粒子群优化算法在混合气体红外光谱定量分析中的应用

通过将粒子群优化技术及BP神经网络技术相结合,建立了三种烃烷混合气体的红外光谱定量分析模型。混合气体主要由甲烷、乙烷、丙烷三种组分气体组成,三种组分气体浓度范围分别为0.01%～0.1%。文章首先采用主成分分析技术从红外光谱1 866个数据中提取了5个特征变量作为神经网络的输入,将气体浓度作为网络输出。然后将粒子群优化算法与BP神经网络技术相结合,对网络的隐含层节点数进行了优化选择。再对结构优化后的网络进行训练,建立气体分析模型。分析模型的标准气体验证实验结果表明,采用此方法建立混合气体红外光谱定量分析模型所用时间(大约4 600 s)比单纯采用BP神经网络进行遍历优化建模所用时间(大约24 500 s)降低5倍以上,模型预测精度水平相当,网络结构大致相同,具有一定的实践意义和应用潜力。     

直接正交信号校正算法在烷烃类多组分气体定量分析中的应用

针对烷烃类多组分混合气体中红外光谱存在的基线漂移问题,提出一种直接正交信号校正算法用于光谱数据预处理。实验中采用傅里叶变换红外光谱仪采集了936组混合气体样本的光谱数据,混合气体主要由不同浓度范围的七种组分气体组成。将直接正交信号校正算法与导数算法进行了对比分析,采用偏最小二乘回归方法建立了各组分气体定量分析模型,并对模型参数(主元个数、导数步长及正交分量的个数)进行了遍历优化选取最优分析模型。结果表明直接正交信号校正算法对于中红外光谱基线校正效果最好,直接正交信号校正算法用于烷烃类混合气体中红外光谱基线校正可行,效果良好,具有一定的实用和研究价值。     

改进型 PSO‐SVM算法对井下多组分气体定量分析的研究

对于多组分混合气体定量分析而言,基于特征光谱的定量分析技术具有不可比拟的优势,而定量检测效率与精度取决于其采用的光谱数据处理算法的优劣。优化光谱分析算法参数与改进光谱数据处理方式是提高定量分析速度与精度的重要手段。针对井下多组分气体定量分析建模过程中支持向量机(SVM)参数难以确定,并且随组分数增多而呈指数增长的光谱数据运算量的问题,提出了一种改进型粒子群优化-支持向量机(PSO-SVM)算法。该算法主要针对多组分气体混合光谱数据量大,光谱特征信息存在交叠的问题进行研究。通过粒子变异约束PSO算法的收敛路径,再通过粒子信息共享提高模型优化效率,最后利用设置动态不敏感区提高模型精度。设计了一种井下多组分气体快速定量检测系统。该系统由CPU控制信号调制模块驱动红外光源,信号光经过滤尘除湿后的气室照射在探测器上。在压力与温度传感器补偿的基础上,由信号处理模块将探测得到的光信号量化传入CPU,最终,结合改进型PSO-SVM算法实现各组分气体浓度的定量分析。在完成井下实际样气采集、预处理的基础上,对浓度范围0～10.0%的CH₄和浓度范围0～1.0%的C₂H₆,C₃H₈,SO₂和CO₂共5种组分的混合气体进行了测试,获得了800组红外光谱数据,其中训练集400组,验证集400组。采用SVM建立了多组分气体的定量分析模型,利用改进型PSO对SVM中的参数进行了优化,并将获得的最优参数重建了定量分析模型。对采集的红外光谱数据分别由本算法与传统BP网络算法进行各组分气体浓度反演,实验结果显示,由于变异粒子对其产生的约束,使最优值收敛范围变小,从而提高了收敛速度,该算法建模时间仅为传统方法的1/10;由于通过气体光谱特性给出不敏感区,使特征光谱计算时交叉敏感效率降低,从而提高了模型预测的准确度,平均误差约为传统方法的1/5。由此可见,该算法在全局优化及快速收敛方面得到了显著提升,改进型PSO结合SVM用于井下多组分气体定量分析是可行的。改进型PSO-SVM算法对于多组分气体混合红外光谱数据的分离具有很好的适用性,其有一定的实际应用价值。     

