应用近红外光谱对低碳数脂肪酸含量预测

应用近红外光谱技术结合支持向量机回归(support vector machine regression, SVR)方法测量食用植物油脂低碳数脂肪酸(C≤14)含量。使用SupNIR-5700近红外光谱仪采集58个样品的近红外光谱图,通过偏最小二乘(partial least square, PLS)算法剔除奇异样品。选择其中具有代表性的52个样品进行主成分分析(principal component analysis, PCA),选取径向基(radial basis function, RBF)核函数建立支持向量机回归模型,并对光谱预处理方法和参数寻优方法进行了详细的分析和讨论。实验表明,经过粒子群算法(particle swarm optimization, PSO)优化后模型的性能都有所提高,泛化能力更强,预测的准确度和稳健性更好;其中预处理方法2经过PSO优化寻优后的参数C=2.085, γ=22.20时,预测集和校正集相关系数(correlation coefficient, r)分别达到了0.998 0和0.925 8,均方根误差(root mean square error, MSE)分别为0.000 4和0.014 3。研究结果表明,应用近红外光谱结合PSO-SVR方法进行食用植物油脂低碳数脂肪酸含量快速、准确的预测是可行的。     

基于LLE-SVR的鸡蛋新鲜度可见/近红外光谱无损检测方法

鸡蛋新鲜度是反映鸡蛋内部品质的一个重要指标。为了能够实现鸡蛋新鲜度的快速无损检测,利用微型光纤光谱仪采集鸡蛋550～950 nm的透射率光谱曲线,与鸡蛋的哈夫单位值进行了定量分析。通过不同的预处理方式分别结合偏最小二乘回归(partial least squares regression, PLSR)与支持向量回归(support vector regression, SVR)建立模型,比较了不同模型的预测结果,发现一阶微分结合SVR能够实现较好地预测,且利用SVR建模要优于PLSR。为了提高运算效率,减少无用信息对建模的不良影响,分别利用线性降维主成分分析法(principal component analysis, PCA)与非线性降维局部线性嵌入(locally linear embedding, LLE)对一阶微分后的光谱数据降维,比较两种降维方法的预测效果,得出了LLE降维要优于PCA降维,其训练集和预测集的相关系数与均方根误差分别为92.2%,7.21和91.1%,8.80,训练集交叉验证的均方根误差相比减少了0.79。实验结果表明,利用局部线性嵌入结合支持向量回归进行非线性建模,能够提高鸡蛋新鲜度的预测能力,表明该方法对鸡蛋新鲜度的可见/近红外光谱检测可行。     

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。     

基于QPSO-MLSSVM算法的拉曼光谱检测四组分调和油含量

提出了一种运用量子粒子群(quantum-behaved particle swarm optimization,QPSO)算法优化多输出最小二乘支持向量机(multi-output least squares support vector machine,MLSSVM)的新混合优化算法。该算法结合激光拉曼光谱技术可实现对四组分食用调和油中花生油、芝麻油、葵花油和大豆油的快速定量鉴别。采用基线校正去除背景荧光,结合Savitzky-Golay Filters光谱平滑法对原始拉曼光谱进行预处理。构建基于QPSO-MLSSVM混合优化算法的定量分析模型,并采用20个组分组成的预测集对其进行模型校验。实验结果表明,基于QPSO-MLSSVM混合优化算法的定量分析模型对于四组分调和油的预测效果良好,均方差(mean square error, MSE)为0.0241,低于0.05,各油分预测相关系数均高于98%。研究结果充分表明, 应用激光拉曼光谱技术结合QPSO-MLSSVM算法,对四组分调和油中各油分进行快速定量检测可行,具备较强的自适应能力和良好的预测精度,可以满足多组分调和油的成分鉴别。     

LSSVM模型下的近红外光谱联合区间波长筛选方法

针对传统近红外光谱波长选择方法忽略模型中非线性因素的缺陷,采用具有非线性处理能力的最小二乘支持向量机,结合间隔策略的波长选择方法和联合区间的思想,提出了一种非线性模型下的波长筛选算法—联合区间最小二乘支持向量机(synergy interval least squares support vector machines, siLSSVM)。以苹果糖度近红外光谱数据为例,与传统siPLS波长筛选方法相比,新算法的预测集均方根误差(RMSEP)在PLS模型和LSSVM模型预测时分别提高了37.43%和47.88%,预测集相关系数(RP)在PLS模型和LSSVM模型预测时分别增加了6.04%和7.31%。实例表明,对于存在非线性因素较强的光谱数据,siLSSVM算法能够有效的挑选最优波长区间与提高模型的预测精度和鲁棒性,为近红外光谱在非线性因素下筛选波长提供了新前景。     

Efficient Stochastic Simulation Algorithm for Chemically Reacting Systems Based on Support Vector Regression

通过引入机器学习中的孪生支持向量回归(twin support vec-tor Regression,TSVR)算法,提出了一个将TSVR与随机模拟算法(stochastic simulation algorithm, SSA)相结合的基于孪生支持向量回归的随机模拟算法(twin support vector regression based stochastic simulations algorithm,TS3A).数值模拟实验表明该算法不仅能广泛应用于化学反应系统的模拟,并且在较少的模拟次数下可明显提高精度和效率.     

