基于紫外‐可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱,光谱范围为360~1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、可见光（380~780 nm）、近红外（780~1 000 nm）、紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%,77.14%,75.71%,84.29%和81.43%,筛选出360~780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360~780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%,CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息,SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。     

基于可见-近红外光谱技术的润滑油含水量无损检测方法研究

研究了基于可见-近红外光谱技术的发动机润滑油含水量快速检测方法。在获取光谱信息的基础上,提出了采用不同的光谱建模方法以提高检测精度和简化分析计算。分别采用主成分分析(PCA)和连续投影算法(SPA)方法进行模型输入变量的提取。SPA最终选择了476,483,544,925,933,938,952,970和974nm共9个波长为最优变量。基于SPA选择的变量,分别应用偏最小二乘回归(PLSR)和多元线性回归(MLR)建模。效果均优于全波段PLSR模型和PCA-PLSR模型。说明SPA选择的有效变量能够包含最重要的全波段光谱信息,同时可以去除无用的信息变量。为了进一步提高检测效果,采用LS-SVM分别基于SPA选择后的有效变量和全波段光谱进行建模。两个模型的预测确定系数(Rp2)均在0.9以上。SPA-LS-SVM的效果要优于全波段LS-SVM模型的效果。SPA-LS-SVM模型的Rp2达到了0.983,剩余预测偏差(RPD)值为6.963。表明可见-近红外光谱可以用于发动机润滑油含水量的检测。     

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。     

基于近红外光谱和稀疏偏最小二乘回归的生物质工业分析

林木生物质能源作为一种新型可再生能源,具有非常广阔的发展前景。基于近红外光谱技术,首次引入稀疏偏最小二乘回归建立木屑生物质的工业分析模型,用于生物质燃料特性的快速分析测定。工业分析总共测定了80种木屑的水分、灰分、挥发分和固定碳含量百分比;按照样品种类和产地将其划分为训练集和测试集,利用近红外光谱仪采集光谱数据并进行小波滤波处理;再利用稀疏偏最小二乘回归建立木屑生物质的定量分析模型,并与主成分回归、偏最小二乘回归、最小绝对收敛及变量筛选方法的建模效果进行比较。结果证明,相对于以上三种建模方法,稀疏偏最小二乘回归能够挑选出有重要影响的波长群组,降低非目标波段的噪声干扰,从而增强数学模型的解释能力并提高定量分析的准确度。利用稀疏偏最小二乘回归算法挑选的波长区间基本覆盖了工业分析中水分的吸收峰,而对于灰分、挥发分和固定碳的吸收峰波段尚无准确定位,需要继续探讨。总体而言,稀疏偏最小二乘回归能够减少无关信息的干扰,提高模型定量分析的准确度,增强模型的解释能力,将会在近红外光谱技术应用领域内起到重要作用。     

高斯拟合算法在光谱建模中的应用研究

采用高斯拟合算法对光谱进行特征提取,利用拟合得到的特征参量表征光谱信息,并结合多元校正方法对光谱模型进行优化和解释,建立了样品快速准确的测定方法。实验以玉米活体叶片为研究对象,建立叶片光谱与叶绿素含量之间的关系模型,采用三个高斯峰对原始光谱的1 551个数据拟合后,光谱数据转换为9个高斯特征量(约为整个波段的0.58%),进而利用该高斯特征量来预测叶绿素含量。实验结果显示,采用高斯拟合分别与偏最小二乘法和主成分回归结合建模,其预测集相关系数分别为0.960和0.962;不采用高斯拟合算法而直接采用偏最小二乘法和主成分回归对全光谱建模,其预测集相关系数分别为0.957和0.919。可见,将高斯拟合算法运用到定量分析模型中是可行的,该方法不仅简化了模型参数,而且提高了模型的可解释性。     

