基于RF_AdaBoost模型的血液种属鉴别算法

针对人类和非人类血液种属鉴别对无损、 高效分析方法的需求, 结合随机森林(Random Forest)和AdaBoost(Adaptive Boosting Algorithm)算法, 提出了一种血液种属鉴别方法(RF_AdaBoost). 该方法将RF作为AdaBoost的弱分类器, 以达到提高模型鉴别准确度, 增强模型鲁棒性的目的. 采用RF、 支持向量机(SVM)、 极限学习机(ELM)、 核极限学习机(KELM)、 堆栈自编码网络(SAE)、 反向传播网络(BP)、 主成分分析-线性判别法(PCA-LDA)及偏最小二乘判别分析(PLS-DA)与RF_AdaBoost模型进行对比, 以不同规模血液拉曼光谱数据训练集进行鉴别实验评估其性能. 结果表明, 随着训练样本的增加, RF_AdaBoost鉴别准确度最高达100%, 预测标准偏差趋于0. 与其它模型相比, RF_AdaBoost具有较高的分类准确度及较强的稳定性, 为血液种属的鉴别工作提供了新方法.     

最小角回归结合核极限学习机的近红外光谱对柑橘黄龙病的鉴别

传统的柑橘黄龙病检测方法存在准确度低、稳定性差等问题,该文提出了一种基于最小角回归结合核极限学习机(Least angle regression combined with kernel extreme learning machine,LAR-KELM_((RBF)))的近红外柑橘黄龙病鉴别方法。该方法将光谱数据通过小波变换进行预处理,然后用最小角回归(LAR)算法进行光谱波长的筛选,最后通过核极限学习机(KELM_((RBF)))实现样本的分类。实验采用柑橘叶片的近红外光谱数据,验证了LAR-KELM_((RBF))算法的性能,其分类准确度最高为99.91%,标准偏差为0.11。不同规模训练集的实验结果表明,LAR-KELM_((RBF))模型较极限学习机(ELM)、波形叠加极限学习机(SWELM)、反向传播神经网络(BP_((2层)))、KELM_((RBF))和支持向量机(SVM)模型分类准确度高、稳定性强,能够广泛应用于柑橘黄龙病的检测鉴别。     

基于分步相关成分分析的中药材质量鉴别神经元分类器

提出并构建了一种基于分步相关成分分析的神经元分类器(SCCA-HBP),并将其用于中药材质量模式分类.通过从色谱分析所得到的高维数据集中分步提取分类相关成分,获取化学模式特征向量,使神经元分类器输入模式向量的维数降低.此外,提出用带输出误差死区的混合BP算法训练神经元分类器,提高了网络学习训练速度和分类准确性.以32个当归样品质量等级分类鉴别为例考察本方法,分类正确率为100%,优于PCA-BP(84.4%)和SCCA-BP(90.6%)方法;且训练时间仅为BP算法的54.2%.     

机器学习方法用于二氢叶酸还原酶抑制剂的活性预测

分别采用支持向量学习机、人工神经网络、调节性逻辑回归和K-最临近等机器学习方法对761个二氢叶酸还原酶抑制剂建立了其活性分类预测模型. 采用组成描述符和拓扑描述符表征抑制剂的分子结构及物理化学性质, 使用Kennard-Stone方法进行训练集的设计, 并用Metropolis Monte Carlo模拟退火方法作变量选择. 结果表明, 支持向量学习机优于其它机器学习方法, 所得到的最优模型具有较好的预测结果, 其预测正确率为91.62%. 说明通过合适的训练集设计及变量选择, 支持向量学习机方法可以很好地用于二氢叶酸还原酶抑制剂的活性分类预测.     

用于药品质量快速检测的近红外光谱模糊神经元分类方法

针对非线性且分类界线模糊的药品质量类别快速测定难题, 将近红外光谱分析与模糊神经网络相结合, 经研究提出近红外光谱模糊神经网络分类方法, 用于计算辨析中药等化学组成复杂药品的近红外光谱模式类别, 从而快速评定这类药品的质量. 以参麦注射液为典型分析对象, 以鉴别其生产厂家这一模式分类问题为例, 考核本文方法, 结果表明, 其分类准确率达到94.2%, 明显优于经典的BP神经网络分类方法(84.6%), 可望用于中药产品质量类别的快速检测与评价.     