一种基于近红外光谱技术的柴油在线软测量方法研究

为解决柴油凝点难以实时在线检测的问题,提出一种应用近红外(NIR)光谱分析技术的软测量方法。首先,利用光谱分析仪对柴油样品在750～1 550 nm光谱区的信息进行采集,并用多项式卷积对NIR光谱数据进行光谱平滑、基线校正和标准归一化;再由主元分析(PCA)提取NIR光谱数据集特征,降低输入维数,提高了各维特征的敏感性;最后, 通过SVR算法建立凝点的软测量模型。150个柴油样品作为实验材料,其中100个作为校正(训练)样本,其余作为测试样本。经过PCA分析之后,401维的原始NIR吸收光谱数据集被降到了6维。为了验证检测方法的效率,用四种不同的软测量模型(BP,SVR,PCA+BP和PCA+SVR)对测试样品进行估计。实验结果表明：(1)用PCA进行特征提取的软测量模型普遍优于直接作用在光谱波长域的模型;(2)SVR模型的测量效果明显优于BP网络模型,其测试误差只有后者的一半;(3)所提软测量方法的检测值与用冷凝法测量的标准化学值之间的均方误差小于4.2。研究说明了本方法可用于对柴油产品凝点的快速测量。     

最小二乘法对温度传感器测温数据 线性拟合及其应用

针对温度传感器测量误差受温度影响比较大,必须使用温度补偿的方法对测温数据值进行修正。本文介绍了一种温度补偿的方法:主要采用oringin软件利用最小二乘法拟合实验数据的方式,进行系统误差分析处理后再对温度传感器进行温度精确标定,可以有效消除传感器非线性误差。对AD590传感器温度精确标定后实测电压与温度线性关系良好,证实此方法可以很好的修正温度对AD590传感器测量误差的影响,系统测量精度可达±0.02℃。将此实验的温度标定后的AD590传感器直接应用到其它实验中加深学生对温度传感器具体应用的理解。     

天文定位中倾角传感器的标定

为提高天文定位系统的定位精度,减小倾角传感器安装误差对系统水平测量精度的影响,对系统中倾角传感器的安装参数标定及校正进行了研究.首先,给出基于倾角传感器的天文定位系统工作原理,分析倾角传感器安装过程中存在的误差源.然后,提出一种通过对天文定位系统进行改造,利用系统自身完成倾角传感器安装参数标定的方法,并给出了倾角测量数据的校正算法.最后,建立三视场天文定位系统仿真测试平台,对标定方法的性能进行了分析和验证.实验结果表明:该倾角传感器安装参数标定方法的标定精度与倾角传感器自身测量精度保持一致,在全量程范围内校正后的倾角测量结果最大误差为4.315 5″,基本满足天文定位系统中高精度倾角测量要求.     

选择性激光烧结成型件密度的支持向量回归预测

根据不同工艺参数（层厚、扫描间距、激光功率、扫描速度、加工环境温度、层与层之间的加工时间间隔和扫描方式）下的选择性激光烧结成型件密度的实测数据集,应用基于粒子群算法寻优的支持向量回归（SVR）方法,建立了加工工艺参数与成型件密度间的预测模型,并与BP神经网络模型进行了比较.结果表明：基于相同的训练样本和检验样本,成型件密度的SVR模型比其BP神经网络模型具有更强的内部拟合能力和更高的预测精度;增加训练样本数有助于提高SVR预测模型的泛化能力;基于留一交叉验证法的SVR模型的预测误差最小.因此,SVR是一种预测选择性激光烧结成型件密度的有效方法. 关键词： 选择性激光烧结 密度 支持向量机 回归分析     

基于拓扑结构的碱金属化合物摩尔磁化率的支持向量回归研究

基于经典电动力学导出的表征简单离子磁化率的磁性点价g_i所构建的分子磁性连接性指数?^mF及45种碱金属化合物的摩尔磁化率χ_m的实测数据集,利用粒子群寻优的支持向量回归（SVR）方法,建立了基于⁰F和¹F的碱金属化合物χ_m的预测模型,并与基于多元线性回归（MLR）模型的计算结果进行了比较.结果显示,基于9次交叉验证的SVR模型预测的平均绝对误差、平均相对误差绝对值以及均方根误差均比MLR模型小,表明SVR模型的回归预测能力优于MLR.研究表明,磁性连接性指数^mF是一种合适的分子描述符,SVR是一种预测碱金属化合物χ_m的有效方法. 关键词： 碱金属化合物 摩尔磁化率 支持向量回归 预测     

Prediction of thermal conductivity of polymer-based composites by using support vector regression

Support vector regression (SVR) combined with particle swarm optimization (PSO) for its parameter optimization, was proposed to establish a model to predict the thermal conductivity of polymer-based composites under different mass fractions of fillers (mass fraction of polyethylene (PE) and mass fraction of polystyrene (PS)). The prediction performance of SVR was compared with those of other two theoretical models of spherical packing and flake packing. The result demonstrated that the estimated errors by l...     