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。     

基于荧光光谱—模拟退火法年份白酒中乙酸浓度预测研究

近年来年份白酒市场中行业规范有所缺失,因此年份白酒的研究具有深远意义和市场价值。白酒中单体物质的浓度会随着白酒的年份改变,检测白酒中单体浓度可用来鉴定白酒质量及其年份。基于国内某品牌年份原桨白酒的三维荧光光谱,对其中乙酸浓度进行了建模研究。对原始光谱进行了小波分解和求导预处理。研究发现小波分解第一层和第二层呈噪声特征,浓度信息主要分布在第三层和第四层信号中。不同激发波长的荧光发射光谱强度分布不同,如何选择合适的激发波长目前还没有一个统一的方法。根据小波分解信号引入有效信号强度概念并获得了合适的建模激发波长（200 nm）;导数光谱的细节特征比原始光谱丰富,光谱求导可以提高光谱的分辨率。研究了乙酸浓度与荧光光谱的相关性,原始荧光光谱与乙酸浓度之间相关性较小,小波分解光谱和导数光谱与浓度的相关性达0.8以上,且呈现出更多离散化的相关性特征峰。因此,小波分解光谱和导数光谱中包含更多乙酸浓度信息且分布比原始光谱更广。基于荧光光谱和模拟退火法研究了乙酸浓度偏最小二乘法（PLS）多元回归模型。研究发现原始光谱的乙酸浓度预测集的均方根误差高达70.03 mg·L-1,模型效果较差;小波分解光谱和导数光谱由于光谱之间多重相关性降低且分辨率提高的特点,模型预测效果更好,其中二阶导数光谱的乙酸浓度预测集的均方根误差和相关系数分别为20.32 mg·L-1和0.999 8,建模效果最好。基于1 000次循环执行模拟退火算法建模得到的光谱信息密度曲线显示出二阶导数光谱比原始光谱包含更多的乙酸浓度信息。以乙酸为例,为年份白酒中物质浓度预测提供了一种简易的光学方法,研究方法对研究多组分渐变体系浓度预测具有一定的参考价值。     

基于小波压缩的马铃薯全粉还原糖近红外光谱检测研究

为探讨小波压缩算法结合近红外光谱技术在马铃薯全粉还原糖含量检测中的可行性,采用傅里叶变换近红外光谱仪采集了250份马铃薯全粉样品的近红外光谱。分别优化了消失矩、小波系数和主成分因子数,优化结果为10,100和20。基于db小波函数将1 501个马铃薯全粉的近红外光谱变量压缩成100个小波系数。分别以1 501个光谱变量和100个小波系数为变量分别建立了偏最小二乘(PLS)校正模型。以62个未参与建模的样品作为预测集,考察模型的预测能力。经比较,小波压缩结合PLS的校正模型预测结果最优,模型预测相关系数为0.98,预测均方根误差为0.181%。实验结果表明小波压缩算法结合近红外光谱技术有效地保留了有效光谱信息,实现了光谱数据降维,简化了马铃薯全粉还原糖PLS校正模型,提高了模型的预测能力。     

矿区土壤Cu含量高光谱反演建模

为探究高光谱遥感手段反演土壤Cu含量方法的可行性,以湖南省某矿区为例,利用ASD地物光谱仪和实验室电感耦合等离子发射光谱法测定83个土壤样品350～2 500 nm光谱信号和Cu含量。在光谱重采样、一阶/二阶微分、标准正态变换预处理对比分析基础上,分别采用主成分分析与相关分析对潜在建模变量进行初步筛选,运用逐步回归方法确定最终模型变量,建立土壤Cu含量反演模型,基于最优模型识别Cu含量光谱指示特征波段。结果表明,相对于传统主成分分析方法,标准正态变换后的光谱全要素主成分分析逐步回归建模方法因保留土壤样品弱光谱信号能有效提升土壤Cu含量估算能力,R2达0.86,模型对于预测样本的估计效果较好,建模样本和预测样本的残差分别为0.76和1.29,且通过F检验;360～400,922～1 009,1 833～1 890与2 200～2 500 nm波段对研究区土壤Cu含量有较好指示性。研究结果将丰富南方矿区土壤Cu含量估算典型案例,同时为发展基于高光谱遥感的土壤环境监测手段提供理论支撑。     

