化之前有明显的提升,其中采用最大最小归一化的预测模型效果提升最为明显。与单一谱源的全波长UV波段的GANs预测模型、全波长NIR波段的GANs预测模型进行对比来验证多光谱数据融合GANs预测模型的精度,结果表明：基于UV和NIR光谱的特征级光谱融合模型的R2为0.994 7,RMSEP为0.976,比数据级融合的预测模型误差降低了52.9%,预测回收率为98.4%~103.1%,远好于其他几组,模型的泛化能力更强,预测精度也更高。与单一谱源的预测模型相比,多光谱数据融合能反应更多的水体样品的化学信息,更加全面揭示水体的污染物程度,从不同的层面上反应水体中污染物的差异,为在线监测水体中COD浓度提供一定的技术支持。     

Change Point Test for the Conditional Mean of Time Series of Counts Based on Support Vector Regression

This study considers support vector regression (SVR) and twin SVR (TSVR) for the time series of counts, wherein the hyper parameters are tuned using the particle swarm optimization (PSO) method. For prediction, we employ the framework of integer-valued generalized autoregressive conditional heteroskedasticity (INGARCH) models. As an application, we consider change point problems, using the cumulative sum (CUSUM) test based on the residuals obtained from the PSO-SVR and PSO-TSVR methods. We conduct Monte Carlo simulation experiments to illustrate the methods’ validity with various linear and nonlinear INGARCH models. Subsequently, a real data analysis, with the return times of extreme events constructed based on the daily log-returns of Goldman Sachs stock prices, is conducted to exhibit its scope of application.     

顺序注射-连续光谱测定水质多参数方法研究

针对水质多参数监测仪器的低功耗、微型化、集成化和智能化,研制了一种基于顺序注射分析技术（SIA）和连续光谱检测方法融合的微型测定原位水质多参数检测仪,系统设计的核心在于消解池结构设计且消解池作为检测池,以及微控技术顺序注射平台的原理设计和多参数联合消解测定流程设计。对融合SIA和连续光谱水质多参数原位分析的新方法进行实验研究。设计了基于国标水质检测标准的多参数顺序注射分析检测流程,基于分光光度检测方法,在使用连续光谱扫描测量的条件下,融合顺序注射分析技术对亚硝酸盐氮、硝酸盐氮、总氮、总磷的含量进行检测。测定消解前,对硝酸盐氮、亚硝酸盐氮进行直接光谱测量,测定消解后对总氮进行光谱检测,显色反应后,对总磷进行光谱检测。在本系统下,以亚硝酸盐氮、硝酸盐氮、总磷和总氮原位水质参数为测定对象,基于连续光谱分析,最小二乘法建立回归模型并绘制各参数的浓度-吸光度标准工作曲线,其拟合优度（即决定系数）≥0.989 9。配制已知亚硝酸盐氮、硝酸盐氮、总氮、总磷含量的混合溶液,按照上述的多参数检测流程,利用本系统绘制出的标准工作曲线测量4个参数,实验结果表明,实验参数重复性（相对标准偏差）RSD≤3.86%,系统可稳定、高效的分析不同水样中的亚硝酸盐氮、硝酸盐氮、总氮、总磷含量。基于SIA-连续光谱融合测定原位水质多参数检测方法研究,对于提升在线水质监测仪器的技术性能具有重要作用,微型多参数水质监测仪的研制具有良好的参数扩展前景,适用于多种水质在线监测平台。     

改进的FastICA-SVR结合荧光光谱技术测定1-萘酚、2-萘酚

水作为生命之源与人类的生存息息相关，近年来关于水环境污染的报道越来越多，不容忽视。实验以萘酚的两种同分异构体1-萘酚、2-萘酚的混合物作为研究对象，提出了一种新的算法，通过对混合物的三维荧光光谱进行分析来实现水中萘酚的定性定量分析。利用FS920稳态荧光光谱仪对配制的混合溶液进行扫描得到荧光光谱数据，并对数据进行一系列的预处理去除拉曼散射和瑞利散射的影响。将解决盲源分离(BSS)问题的独立成分分析(ICA)算法应用到荧光光谱定性定量分析问题当中，盲源分离技术就是将测量得到的混合信号作为处理对象进行分解，实现未知系统中源信号的求解，并得到混合矩阵。对混合物中单一物质的识别与测量与盲源分离问题类似。采用基于负熵最大的快速独立成分分析(FastICA)算法对实验数据进行分解，将所有样本的三维荧光光谱数据沿发射波长方向展开成为向量，得到一个大小为(N×M)的矩阵(N为样本数，M为波长数)，将该矩阵作为快速独立成分分析的输入进行独立分量提取，输出分别为单组分物质的展开荧光光谱和混合矩阵。FastICA算法的关键是利用牛顿迭代算法得到解混矩阵，但迭代过程中复杂的求导问题会使计算量增大、迭代速度减慢，针对该算法存在的问题，提出用差分法(又称为双点弦截法)代替求导的解决方法。为了验证算法的可行性，用改进后的算法和原有算法分别对荧光光谱数据进行了五次独立分量提取实验，原有算法平均运行时间为17.78 s，而改进后的算法平均运行时间为3.22 s，比原有算法提高了14.56 s，有效地减少了计算量，改善了FastICA算法的迭代速度并且使其收敛性更加稳定。通过实验结果可以看出改进后的算法得到的光谱更接近真实的光谱。利用快速独立成分分析算法分解得到的混合矩阵与物质浓度相关，这是物质定量分析的依据，但它们之间的关系可能是非线性的，采用能实现非线性拟合的支持向量回归机(SVR)进行回归预测，将混合矩阵和实际浓度矩阵分别作为SVR的输入和输出，利用遗传算法(GA)对支持向量回归机的参数进行优化选择，并选择径向基核函数(RBF函数)作为SVR的核函数，建立回归模型，实现对荧光光谱的定量分析。1-萘酚的拟合相关系数(r)为0.998 6，样品回收率(Recovery rate)为96.75%～104.2%，预测均方根误差(RMSEP)为0.119 μg·L-1；2-萘酚的拟合相关系数为0.998 8，样品回收率为96.8%～105.5%，预测均方根误差为0.1 μg·L-1，预测结果比较令人满意，符合预测要求。实验证明改进的基于负熵最大的FastICA-SVR算法能实现对混合物中1-萘酚、2-萘酚准确有效的识别和测量，并且改进之后加快了算法的分解速度。     