混合气体红外光谱支持向量机分析的新方法

介绍了一种基于支持向量机的混合气体红外光谱组分浓度和种类分析的新方法。利用核函数将组分气体特征吸收谱线重叠严重的混合气体光谱在高维空间变换后,建立SVM回归校正模型,进行混合气体浓度分析。在利用支持向量机回归校正模型进行混合气体组分浓度分析的同时,证明支持向量机回归校正模型也可用于混合气体组分种类分析。对不同组分和不同组分浓度的混合气体红外光谱数据进行了实验,研究了谱仪扫描间隔、分析特征波长范围、核函数和惩罚因子等因素对分析结果的影响。混合气体组分浓度实验结果的最大平均绝对误差Mean AE为0.132%;混合气体组分种类识别的准确率大于94%。解决了传统的光谱分析方法中光谱特征谱线重叠、光谱数据的维数大、定性和定量分析无法使用同一方法等问题,可用于其他混合气体的红外光谱分析,具有实际应用价值。     

支持向量机在混合气体定量分析中的应用

针对使用掺铥光纤激光器的气体传感系统进行混合气体测量时,吸收谱线重叠较为严重且相互交叉吸收干扰的现象造成的测量误差大、分析精度低的问题,提出一种基于自适应变异粒子群优化的支持向量机(SVM)方法,用于建立混合气体体积分数定量分析预测模型。对体积分数为0.5%～2%的氨气(NH3)和2%～5%的二氧化碳(CO₂)混合气体的吸收光谱数据进行采集和处理,利用自适应变异粒子群优化(AMPSO)算法对SVM模型参数进行寻优,利用获得的最优模型参数构建氨气和二氧化碳气体体积分数定量分析模型,并与标准粒子群优化算法和网格搜索法进行对比。实验结果表明,基于自适应粒子群优化算法建立的氨气和二氧化碳气体体积分数定量分析模型在较为合适的寻优时间下,可以得到最佳的均方误差,效率较高,该模型对测试集中氨气和二氧化碳气体体积分数设定值与预测值的均方误差分别为0.000088和0.000170,决定系数R²均为0.9998,满足混合气体检测要求。     

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE (φ×10－60较仅用SVR模型预测的RMSE (φ×10－6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。     

一种传感器特性的高精度拟合方法

为提高传感器非线性特性的拟合精度,提出了一种基于最小二乘支持向量机(LSSVM)与量子粒子群优化算法(QPSO)的传感器特性拟合方法;该方法采用最小二乘支持向量机构建传感器特性的非线性回归模型,模型的参数向量由量子粒子群优化算法和学习样本平均绝对误差最小的准则进行优化;实验结果验证了该方法的有效性,其拟合绝对误差在10-9~10-7%之间,其拟合性能明显优于常规方法。     

电击死与死后电击的心脏组织光谱模式识别

在司法鉴定领域,涉及电击死亡的案件多发,鉴别死者是生前还是死后受到电击仍是法医病理学鉴定的难点问题之一。为此通过傅里叶变换红外光谱融合机器学习模型对心脏组织视角下的电击死和死后电击两种情况开展分类识别研究。将30只大鼠进行电击死、死后电击和对照处理,通过光谱仪扫描得到其心脏组织光谱,采用竞争性自适应重加权算法共提取到70个光谱特征波长,建立随机森林模型对特征波长提取前后的心脏组织光谱进行模式识别;结果表明,特征波长提取前后模型分类识别的准确率分别为34.9%和73.7%,验证了特征波长提取方法的有效性和必要性。同时建立偏最小二乘模型、传统支持向量机以及粒子群算法和灰狼算法优化的支持向量机模型进行分类识别,结果表明,模型分类识别的准确率分别为61.07%、 34.48%、 100%和98.46%,对比发现经特征提取后的粒子群优化支持向量机模型分类识别效果最好。为排除“生物学死亡期”的干扰,又取60只大鼠按同种方式对其处理,每组又分死后0.5 h和死后1 h 2个亚组,再次通过傅里叶变换红外光谱仪扫描得到光谱数据,数据预处理后将其与之前得到的数据进行一并处理并结合粒子群优化支持向量机模型分...     