基于高光谱图像和偏最小二乘的羊肉pH值特征波段筛选研究

波段筛选方法的选取以及随后的光谱特征波段的提取对高光谱模型效果的影响较大。为了快速准确检测羊肉的pH值,开展并讨论了利用两种特征波段筛选方法对羊肉pH值高光谱模型的影响研究。本研究采用二阶导数(2D)、多元散射校正(MSC)和中心化处理(mean-centering)相结合的方法对所提取纯肌肉部分的代表性光谱进行预处理,利用联合区间偏最小二乘(siPLS)和联合区间偏最小二乘结合遗传算法(siPLS-GA)对全波段473～1000 nm范围光谱进行特征波段的提取,并分别建立相对应特征波段范围羊肉pH的PLS预测模型,同时与全波段的PLS模型效果相比较。结果表明采用siPLS-GA提取的特征波长建立的PLS模型效果最优,其选取的特征波长点数为56,校正集相关系数(R_cal)和均方根误差(RMSEC)分别为0.96和0.043,预测集相关系数(R_P)和均方根误差(RMSEP)分别为0.96和0.048。siPLS-GA方法既能够减少建模使用的光谱变量,又可以提高模型精度,因此利用高光谱图像技术结合siPLS-GA可以实现羊肉pH的特征波段筛选和快速准确检测。     

基于最小角回归与GA-PLS的NIR光谱变量选择方法

近红外(NIR)光谱一般具有较多的波长变量数,对其直接或间接地进行变量选择是提高模型稳定性能及预测性能的关键。最小角回归(LAR)是一种相对较新和有效的机器学习算法,常用于进行回归分析和变量选择。面向光谱建模应用,提出一种LAR结合遗传偏最小二乘法(GA-PLS)的变量选择方法,可有效筛选出少数特征波长点。首先在全光谱区利用LAR消除变量间的共线性得到初筛波长点,然后用GA-PLS对LAR筛选出的波长点进一步优选从而得到最终建模用的特征波长点。为验证本文方法的有效性,以药片和汽油的近红外光谱回归分析作为应用案例,对原光谱进行预处理后,采用该方法进行变量筛选,然后分别建模其中的活性成分含量和C10含量。结果显示,在这两个应用中,最终优化得到的特征波长点数均只需七个,而两者的预测决定系数R2_p分别达到0.933 9和0.951 9,与全光谱、无信息变量消除法(UVE)和连续投影算法(SPA)等方法相比,特征波长点更少,同时R2_p和预测均方根误差RMSEP值更优。因此,LAR结合GA-PLS,能有效地从近红外光谱中选择出信息变量从而减少建模波数,提高预测精度,拥有较好的模型解释性。该方法可为特定领域的专用光谱仪设计提供有效的波长筛选工具。     

基于波长选择的纸页厚度太赫兹时域光谱检测新方法

光谱数据的波长选择是太赫兹光谱定量分析的关键。以纸页厚度检测为例,提出了一种基于波长选择的纸页厚度太赫兹相位谱检测新方法。首先采用离散离子群算法进行太赫兹相位信号优选,并应用偏最小二乘法建立纸页厚度定量模型,以模型的预测均方根误差作为太赫兹相位信号优选的评价标准,选择出预测效果最优的太赫兹相位信号,进行纸页厚度预测。最后将本文方法的预测结果与采用全谱和单频相位信号的预测结果进行比较,结果表明,提出的方法预测结果最好。     