基于局域相关向量机回归模型的小尺度网络流量的非线性预测

基于非线性时间序列局域预测法与相关向量机回归模型, 本文提出了局域相关向量机预测方法, 并应用于预测实际的小尺度网路流量序列. 应用基于信息准则的局域预测法邻近点的选取方法来选取局域相关向量机回归模型的邻近点个数. 对比分析了局域相关向量机预测法、前馈神经网络模型与局域线性预测法对网络流量序列的预测性能, 其中前馈神经网络模型的参数采用粒子群优化算法来优化. 实验结果表明: 邻近点优化后的局域相关向量机回归模型能够有效地预测小尺度网络流量序列, 归一化均方误差很小; 局域相关向量机回归模型生成的时间序列具有与原网络流量时间序列相一致的概率分布; 局域相关向量机回归模型的预测精度好于前馈神经网络模型的与局域线性预测法的. 关键词： 小尺度网络流量 非线性时间序列预测方法 局域预测法 相关向量机回归模型     

AlON-TiN复相材料合成工艺参数的支持向量回归分析

根据在不同热压烧结工艺参数（包括TiN的含量、烧结温度和保温时间）下合成的AlON-TiN复相材料的抗弯强度实测数据集,应用基于粒子群算法寻优的支持向量回归（SVR）方法,建立了AlON-TiN复相材料在不同热压烧结工艺参数下抗弯强度的SVR预测模型,并与基于人工神经网络（ANN）模型的预测结果进行了比较.利用SVR预测模型并结合粒子群算法对AlON-TiN合成工艺参数进行了寻优和多因素分析.结果显示:对于相同的训练样本和检验样本,AlON-TiN复相材料抗弯强度的SVR模型比ANN模型具有更小的预测误差,表明SVR模型比ANN模型具有更强的预测能力.工艺参数寻优结果表明,当TiN质量分数为13.5%、烧结温度为1863.5 ℃和保温时间为5.8 h时, 可获得抗弯强度为555.452 MPa的AlON-TiN复相材料. 研究结果表明,该方法对于研发理想抗弯强度的AlON-TiN复相材料具有重要的理论指导意义和实用价值. 关键词： AlON-TiN 抗弯强度 支持向量回归 回归分析     

LIBS分析模型对铝合金定量分析精度的影响

为了提高铝合金定量分析的精度,将激光诱导击穿光谱技术与多变量线性回归、中值高斯核支持向量机回归及标准化偏最小二乘回归等方法相结合,建立铝合金中 Cu元素定量分析模型。对采集的LIBS光谱进行三阶极小值去背景和小波阈值降噪处理,从而提高LIBS光谱的信背比。将处理后数据筛选最佳训练集、预测集并用多变量线性回归、中值高斯核支持向量机回归法和标准化偏最小二乘拟合回归等建立定标模型。选用 Cu Ⅰ 324.80 nm,Cu Ⅰ 327.43 nm两条特征谱线以及323～329 nm范围内的LIBS光谱数据进行定量分析,对比分析三种LIBS定量分析模型的拟合系数(R2)、定标均方根误差(RMSEC)、预测均方根误差(RMSEP)和平均相对误差(ARE)等。结果表明,相对于多变量线性回归和中值高斯核支持向量机回归法两种LIBS定量分析模型,对于铝合金中的Cu元素定量分析,标准化PLSR模型的精度和准确度都有明显的提高,并且LIBS定标曲线的R2,RMSEC,RMSEP和ARE分别为0.997,0.014 Wt%,0.129 Wt%和3.053%。研究结果表明在提高定标模型精确度与泛化性方面,标准化PLSR方法更具有优势,能够有效地减小参数波动和自吸收效应对铝合金定量分析的影响。     

Monitoring the Heavy Element of Cr in Agricultural Soils Using a Mobile Laser-Induced Breakdown Spectroscopy System with Support Vector Machine

Due to its complicated matrix effects,rapid quantitative analysis of chromium in agricultural soils is difficult without the concentration gradient samples by laser-induced breakdown spectroscopy.To improve the analysis speed and accuracy,two calibration models are built with the support vector machine method:one considering the whole spectra and the other based on the segmental spectra input.Considering the results of the multiple linear regression analysis,three segmental spectra are chosen as the input variables of the support vector regression(SVR)model.Compared with the results of the SVR model with the whole spectra input,the relative standard error of prediction is reduced from 3.18% to 2.61% and the running time is saved due to the decrease in the number of input variables,showing the robustness in rapid soil analysis without the concentration gradient samples.     

基于SVR和粒子滤波的室内导航方法

针对室内环境复杂性造成的室内定位精度不足问题,提出一种基于支持向量机回归和粒子滤波的室内导航方法;离线阶段通过采集室内接收信号强度并利用统计学习方法,构建室内RSS与物理位置之间的支持向量回归映射模型,定位阶段使用智能移动设备采集加速度、方向角等运动状态信息和Wifi模块感知的环境信息,并利用粒子滤波将运动数据和回归结果进行融合处理,推算移动用户运动轨迹;室内实验结果表明,本方法最大定位误差为1.891 m,平均误差为0.669 m,有效地提高了室内定位导航精度。