基于粗糙集核优化的支持向量机在多组分污染气体定量分析中的研究与应用

研究基于粗糙集核优化的支持向量机(RS-SVM)在红外光谱定量中的应用。通过粗糙集分类的方法对多组分污染气体红外光谱对应的特征波长段进行核函数初始数据的优化,再将优化后的核函数带入支持向量机,从而将二维混合光谱信息投影到高维空间,再进行单种气体浓度的反演运算。通过采用LS-SVM和PCA-SVM两种典型的光谱数据处理算法作对比,对五种混合气体各组分定量分析进行比较。当光谱可分度高时,三种方法的预测值都接近标准值,平均误差接近于0.13;而当光谱可分度低时,RS-SVM的预测值比前两种更精确,且当待测种类越多时,该方法精度和运算时间的优势越显著。     

拉曼光谱结合PSO-LSSVM算法检测三组分食用调和油含量

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。以三组分的食用调和油为研究对象,对拉曼光谱分四步进行了预处理,进而准确提取拉曼光谱的特征峰强度。以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值,建立LSSVM和PSO-LSSVM数学模型,通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大,导致模型的预测精度和泛化能力过度依赖于参数--在优化步长过小时耗时较长,过大时又无法得到全局最优值。提出的PSO-LSSVM算法,利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化,从而克服LSSVM算法中耗时与盲目性的问题。分析结果表明,PSO-LSSVM算法对三组分食用调和油中大豆油、花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7,0.997 2,0.995 3;均方误差分别为0.054 9,0.009 2,0.047 1。与LSSVM算法相比,PSO-LSSVM模型的预测精度更高。因此,该方法可以快速、准确地检测三组分食用调和油的含量。     

应用近红外光谱技术快速检测果醋糖度

为了对果醋糖度值进行快速准确检测,应用近红外光谱技术并结合最小二乘支持向量机分析方法建立了果醋糖度检测模型.应用近红外透射光谱获取五种类型共计300份果醋样本的光谱透射曲线,利用主成分分析方法对原始光谱数据进行降维处理,根据主成分的累计贡献率选取6个主成分.选取的主成分即作为光谱优化特征子集以替代原来复杂的光谱数据.随后将300份果醋样本数据随机分为定标集和预测集,利用最小二乘支持向量机在225个定标集样本数据基础上建立起果醋糖度预测模型,应用此模型对75个预测集样本进行糖度预测.根据预测均方根误差(RMSEP)和预测结果的相关系数(r)对预测模型进行评价,利用此模型得到的样本糖度预测值r=0.993 9,RMSEP=0.363,均达到了较好的预测效果.     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

基于PCA和LS-SVM的傅里叶变换近红外光谱的黄酒酒龄的鉴别模型

利用傅里叶变换近红外光谱技术,对黄酒酒龄鉴别的模型进行研究。对绍兴黄酒样本光谱主成分进行提取与分析,并发现前3个主成分具有较明显的聚类特征。其次,利用LS-SVM模型对不同主成分数进行分类和寻优,发现当主成分数为6时达到判别的正确率是100%,此时模型的两个参数γ和2σ分别为61.890和1.769。研究表明,利用傅里叶变换近红外光谱技术并结合主成分分析(PCA)和最小二乘法支持向量机(LS-SVM)可作为一种可靠、准确、快速的检测方法用于黄酒酒龄定性鉴别分析。     