基于近红外光谱分析技术测定库尔勒香梨硬度

采用近红外(NIR)漫反射光谱法对新疆特色梨果库尔勒香梨的五种不同果（包括青头、粗皮、脱萼、宿萼、突顶果）的硬度进行测定。由于近红外光谱数据量大且原始光谱噪声明显、测定水果时散射严重等导致光谱建模时关键波长变量提取困难。以新疆库尔勒香梨为研究对象,为了有效地消除固体表面散射以及光程变化对NIR漫反射光谱的影响,首先采用标准正态变量变换（SNV）和多元散射校正（MSC）对库尔勒香梨的原始光谱进行预处理。为寻找适合近红外光谱检测库尔勒香梨硬度的最佳特征波长筛选方法,进行香梨近红外光谱的特征波长变量选择方法的比较与研究。研究比较了两种特征波长筛选方法对库尔勒香梨硬度偏最小二乘法（PLS）建模精度的影响。同时使用反向偏最小二乘（BiPLS）和遗传算法结合反向偏最小二乘（BiPLS-GA）在全光谱范围内筛选香梨硬度的特征波长变量,将校正均方根误差（RESMC）、预测均方根误差（RESMP）以及决定系数（R2）作为模型的评价标准,并最终确定最优波段选择方法及最佳预测模型。基于选择的特征波长变量建立的PLS模型（BiPLS-GA）与全光谱变量建立的PLS模型进行比较发现BiPLS-GA模型仅仅使用原始变量中6.6%的信息就获得了比全变量PLS模型更好的库尔勒香梨硬度的预测结果,其中R2,RMSEC和RMSEP分别为0.91,1.03和1.01。进一步与基于反向偏最小二乘算法（BiPLS）获得的特征变量建立的PLS模型比较发现,BiPLS-GA不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,使得建模变量从301个减少到20个。极大地简化模型的同时有效地提高了模型的预测精准度和稳定性。因此该方法能够有效地用于近红外光谱数据变量的选择。证明了近红外光谱分析技术结合BiPLS-GA模型能够高效地选择出建模变量,去除与库尔勒香梨硬度无关的近红外光谱信息,显著地提高库尔勒香梨硬度定量模型的预测精度。这不仅为新疆地区特色梨果库尔勒香梨的快速、精确、无损优选分级提供一定的技术支持,同时也为基于近红外光谱分析技术预测水果内部品质的研究提供了参考。     

多种光谱变量筛选算法在红参提取近红外建模中的应用

红参中提取出的有效活性成分人参皂苷含量对后续产品的质量有重要的影响。传统的红参提取质量控制化学检测方法成本高,具有滞后性。已有的研究表明快速无损的近红外检测方法用于红参提取过程具有可行性,但现有方法依赖仪器自带数据处理软件,无法满足生产实际的精度和速度需求。为实现红参提取过程的快速、精确监测,提出将多种智能光谱筛选算法应用在近红外光谱建模中,并对比不同光谱筛选算法的性能和稳健性。以红参提取液中含量高的人参皂苷Rg1和含量较低的人参皂苷Rc为目标,采集了三个不同批次前两次红参提取液样本128份,在线获取1 000～2 499 nm波段近红外原始光谱吸光度数据,并同时采用国标方法高效液相色谱法测定目标人参皂苷含量,首先采用竞争适应性重加权采样法(CARS)、无信息变量消除法(UVE)、随机蛙跳算法(RF)和连续投影算法(SPA)四种波长筛选算法进行波长降维处理,然后使用筛选后的波长建立线性偏最小二乘(PLS)定量模型,并通过模型的均方根误差(RMSE)、决定系数（R2）和预测相对分析误差(RPD)等来评估模型的性能。从四种波长优选算法PLS建模结果可知,经RF优选后,建模特征波长变量下降为原来的0.67%,红参提取液中人参皂苷Rg1和Rc含量的R2都达到了0.94以上, 预测均方误差分别为0.024 6和0.013 5,预测集相对分析误差达到了4.84以上,降低了建模的难度,提高了建模的精度;将RF和CARS在原始光谱、全光谱、SNV预处理后的全光谱上建模对比,RF波长筛选算法建模模型的性能整体较好,不同的光谱范围和预处理方法下性能影响较小,稳健性好。综上表明RF是红参提取液建模相对理想的波长筛选算法,基于RF的PLS算法实现了对红参两次提取液的一次建模,可用于提取液中人参皂苷成分含量的快速检测,为药物的在线提取控制提供理论支撑。     

BiPLS结合GA优选可见/近红外光谱MLR变量

利用反向区间偏最小二乘法(BiPLS)定位光谱糖度若干信息区间,运用遗传算法(GA)从中选择波长点,建立了多元线性回归(MLR)模型。光谱进行卷积平滑和二阶导数处理后,将光谱(225个数据点)分割成25个子区间时,BiPLS优化结果最优。在所定位的信息区间进行GA二次选择特征变量,运行100次依次选择入选频率较高的12个波长点。为简化MLR模型,对于入选的相邻波长选择频率较高者,最后选择 638,734,752,868,910,916和938 nm作为回归变量,建立的MLR预测模型相关系数(R2)、校正均方根误差(RMSEC)和预测均方根误差(RMSEP)分别为0.984,0.364和0.471,优于常用的逐步多元线性回归的建模结果。表明BiPLS结合GA可以有效地对李子糖度可见/近红外光谱MLR回归变量进行筛选,提高了模型的精度。     

