互信息诱导子空间集成偏最小二乘在近红外光谱定量校正中的应用

在集成框架下,提出了一种联合自助采样和基于互信息变量选择的子空间回归集成偏最小二乘算法MISEPLS.此算法的核心是通过训练集自助采样和随后计算互信息的方式来引入成员模型的差异性.由于互信息量小于一个特定阈值的变量被淘汰,每个成员模型在原始变量的一个子空间得到训练.模型融合考虑了简单平均和加权平均两种方式.通过两个近红外光谱定量校正实验,与建立单模型的全谱偏最小二乘算法(PLS)和基于互信息变量选择的偏最小二乘算法(MIPLS)进行了比较.结果表明,在不增加模型复杂度的情况下,MISEPLS能建立起更精确、更稳健的校正模型.     

基于LSTM的浮选钼精矿品位软测量模型

战略性稀有金属钼矿品位低,组分复杂、嵌布粒度细等特点,其有价金属分离回收难。浮选作为微细粒钼矿分离回收的主要选矿方法之一,其浮选钼精矿品位一直是选厂的关键性产品指标。国内大多数选厂采取轮班制采样,人工化验得到精矿品位结果,但此方式严重滞后于浮选工艺,难以满足对生产过程进行实时监测和操作指导。LSTM是一种特殊的循环神经网络,引入门机制有效的传递或选择性遗忘长时间序列中的信息,解决RNN中的长期依赖、梯度消失和爆炸问题。本文分析整理东坡选厂中各平台源数据,结合选厂浮选工艺及机理,筛选出多个影响浮选钼精矿品位的变量作为模型输入;将输入变量进行异常值判定,缺失值填充和数据降噪等数据预处理,建立高质量浮选钼精矿品位数据库;软测量模型采用PyCharm软件编码,使用BatchNorm批量规范化处理样本数据,加入Dropout正则化防止过拟合,建立基于LSTM的浮选钼精矿品位软测量模型,通过前向传播算法更新神经网络结构参数,并于Linear模型和CNN模型的预测性能指标结果比较。结果表明：基于LSTM的浮选钼精矿品位软测量模型预测准确度高,样本数据误差波动平稳,浮动范围小,模型泛化能力强,模型平均绝对百分比误差MAPE为1.13%,均方根误差RMSE为0.7049%,决定系数R2为0.8763,实现了浮选钼精矿品位的在线预测。     

基于迭代缩减窗口自助软收缩算法的近红外光谱变量选择方法研究

该文针对近红外光谱因冗余变量导致的标定模型预测性能差的问题,提出了一种迭代缩减窗口自助软收缩（ISWBOSS）算法。该方法使用窗口对变量进行划分,随机抽取窗口并利用其中的变量建立子模型,计算窗口内变量回归系数的归一化并作为权重继续进行加权采样,从而逐步实现变量空间的软收缩。同时在迭代过程中不断缩减窗口大小对特征变量进行精确搜索。通过在玉米数据集上进行验证,并与全谱法、遗传算法、竞争自适应重加权采样法和自助软收缩法建立的偏最小二乘模型对比,结果表明,新方法不论在准确性还是稳定性上都具有显著优势。以玉米蛋白质含量预测为例,与自助软收缩算法相比,ISWBOSS的预测均方根误差从0.041 8降至0.010 3,且达到最优模型所需的迭代次数更少,运算效率更高。该方法对提高近红外光谱标定模型的性能具有一定的指导意义。     