应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究

提出了应用光谱和纹理特征的高光谱成像技术早期检测番茄叶片早疫病的方法。利用高光谱图像采集系统获取380～1 030 nm范围内71个染病和88个健康番茄叶片的高光谱图像,同时采用主成分分析法(PCA)对高光谱图像进行处理。选取染病和健康叶片感兴趣区域(region of interest, ROI)的光谱反射率值,同时分别从前8个主成分的每幅主成分图像的ROI中提取对比度(Contrast)、 相关性(Correlation)、 熵(Entropy)和同质性(Homogeneity)4个灰度共生矩阵的纹理特征值,再通过PCA和连续投影算法(SPA)结合最小二乘支持向量机(LS-SVM)构建番茄叶片早疫病的早期鉴别模型。建立的6个模型中,采用光谱反射率值的LS-SVM模型对番茄叶片早疫病的识别率最高,达到100%。结果表明,应用高光谱成像技术检测番茄叶片早疫病是可行的。     

布谷鸟搜索的润滑脂特征红外光谱波段优选技术

针对润滑脂分类,提出了基于布谷鸟搜索的红外光谱波段筛选方法,有效剔除了易受噪声等环境影响的红外光谱区域、实现了对庞大光谱数据进行特征选择和降维处理、通过筛选光谱最优波段建立了更加准确高效的润滑脂分类模型。以三类不同稠化剂润滑脂的红外光谱数据为研究对象,采用主成分分析法(PCA),对不同波段的红外光谱数据进行压缩,以提取的红外光谱主要成分作为输入,润滑脂稠化剂类别作为输出,通过布谷鸟搜索法(CS),对主要成分权重和分类核参数进行准确度寻优训练,建立分类识别预测模型。对所建立的模型再进行分类准确性测试,得到模型测试结果准确度,建立红外光谱波段和测试准确度之间的联系,得到润滑脂最优类别识别模型和最优分类波段。对所建立的模型再进行分类准确性测试,结果显示：经过布谷鸟搜索法训练加权后的主要特征呈现明显聚类现象,可以得到分类核,实现对润滑脂种类的准确识别;在搜索过程中提供了区分不同润滑脂的推荐波段和特征峰,使对润滑脂的正确鉴别概率由全波段建立分类模型的94.44%提高到筛选后特征波段建立分类模型的100%,并减少了运算时间、提高了搜索运行效率。     

特征提取算法在福美双表面增强拉曼光谱定量分析中的应用

表面增强拉曼散射(SERS)技术具有快速、指纹效应与极低的检测限等优点,被越来越多地应用到有害污染物、有毒物质、危险物质的检测与分析中。在SERS光谱的测量过程中,易受基底、仪器、宇宙射线与测量环境等因素影响,出现波动现象,对后续的分析与检测造成较大的干扰。基于农药福美双SERS光谱数据,尝试利用多种特征提取算法,如主成分分析(PCA)、离散余弦变换(DCT)、非负因式分解(NMF) ,对光谱的主分量进行提取,以减弱光谱数据波动对其后续的定量分析结果的影响。然后将提取后的分量分别结合线性回归算法——偏最小二乘法回归(PLSR),非线性回归算法——支持向量机回归(SVR)建立定量模型。最后,利用5-折交叉验证方法对比不同特征提取算法在不同类型的回归算法下的效果。通过实验验证可知,SVR对福美双溶液的分析精度要明显高于PLSR,这主要是由于SERS光谱强度与被分析物浓度之间为非线性关系。同时针对两种类型回归算法,特征提取算法都能明显地提升了分析结果,主要是由于其提取了源数据的主体信息,去除干扰信息。其中在线性回归中使用PCA效果最佳,在非线性拟合中使用NMF结果最佳,分析误差最好时可降低近3倍。最优回归模型(NMF+SVR)的交叉验证均方误差(RMSECV)为0.0455 μmol·L-1(10-6 mol·L-1),达到国家对福美双的检测标准,为农药快速检测提供一种新的方法。     