用遗传算法快速提取近红外光谱特征区域和特征波长

提出了一种遗传区间偏最小二乘法(GA-iPLS),并用该方法快速提取苹果糖度近红外光谱的特征区域,在此基础上采用遗传偏最小二乘法(GA-PLS)提取苹果糖度近红外光谱的特征波长,进行苹果糖度预测。结果表明,整个光谱等分为40个子区间,遗传区间偏最小二乘法能快速寻找出5个特征子区间(第4,6,8,11,18号);在5个特征子区间的基础上用遗传偏最小二乘法继续优化,从中提取44个特征波长。建立在5个特征子区间和44个特征波长上的偏最小二乘法模型精度均优于全光谱偏最小二乘法模型,对预测集的预测相关系数提高了近10%;且模型得到了很大的简化,用于建模的主因子数减少了7个。这些结果表明,用这两种方法不但可以建立简洁、数据运算量少的模型,还可以快速地提取近红外光谱的特征区域和特征波长。     

基于卡尔曼滤波的近红外光谱特征波长变量优选方法

将经典的卡尔曼滤波器与近红外光谱分析技术相结合,提出了一种新的特征波长变量选择方法——卡尔曼滤波法。分析了卡尔曼滤波器用于波长优选的原理,设计了波长选择算法并将其应用到大豆油脂酸价的近红外光谱检测中。首先利用偏最小二乘法(PLS)对油脂不同吸收波段建模,初步筛选出4 472～5 000 cm-1油脂酸价特征波段共132个波长点,然后进一步利用卡尔曼滤波器进行特征波长选择,从中优选出22个特征波长变量建立PLS校正模型,预测集决定系数R2、预测误差均方根RMSEP分别为0.970 8和0.125 4,与利用132个波长点建立的校正模型预测结果相当,而波长变量数减少到原来的16.67%。该波长变量选择算法是一种确定性的迭代过程,无复杂的参数设置和变量选择的随机性,物理意义明确。优选出少数对模型影响较大的特征波长变量以代替全谱建模,在简化模型的同时提高了模型的稳健性,为开发专用油脂近红外光谱分析仪器提供了重要参考依据。     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

变量影响值与集群分析相结合的中红外波长选择方法

烷烃类气体的傅里叶变换红外光谱在中红外区域吸收峰重叠严重,为此,提出了一种基于变量影响值与集群分析相结合（IVPA）的波长选择方法对甲烷、乙烷、丙烷、异丁烷、正丁烷五种烷烃类气体红外光谱进行变量选择。该方法以迭代的方式逐步实现对变量的筛选,在每次迭代过程中,将变量划分为样本空间与变量空间。在样本空间中计算变量的影响值,根据变量影响值采用加权自举采样技术将变量划分为精英变量与普通变量;同时在变量空间中,统计每个变量在最优模型中出现的频率;最后利用指数衰减函数剔除普通变量中频率较低的变量,记录每次迭代过程中获取的均方根误差（RMSE）值。选择最小RMSE所对应的子集作为最终选择的变量。利用实测烷烃类光谱数据集来检验该方法的性能,并将该方法与近年来提出的稳定性竞争自适应重加权采样法（SCARS）、变量子集迭代优化（IVSO）变量选择方法所测结果进行了对比。以异丁烷分析结果为例,SCARS,IVSO与IVPA对其它四种气体的最小交叉灵敏度分别为0.67%,0.56%和0.11%;最大交叉灵敏度分别为1.69%,1.49%和1.02%;对异丁烷预测的相对误差分别为1.94%,1.65%和0.51%;上述3种方法选择的特征变量个数分别为52,17和13。结果表明,提出的IVPA方法选择的变量最少,仅为原始光谱数据的0.36%,对其他四种气体的交叉灵敏度最低,对异丁烷的预测最准确。该方法可以应用在吸收重叠的光谱中,能够提高分析模型的预测精度与运行效率。     

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱(LIBS)技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28~481.77 nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除(UVE)方法筛选与重金属Cr相关的波长变量,应用偏最小二乘(PLS)回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054 mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。