近红外光谱模型转移新算法

模型转移是解决分析仪器或分析方法通用性的关键技术。近红外光谱受测量仪器或测量条件的影响较大,模型转移对近红外光谱技术的实际应用尤为重要。本文综述了近年来近红外光谱分析中被广泛应用和新提出的模型转移算法,从计算原理角度梳理了有标样和无标样算法的联系和区别。有标样算法重点介绍了基于多元校正、因子分析、人工神经网络、多任务学习的模型转移方法,无标样算法重点介绍了基于光谱校正、模型参数校正和稳健建模的模型转移方法。从算法的角度分析了各种模型转移方法的特点和转移效果,并展望了模型转移算法的进一步发展。在综述的众多方法中分段直接标准化及其变体仍是模型转移的黄金标准,但是,基于因子分析的算法正变得受欢迎且基于神经网络和多任务学习的方法近年来也吸引了越来越多的注意。但是,在实际应用中,获得标准样品以在主机和子机上测得其光谱比较困难甚至是不可能的,无标样模型转移则更加实用。此外,随着仪器小型化、成像及超光谱成像的发展,模型转移在未来会变得愈加必不可少。     

简单平均组合建模法测定烟丝中4种成分

多元校正成为分析化学的一个重要方法,其应用领域涉及食品工业、农业、医药工业等.借助于近红外测量技术,定量分析模型的建立及日常应用都变得非常方便.     

子空间集成回归算法在多元校正中的应用

为提升多元校正模型的性能并简化其复杂度,遵循机器学习领域的集成思路,提出了一种基于子空间建模并以多元线性回归为基础的算法,多元校正算法,简写作SER-MLR。通过两个近红外光谱定量应用试验及与全谱偏最小二乘算法(PLS)的比较,验证了其优良的综合性能,该算法不仅容易解释,而且能够以更低的计算代价建立起简洁、稳健的校正模型,对过拟合也不敏感。     

主成分-BP算法在近红外光谱法纸浆卡伯值测量中的应用研究

提出采用主成分-BP算法建立纸浆卡伯值近红外光谱法在线测量模型。结果表明,这种算法由于既考虑到了近红外光谱响应的非线性因素,又可防止BP算法在建模时出现“过拟合”的现象,利用该算法建立的纸浆卡伯值测量模型与一元回归,多元回归和主成分回归等线性方法相比,具有更高的预测精度。     

近红外光谱混合模型定量分析不同物理状态样品的研究

近红外光谱(NIRS)以漫反射模式对非均质样本进行测量时,由于其光谱散射和吸收系数差异较大,建立的校正模型准确性和稳健性较低,因此,本研究提出了一种基于均质样本和模型转移方法建立混合模型的策略,解决非均质样本近红外光谱检测的问题.以烟叶样本为研究对象,分别建立了基于Shenk专利算法(Shenk′s)、分段直接标准化(PDS)和基于典型相关分析的模型转移算法(CTCCA)的烟粉+烟丝、烟粉+烟片混合模型,用于烟丝和烟片样本中烟碱含量的预测.结果表明,混合模型对烟丝和烟片样本的预测均方误差(RMSEP)较直接建模分别降低了1.39%和2.73%,预测结果有一定的改善,稳健性提高,3种方法中CTCCA表现最优.因此,采用近红外光谱均质模型和模型转移方法建立的混合模型对非均质样本的测定具有可行性,有利于在线近红外光谱分析技术的发展,可为近红外光谱模型的共享提供参考.     

色谱检定用测量仪研制及应用

介绍色谱检定用测量仪的工作原理、结构设计及模型建立,研制了精密温度测量电路、单片机控制电路及数据处理显示电路等,详细叙述了色谱检定用测量仪的软、硬件设计,通过实验证明了该仪器测量的准确性和可靠性。     