激光诱导击穿光谱的自组织特征映射结合相关判别对天然地质样品分类方法研究

激光诱导击穿光谱技术具有微损、原位、快速分析的特点,在样品分类识别、成分分析等领域有广阔的应用前景。为探索该技术在天然地质样品识别应用的可行性,提出了一种自组织特征映射神经网络结合相关判别对天然地质样品LIBS光谱分类识别的方法。为减小全谱中背景噪声等不相关数据干扰、降低计算量,在元素谱线归属的基础上进行了特征谱线提取,实现了高维光谱数据的降维。以特征谱数据为输入建立网络训练模型,得到具有输入样本特征的权向量,通过权向量与待测样本进行相关分析可以实现样品分类。对16种天然地质样品的分类算法实验证明,在全谱、主成分降维和特征谱段三种数据处理方法中,特征谱的降维和提取LIBS数据主特征效果最优。改进的SOM网络结合相关判别算法比支持向量机方法和直接应用SOM网络方法的分类准确度更高,初步证实了该方法的有效性。     

多源光谱特征组合的COD光学检测方法研究

水样的化学需氧量大小直接决定水质的污染程度,传统的检测方法都是源于氧化还原反应,对水样会造成二次污染。为此,提出一种基于多源光谱特征组合的水质化学需氧量光学检测方法,以不同地点实际水样为被测对象,分别采集其紫外和近红外光谱曲线,进行预处理后,通过非负矩阵分解算法进行光谱数据的特征提取、数据特征归一化,然后将组合特征输入训练集样本,通过粒子群最小二乘支持向量机算法对验证集水样的化学需氧量进行定量预测。讨论了非负矩阵分解算法中基光谱数目对预测模型的影响。实验结果显示,紫外光谱的最佳基光谱数目为5,近红外光谱的最佳基光谱数目为2;预测模型的验证集平方相关系数为0.999 8,预测均方根误差为3.26 mg·L-1;分别与不同特征提取方法(主成分分析, 独立成分分析)、不同光谱法(紫外光谱法, 近红外光谱法)以及不同的组合方式(数据直接组合, 先组合数据再提取特征)加以比较,表明非负矩阵分解算法更适合光谱数据的特征提取,粒子群最小二乘支持向量机算法作为实际水样的定量模型校正方法可以得到良好的预测精度。     

基于互信息熵-近红外光谱的过程模式故障检测

近红外光谱分析在工业过程故障检测方面具有独特的优势,是一种准确且高效的方法。结合互信息熵和传统的主成分分析,对近红外光谱特征信息进行提取,通过构建过程的模式来刻画工业过程的运行状态。利用近红外光谱数据,从有机分子含氢基团振动信息中获取工业系统的过程模式,从微观分子层面探索提高工业过程故障检测准确率的有效方法,结合贝叶斯统计学习技术,提出了基于近红外光谱数据的工业过程故障检测技术。针对近红外光谱信息量丰富,谱带较宽,特征性不强的特点,首先对工业过程不同运行状态下的近红外光谱吸光度数据进行一阶导数预处理,采用主成分分析法（principal component analysis,PCA）压缩光谱数据量,扩大不同运行状态下光谱特征信息的差异性,提取光谱的内部特征信息。然后采用互信息熵（mutual information entropy,MIE）作为光谱特征信息相关性度量函数,基于最小冗余最大相关算法进一步减少光谱特征信息间的冗余并最大化光谱特征信息与类别的相关性,弥补了PCA无监督特征波长选择的不足,提出一种基于PCA-MIE的过程模式构建方法,获得的过程模式子集更紧凑更具类别表现力。再利用贝叶斯统计学习算法,根据后验概率对构建的模式子集进行决策,判别生产过程的正常状态和故障状态。由于过程模式子集结合了PCA浓聚方差的优势和互信息熵相关性测度的特征信息选择方法,蕴含了更多的近红外光谱的本质信息与内在规律,从而更能刻画工业过程的运行状态。接着,设置测试准确率TA作为评估标准,用以评价故障检测方法的性能效果。最后利用某化工厂提供的原油脱盐脱水过程近红外光谱数据对所提方法进行验证,并与传统近红外光谱特征信息提取方法PCA和MIE方法性能进行对比分析,结果表明基于PCA-MIE的过程模式故障检测方法几乎在所有维数子集上性能都优于其他两种方法,在特征维数为18维时获得最高的准确率94. 6%,证明了方法的优越性。