用于药品质量快速检测的近红外光谱模糊神经元分类方法

针对非线性且分类界线模糊的药品质量类别快速测定难题, 将近红外光谱分析与模糊神经网络相结合, 经研究提出近红外光谱模糊神经网络分类方法, 用于计算辨析中药等化学组成复杂药品的近红外光谱模式类别, 从而快速评定这类药品的质量. 以参麦注射液为典型分析对象, 以鉴别其生产厂家这一模式分类问题为例, 考核本文方法, 结果表明, 其分类准确率达到94.2%, 明显优于经典的BP神经网络分类方法(84.6%), 可望用于中药产品质量类别的快速检测与评价.     

基于Person Ⅶ核函数的支持向量机及其在化学模式分类中的应用

化学模式分类问题通常是非线性的,而且比较复杂,难以用经典统计方法建立分类判别模型。以支持向量机(SVM)构建的分类器具有更好的分类性能。对于非线性分类,SVM通过核函数将其映射到高维特征空间中,然后再进行线性分类。因此,核函数往往是决定SVM非线性分类性能的关键。实际应用时,一般通过选择几种核函数,并对其参数进行优化,然后根据分类器的预测性能来决定,训练过程非常耗时,而且结果难以保证最优。为此,采用一种通用性的核函数,即PersonⅦ核函数(PUKF),它可取代目前常用的几种核函数,可避免SVM非线性分类器训练过程的核函数选择问题。本研究将基于PUKF的SVM分类器应用于两个化学模式分类问题,均取得了较好的结果。对于多类分类,设计了一种子分类器的构造方法,它在分类性能保持较好的情况下,简化了多类分类器结构,大大降低了计算量。     

基于Person VII核函数的支持向量机及其在化学模式分类中的应用

化学模式分类问题通常是非线性的，而且比较复杂，难以用经典统计方法建立分类判别模型。以支持向量机（SVM）构建的分类器具有更好的分类性能。对于非线性分类，SVM通过核函数将其映射到高维特征空间中，然后再进行线性分类。因此，核函数往往是决定SVM非线性分类性能的关键。实际应用时，一般通过选择几种核函数，并对其参数进行优化，然后根据分类器的预测性能来决定，训练过程非常耗时，而且结果难以保证最优。为此，采用一种通用性的核函数，即PersonVg核函数（PUKF），它可取代目前常用的几种核函数，可避免SVM非线性分类器训练过程的核函数选择问题。本研究将基于PUKF的SVM分类器应用于两个化学模式分类问题，均取得了较好的结果。对于多类分类，设计了一种子分类器的构造方法，它在分类性能保持较好的情况下，简化了多类分类器结构，大大降低了计算量。     

近红外光谱技术结合教与学算法优化极限学习机实现烤烟等级判定

该研究基于近红外光谱（NIRs）技术,以2016～2018年来自13个省份的937个烟叶样本为研究对象,比较了竞争性自适应重加权采样方法（CARS）、蒙特卡洛无信息变量消除法（MC－UVE）以及随机青蛙算法（RF）3种变量筛选方法的极限学习机（ELM）模型效果,与常规判别方法偏最小二乘判别分析（PLS－DA）比较,验证了ELM模型的优势。并通过教与学优化（TLBO）算法对ELM模型进行优化,建立烤烟样本的等级判定模型。结果表明,验证集的分类正确率达到90.16%,测试集的外部验证表现良好,TLBO－ELM模型收敛速度快,泛化能力强,可应用于烤烟等级判定。近红外光谱技术结合教与学算法优化极限学习机为智能化实现烟叶等级判定提供了一种新方法。     

一种基于最小二乘支持向量机算法的近红外光谱判别分析方法

将最小二乘支持向量机(LSSVM)用于近红外(NIR)光谱分析,建立一种新型的NIR光谱快速鉴别方法。以丹参药材道地性鉴别为例,对其NIR漫反射光谱进行主成分分析后,运用LSSVM法建立NIR光谱非线性分类模型,对丹参药材道地性进行快速鉴别。将本方法与经典SVM和BP神经网络法相比较,结果表明,本法判别准确率高,计算时间少,可推广应用于中药等天然产物质量快速鉴别。     