可解释深度学习在光谱和医学影像分析中的应用

深度学习是一种基于神经网络的建模方法,通过不同功能感知层的构建获得优化模型,提取大量数据的内在规律,实现端到端的建模。数据规模的增长和计算能力的提高促进了深度学习在光谱及医学影像分析中的应用,但深度学习模型可解释性的不足是阻碍其应用的关键因素。为克服深度学习可解释性的不足,研究者提出并发展了可解释性方法。根据解释原理的不同,可解释性方法划分为可视化方法、模型蒸馏及可解释模型,其中可视化方法及模型蒸馏属于外部解释算法,在不改变模型结构的前提下解释模型,而可解释模型旨在使模型结构可解释。本文从算法角度介绍了深度学习及三类可解释性方法的原理,综述了近三年深度学习及可解释性方法在光谱及医学影像分析中的应用。多数研究聚焦于可解释性方法的建立,通过外部算法揭示模型的预测机制并解释模型,但构建可解释模型方面的研究相对较少。此外,采用大量标记数据训练模型是目前的主流研究方式,但给数据的采集带来了巨大的负担。基于小规模数据的训练策略、增强模型可解释性的方法及可解释模型的构建仍是未来的发展趋势。     

乙醇浓度测量模型的建立与应用--美国ASD-LabSpec近红外光谱仪的应用实例

应用近红外光谱分析方法实现乙醇浓度鉴别是一种快速而简便的方法。文章讨论了近红外光谱应用中影响模型精度的主要因素,以及实现精确预测模型所必须把握的关键。文章揭示了应用近红外光谱测量法实现《乙醇浓度（0～66％）测量模型》的全过程。     

基于神经网络的多元稀土萃取组分含量的软测量

提出了一种应用RBF神经网络建立多组分稀土萃取平衡模型的方法,通过与萃取过程物料平衡模型相结合给出了在线预测稀土申级萃取分离生产过程中各组分含量的软测量方法。通过现场操作运行实测数据的建模仿真验证,表明这种混合软测量方法是有效的。     

弹性反传神经网络法预测烷基苯的疏水性常数

 介绍了应用人工神经网络预测烷基苯分子疏水性常数的方法。该法同传统方法相比 ,具有操作简便 ,适用范围广的特点。基于误差反传神经网络 ,建立了分子连接性指数 (χ)、范德华表面积 (Aw)和疏水性常数 (logP)之间的数学模型。应用该模型对烷基苯分子的疏水性常数进行预测 ,其平均相对偏差为 0 6 7%。并且通过与标准误差反传算法和自适应学习算法相比较 ,发现弹性反传算法具有训练速度快 ,参数选择简单的特点。     

紫外光谱水质分析仪中的支持向量机方法

紫外光谱水质分析仪的一个关键技术是如何建立紫外光谱数据与有机污染物浓度之间的数学模型,以及提高模型的外推能力。本研究基于统计学习理论的支持向量机方法,提出了有机污染物浓度与紫外光谱数据的建模方法。该方法具有较强的推广能力和全局最优的特点,得到的数学模型的预测能力明显改善,从而提高了紫外光谱水质分析仪的测量精度。实验表明：该方法优越于目前在紫外光谱水质分析仪中常规采用的偏最小二乘算法。     

基于小波变换动态时间规整的近红外光谱模型传递方法

为解决因测量环境及仪器差异而导致的近红外光谱模型通用性较差的不足,提出一种基于小波变换动态时间规整算法的模型传递方法(Wavelet transform combined with dynamic time warping,WDTW),从而实现不同仪器之间模型的共享。首先,该方法将光谱进行小波变换预处理,然后利用动态时间规整算法(Dynamic time warping,DTW)找到近红外光谱波长点之间最优的对应关系并建立回归方程。使用近红外药品光谱数据集和汽油数据集建立传递模型,验证了基于小波变换动态时间规整模型传递方法的有效性。汽油光谱数据集C7、C8、C9和C10成分的预测标准偏差(SEP)分别为0.414 4、0.801 1、1.090 4和1.290 8;药品光谱数据集活性、硬度和重量的SEP分别为2.585 6、0.434 5和2.270 3,均小于传统方法。上述实验结果表明,所建立的模型传递方法能有效消除源机光谱和目标机光谱之间的差异,提高模型的稳定性和准确性,实现模型传递的效果。     