基于核函数与可见光光谱的大豆植株群体净光合速率预测模型

采用美国MSR-16便携式多光谱辐射仪,通过推导的辐射仪有效观测面积公式,计算出测试单元数量,有效解决了测量区域可见光各波段光谱辐射配比关系M_D所需测量次数不确定的难题。采用美国CID公司生产型号为CI-310便携式光合作用测定系统,测量大豆植株群体净光合速率C_D。通过[0, 1]归一化方法对M_D和C_D进行归一化处理,分别得到归一化数据M_D₁和C_D₁。按不同测试时间划分,将M_D₁分成两部分数据M_D₁₁和M_D₁₂,将C_D₁分成两部分数据C_D₁₁和C_D₁₂。使用polynomial核函数、gauss核函数、sigmoid核函数和自主研发的bio-selfadaption核函数,利用grid-search,Genetic Algorithm,Particle Swarm Optimization对支持向量机惩罚参数c和参数g寻优,在支持向量机epsilon-SVR公式、nu-SVR公式条件下,通过四种核函数、三种优化方法、两种公式的交叉组合、M_D₁₁、C_D₁₁,建立大豆植株群体净光合速率预测模型。试验结果表明,在大豆植株试验区域面积S=17 m2和MSR-16便携式多光谱辐射仪放置于大豆植株冠层上方高度H=2 m条件下,epsilon-SVR-bio-selfadaption-grid-search模型对预测集1 C_D₁₂的预测精度达到85%以上,对预测集2 C_D₁₂的预测精度达到82%以上。在S和H其他组合条件下,epsilon-SVR-bio-selfadaption-grid-search模型对预测集2 C_D₁₂的预测精度达到81%以上。epsilon-SVR-bio-selfadaption-grid-search模型表明了bio-selfadaption核函数有效性、测量区域可见光光谱数据方法合理性、利用可见光光谱预测大豆植株群体净光合速率可行性。     

采用极限学习机的流场积分吸光度快速测量方法

发动机是飞行器动力系统的核心组件,发动机流场的动态监测可以掌握发动机内部流场的燃烧情况,对于飞行器状态监测和性能评估具有重要意义。拥有先进的诊断技术是发展发动机技术的基础,也是研制新型航空航天飞行器的必要条件之一。激光吸收光谱技术可以实现燃烧场气体参数的测量,在发动机严苛的流场环境中,吸收光谱波长调制技术（WMS）可以提高信噪比。但基于WMS解算积分吸光度和温度、浓度二维分布的方法都是以模拟退火算法（SA）为核心,因此存在执行时间较长的问题。根据随时间演化的流场光谱参数、光线分布为固定信息这一内在关联性,以及已有的WMS方法可以计算积分吸光度值,采用机器学习方法建立谐波信号（S_2f/1f）与积分吸光度（A）的模型,选择极限学习机算法（ELM）,其训练时间短,预测结果快。利用神经网络可以逼近真值的特性,仿真确定光线布局下不同流场模型的S_2f/1f和A,构造数据集对神经网络开展模型训练。在数值仿真验证中,共仿真2 000组数据集,随机选取1 800组作为训练集训练模型,其余200组作为预测集,统计测试集的预测积分吸光度平均相对误差为1.058%,决定系数平均值为0.999,验证了训练模型的可靠性。为进一步探究模型的抗噪声性,采用的方法是在测试集S_2f/1f数据集中分别加入3%,5%和10%的随机噪声,统计预测积分吸光度平均相对误差分别为3.1%,4.6%和8.1%,这一结果可以表明ELM具有较好的抗噪声性。基于该方法,在直连式超燃冲压发动机上开展验证实验,实验有效时长为5 s,采集数据约10 GB,分别采用ELM和WMS两种方法解算积分吸光度,对比发现：结果基本一致,且相比执行时间数小时的WMS方法,ELM预测积分吸光度耗时仅为15 s左右,实现了发动机流场积分吸光度的快速测量。     

基于偏最小二乘增量式神经网络的近红外光谱定量分析模型

提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传播神经网络(BPNN),不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘(PLS)回归,所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值,且自变量的主成分个数作为隐层的节点数。当获得新的样本时,对新数据与历史负荷矩阵组合后进行PLS回归,将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值,接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光谱数据上测定后比较。对于烟气中二氧化碳浓度的预测,所提模型的预测均方根误差(RMSEP)分别降低了27.27%,58.12%,19.24%和14.26%;对于烟气中一氧化碳浓度的预测,所提模型的RMSEP分别降低了20.65%,24.69%,18.54%和19.42%;对于烟气中甲烷浓度的预测,此模型的RMSEP分别降低了27.56%,37.76%,8.63%和3.20%。实验结果表明,所提模型不仅通过PLS对BPNN结构和初始权重的优化,使模型具有较强的预测能力,而且能在已建模型信息的基础上,不访问旧数据而用新增样本即可完成自身的增量式更新,从而使模型具有较好的稳健性和泛化性。