引入模拟辅助样本提高BP网络的泛化能力

以2－吲哚醇在20种不同参数固定液上的保留值、19种不同物质在同一固定液上的保留值以及脂肪胺的电谱保留值分别作为网络的训练样本和检验样本，建立了多元线性回归（LR）模型和BP网络模型，并基于LR模型运用随机搜索最优化方法，产生模拟辅助样本并将其引入BP网络训练样本集。预测结果表明，该方法的使用提高了BP网络的泛化能力，对于残缺样本问题的预测研究，提供了一种有效的方法，与线性回归模型及原BP网络模型相比，预测精度有了明显的改善。     

基于红外光谱多元分析的记号笔种类鉴别研究

借助衰减全反射红外光谱结合K近邻算法和层次聚类,建立记号笔墨水种类鉴别的分类模型,为记号笔的种类鉴别提供有效的新方法。研究基于记号笔墨水的外光谱矩阵数据,通过建立主成分和判别分析分析模型和K近邻算法分类模型,实现对模型性能的比较和对模型分类结果的验证。实验结果表明,以水性和油性作为分类标准,模型对样本的区分能力好,其正确率为100%。借助红外谱图进一步分析水性油性样本时,其最强峰与其对应溶剂相符合。借助K近邻算法进行验证性分析,按重要性加权特征给不同的样本施加不同的权重,运用训练样本即为测试样本的方法交互验证,选取K值为1,训练集∶保持集=3∶1,建立分类模型,模型总分类准确率达100%,区分效果良好,不同品牌的油性、水性样本能被聚类为一组。综上,衰减全反射红外光谱结合K近邻算法和层次聚类可作为记号笔墨水种类鉴别的一种快速准确的分析方法。     

专利

一种近红外光谱无损鉴别山参真伪的方法 ：一种近红外光谱无损鉴别山参真伪的方法,属于中药检测技术领域,目的在于解决现有技术鉴别山参鉴别结果不确定及鉴别过程破坏山参形体的问题。采集山参和工艺参的光谱数据,经主成分分析法提取出主成分变量作为输入变量,设定山参及工艺参的属性代码并将其作为目标变量,根据输入变量和目标变量训练网络,建立BP人工神经网络模型;采集待鉴别样品光谱数据,并经建立的BP人工神经网络模型进行仿真,输出待鉴别样品预测值,参照山参和工艺参的属性代码判断待鉴别样品。当待鉴别样品     

主成分分析-支持向量机用于肝病分类模型

将主成分分析(PCA)用于肝功能检测数据特征提取,然后用支持向量机(SVM)对乙肝、丙肝、肝硬化、正常人样本建立分类模型。采用高斯径向基函数(RBF)为核函数,调节核函数参数C及σ以建立最佳支持向量机模型。该模型对训练集的识别率为99.3%,对预测集的预测率为96.4%。结果表明:PCA-SVM法建立的肝病分类模型能较好的区分乙肝、丙肝、肝硬化及正常人,且分类效果优于传统支持向量机及人工神经网络(ANN)分类模型。     

基于显微拉曼检测蛋白核小球藻鉴别丁草胺及草甘膦

以蛋白核小球藻(Chlorella pyrenoidosa)作为鉴别载体,利用共聚焦显微拉曼光谱仪分别获取生长在除草剂草甘膦、丁草胺污染水体以及正常水体的蛋白核小球藻β-胡萝卜素的拉曼光谱信息,对2种除草剂进行了鉴别.利用预处理后的光谱信号,建立偏最小二乘回归(PLS)预测模型及线性判别分析(LDA)分类模型.当阈值为±0.3时,全波段建立的PLS模型对草甘膦和丁草胺的预测正确率高达83.33%,特征峰建立的LDA分类模型对2种除草剂的分类正确率均达到了100%.结果表明,利用蛋白核小球藻为载体对丁草胺和草甘膦2种除草剂进行鉴别是可行的,且LDA分类模型更适合除草剂的分类研究.     

差分拉曼光谱结合SVM对便签纸的鉴别分析

基于差分拉曼光谱技术与支持向量机(SVM)模型,提出了一种对便签纸类检材的快速可视化鉴别方法。实验获取了40组不同品牌便签纸样本的差分拉曼光谱数据,利用BP神经网络和差分技术完成谱图的除噪与基线校正后,借助F检验与主成分分析提取谱段信息,构建出SVM分类模型。实验结果表明,当设置Linear为SVM模型的核函数时,可以实现对样本测试集的完全准确划分,K折交叉验证的结果理想。相比于传统聚类分析手段,本方法可以在原始高维光谱数据中筛选出有效特征矩阵,且SVM模型兼具高效性和准确性,为公安实践中纸张类物证的区分鉴别提供一种新思路。     

粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别

结合粒子群最小二乘支持向量机(PSO-LSSVM)与偏最小二乘法(PLS)提出一种基于气相色谱技术的新方法,对芝麻油进行真伪鉴别,并对掺伪品中掺假比例进行定量分析。采用主成分分析法(PCA)对857个样本的脂肪酸色谱数据进行分析,优选主成分作为最小二乘支持向量机(LSSVM)的输入向量。利用粒子群算法(PSO)优化LSSVM,构建芝麻油掺伪鉴别的两级分类模型,同时运用PLS建立掺伪芝麻油中掺伪油脂的定量校正模型,两级分类模型的准确率分别达到了100%和98.7%,定量分析模型的平均预测标准偏差(RMSEP)为3.91%。结果表明,本方法的鉴别准确性和模型泛化能力均优于经典的BP神经网络和支持向量机(SVM),可用于食用油脂加工和流通环节的质量控制,为食用油质量的准确鉴定提供了一条有效途径。     

基于支持向量学习机方法的抗真菌药物活性预测

为了预测分子的抗真菌活性,计算了表征分子的电子、拓扑、几何结构和分子形状等特征的67个分子描述符,并用于支持向量学习机对分子抗真菌活性分类模型的建立和活性预测.分别用留一法和五重交叉法对模型进行了验证.在五重交叉验证中,根据分子三维结构的相似性,首先把所研究的94个分子分成若干类,再分别从每一类中随机选择若干个分子组成若干个训练集,剩余的分子构成相应的测试集.结果表明,用上述两种验证方法得到的结果相近,且所建立的模型具有较高的预测性,交叉验证的预测正确率达到84.0%.     

基于ICP－MS截尾数据与支持向量机优化模型鉴别蜂蜜植物源

该文开展了一种电感耦合等离子体质谱（ICP－MS）截尾数据和支持向量机（SVM）分类模型识别蜂蜜植物源的研究。实验选取荆条蜜、洋槐蜜、葵花蜜、油菜蜜4种不同植物源的蜂蜜共97例,经微波消解等预处理后,采用ICP-MS分别测得蜂蜜样品中16种金属元素的含量,并研究13种具有显著性差异的金属元素,以含截尾数据和不含截尾数据的元素作为输入变量分别建立基于高斯径向基函数的SVM分类模型,并通过网格搜索法（GS）、遗传算法（GA）、粒子群优化（PSO）算法对SVM模型中的惩罚参数c和核函数参数g进行优化。结果表明：Al、Ti、Cr、Ni、As、Se、Cd、Ba、Pb 9种金属元素存在截尾数据;方差分析结果表明,4种不同植物源蜂蜜之间,Na、Mg、Al、K、Ca、Mn、Ni、Cu、Zn、Se、Ba、Pb 12种金属元素在95%置信区间差异极显著,As元素在95%置信区间差异显著,Ti、Cr和Cd在95%置信区间无显著性差异,使用替换法将截尾数据按二分之一检出限值处理并作为输入变量时所建立的SVM模型分类效果更优;使用截尾数据所建立模型的判别正确率为91.8%,而不含截尾数据建立模型的判别正确率仅为82.5%。使用网格搜索法、遗传算法、粒子群优化算法对分类模型中惩罚参数c和核函数参数g作进一步优化,通过PSO算法寻优获得惩罚参数c为62.8,核函数参数g为1.26的条件下所建立的分类模型最优,其综合判别正确率为96.9%。由此可见,利用替换法按二分之一检出限值处理截尾数据作蜂蜜植物源鉴别分析是可行的,同时表明基于ICP－MS截尾数据结合SVM优化模型能提高模型判别正确率并可有效鉴别不同植物源蜂蜜。     

反弹传播神经网络用于痕量铬的示波计时电位法测定

首次将反弹传播算法神经网络用于铜箔钝化液中痕量铬的示波计时电位法测定。探讨了网络层数、层结点数和结点转移函数等网络参数对预测结果的影响。实验结果表明 :Cr 浓度在 4.0× 10 -7～ 1.3× 10 -6mol/L范围内与示波计时电位曲线上的切口深度呈线性关系 ,检测下限可达 8× 10 -8mol/L ;与标准BP神经网络的训练和预测结果相比较 ,反弹传播神经网络用于示波测定时不仅具有较高的预测精度 ,而且大大提高了网络训练的收敛速度