基于稳定一致波长筛选的无标样近红外光谱模型传递方法

测量环境及仪器间光谱信号的差异导致近红外光谱模型从主机传递到从机后,经常会产生过大误差。本研究提出了一种基于稳定一致波长筛选的无标样近红外模型传递方法(Screening stable and consistent wavelengths,SSCW),剔除主从仪器间差谱的标准偏差大于样品精密度测试光谱标准偏差的波长,以及精密度测试偏差过大的波长,筛选出仪器间光谱信号一致性好且稳定的波长建立近红外光谱定标模型。分别以玉米和黄芩样本集对本算法的有效性进行了检验。结果表明,SSCW模型传递后对从机样品的预测均方根残差RMSEP较全波长PLS模型直接传递结果小一个量级,大部分情况下优于分段直接校正算法(Piecewise direct standardization,PDS)的结果和文献报道的无标样模型传递结果。本方法具有传递性能好、模型参数少、稳健等优点,在不同仪器间可实现近红外光谱模型的无标样传递。     

基于灰狼算法的近红外光谱变量选择方法研究

基于群体智能的灰狼优化(GWO)算法具有参数少、结构简单、易于实现的优点,但在光谱领域的应用较少。该研究将GWO算法引入近红外光谱的变量筛选中,以玉米数据为例,考察了GWO算法中狼群性能、迭代次数、狼群数量及运算效率,并建立了偏最小二乘(PLS)模型对玉米样品中蛋白质、脂肪、水分以及淀粉含量的测定。结果显示,GWO算法运算效率很高,经过参数调优后建立PLS模型,其蛋白质、脂肪、水分及淀粉的保留变量数分别为19、19、14、34,预测均方根误差(RMSEP)从全波长PLS建模的0.245 8、0.122 4、0.339 8、1.105 8分别下降到0.147 7、0.080 1、0.176 2、0.739 8,分别下降了40%、35%、48%、33%,相关系数也相应地提高。因此,GWO算法不仅优化速度快,选择变量数少,还可以显著提高PLS模型的预测精度,是一种近红外光谱变量选择的有效方法。     

对鲍林电负性物理本质的探讨

鲍林电负性标度应用很广,但长期以来其物理意义不甚明瞭。本文试图通过建立等效氢原子模型,运用原子的价电子电离势的精确实验数据,建立新的电负性标度,从而探讨鲍林电负性的物理意义。在此之前先对鲍林及缪立根（Mulliken）电负性简介如下： 一、鲍林、缪立根电负性概述鲍林电负性的定义是：电负性是元素的原子在分子中吸引电子的能力。     

物像空间位姿表征模型及标定技术研究

从对单目视觉系统的空间定位技术着眼，本文研究了一种利用标准平面镜反射辅助三维空间测量的模型和方法。首先基于摄像机标定的基本原理，以条纹反射检测系统为初始结构，建立应用标准镜测量显示屏的空间位姿的物理模型，然后在对摄像机标定不确定度进行实验标定的基础上，进行了对条纹反射检测系统的三维空间位姿描述和测量。研究结果验证了本文技术方法模型有效、精度较高，扩大了单目视觉系统的测量范围，获得了更加紧凑的物像空间位姿测量系统结构。     

安第斯病毒抑制肽的优化设计

安第斯病毒是汉坦病毒的一种,能引起汉坦病毒肺综合征,严重威胁人类的健康和生命安全,但目前尚缺乏有效的治疗办法,病毒抑制肽具有潜在的应用价值。本文利用多肽分子整体描述符,对一组安第斯病毒抑制肽进行定量构效关系(QSAR)研究,建立模型;并以模型为指导对多肽进行优化设计,以进一步提高其活性。结果表明,基于遗传算法-偏最小二乘算法建立的QSAR模型显示了较好的预测能力(R20.80,Q2ext0.58);依据模型设计出一组具有较高预测活性的多肽,为高活性抗病毒多肽的合成和实验验证打下了基础。