小快拍高分辨目标方位估计算法 GMUSIC的性能分析*

针对水下运动阵列在运动过程中进行方位估计时存在快拍不足的问题,研究了基于随机矩阵理论的MUSIC改进算法GMUSIC,该方法通过Stieltjes变换建立起统计协方差矩阵真实特征值、特征向量与样本协方差矩阵之间在逼近域中的关联,以修正样本协方差特征分解的结果,进而实现小快拍方位估计。仿真与试验表明:GMUSIC算法可以更好地分辨相邻目标,且需要的快拍数较MUSIC算法要少;在低信噪比情况下,GMUSIC算法方位估计均方根误差远小于MUSIC算法,估计成功概率远大于MUSIC算法。因此,GMUSIC算法适用于解决水声目标的小快拍方位估计问题。     

采用空间谱加权稀疏约束的稳健Capon波束形成方法

针对标准Capon波束形成器旁瓣级高以及期望信号方向存在误差时,性能会严重下降的问题,提出一种基于噪声及干扰空间谱加权的稀疏约束Capon波束形成方法。该方法利用波束响应本身具有的稀疏特性,以及在稀疏重构算法中l₁范数具有抑制较大值保护较小值的特性,使用噪声及干扰的空间谱对不同角度的波束响应进行加权,然后施以稀疏约束。仿真、水池试验与湖上试验中,与其它几种方法比较表明该方法可以降低波束形成器的旁瓣级,获得较深的零陷,提高了阵列输出信干噪比与抗导向向量误差的能力。      

并行MapReduce PLS算法及其在光谱分析中的应用

偏最小二乘(PLS)算法是常用的光谱建模算法,然而对于海量光谱处理情形,在单台计算机上建模及优化时间开销很大。基于MapReduce编程模式,提出了并行MapReduce PLS回归算法,包括并行数据标准化和并行主成分提取两个过程。在多台普通计算机上搭建Hadoop云计算集群平台,以近红外光谱处理为例,开展了算法验证实验。实验结果表明,基于MapReduce编程模式的并行PLS算法对海量近红外光谱数据集进行回归建模时,能有效提高建模速度,随计算机台数的增多可得到接近线性的加速比,并具有良好的扩展性。     

分类先验特征选择算法在代谢组学数据变量筛选中的应用

该文提出了基于无监督判别投影特征选择的支持向量机方法（UDPFS－SVM）用于标志物筛选。UDPFS－SVM首先通过无监督判别投影算法（UDPFS）引入分类先验信息、添加正则化与惩罚函数等约束自适应地获得具有稀疏性的判别投影矩阵,然后根据获得的矩阵求得相应低维代谢矩阵,最后建立支持向量机（SVM）分类模型寻找生物标志物。所提出的方法能够同时进行模糊学习与稀疏学习,并可合理利用变量之间的依赖关系。通过UDPFS－SVM与偏最小二乘判别分析（PLS－DA）方法对高脂血症大鼠血浆代谢组学数据进行变量筛选,并采用方差分析、ROC曲线、线性判别分析（LDA）对筛选得到的生物标志物进行评价。结果表明,两种方法均发现8个生物标志物。方差分析显示UDPFS－SVM方法获得的生物标志物均具有显著性差异,且显著性差异值均大于PLS－DA;ROC结果显示UDPFS－SVM结果为1.00,比PLS－DA结果高0.05;LDA显示UDPFS－SVM获得的生物标志物在高脂血症样本中可以更好地消除组内代谢差异,区分组间代谢差异,说明UDPFS－SVM方法在高脂血症生物标志物发现上优于PLS－DA,为生物标志物的发现提供了一种新思路。     

基于稀疏主成分分析特征选择算法的山楂叶产地判别模型研究

为实现山楂叶产地的快速判别,提出一种基于稀疏主成分分析特征选择（SPCAFS）与支持向量机（SVM）建模的定性分析方法。采用近红外积分球漫反射光谱法采集6个产地共41批山楂叶123份样品的近红外光谱图,经数据预处理后,通过SPCAFS对代表性特征波段进行选择,并采用SVM建立山楂叶近红外产地判别模型。模型与连续投影（SPA）,正则化自表示（RSR）和稀疏子空间聚类（SSC）3种特征选择算法进行对比,以准确率、精确度和灵敏度作为评价标准,评估所提模型的预测性能。结果显示,SPCAFS的特征波段数相比于全波长建模从1 500减少到21,预测结果的准确率和精确度分别从78%、76%提升至97%、100%。同时,相比于SPA、RSR、SSC算法,准确率分别提升了6%、3%、3%,精确度分别提升了13%、10%、5%,模型的预测能力得到显著提升,基于SPCAFS的SVM判别模型可实现山楂叶南北产地的快速判别。     

近红外光谱法快速检测何首乌炮制过程中多糖含量的研究

该研究基于近红外光谱技术建立了何首乌在蒸制过程中多糖含量变化的快速定量模型。采用蒽酮-浓硫酸法测定了不同蒸制时间何首乌的多糖含量并结合采集的近红外光谱数据建立模型,以校正集相关系数(R²_c)、预测集相关系数(R²_p)、交叉验证集均方根误差(RMSECV)和预测集均方根误差(RMSEP)作为评价指标,考察了不同预处理方法和变量筛选方法的效果。结果显示,随着蒸制时间的延长,何首乌多糖含量先上升后下降并趋于平稳,采用平滑+变量标准化+随机蛙跳变量筛选建立的偏最小二乘法回归模型的R²_c=0.96,RMSECV=0.74,R²_p=0.96,RMSEP=0.28;外部预测相对偏差小于3.0%。所建立的多糖含量定量模型质量较高,预测能力较强,可为探索何首乌炮制工艺标准化及质量评价提供参考。     

基于GPU计算的并行PLS算法研究与实现

偏最小二乘算法(PLS)是与红外、近红外光谱分析结合使用最为广泛的化学计量学算法,然而当前PLS算法通常采用单线程方式实现,当校正模型数量多或样本数量大、波长点数和主成分数较多,模型需对光谱预处理和波长选择方法反复优化时,计算十分缓慢。为大幅提高建模速度,该文提出了一种基于图形处理器(GPU)的并行计算策略,利用具有大规模并行计算特性的GPU作为计算设备,结合CUBLAS库函数实现了基于GPU并行的PLS建模算法(CUPLS)。利用近红外光谱数据集进行性能对比实验,结果表明CUPLS建模算法较传统单线程实现的PLS算法,加速比可达近42倍,极大地提升了化学计量学算法的建模效率。该方法亦可用于其它化学计量学算法的加速。     

基于可扩展的自表示学习波段选择算法在近红外光谱回归建模中的影响研究

该文提出了一种基于可扩展的自表示学习（SOP－SRL）波段选择与偏最小二乘（PLS）建模的定量模型分析方法,以安胎丸指标含量阿魏酸、黄芩苷和汉黄芩苷为研究对象,通过SOP－SRL选取代表性波段,采用PLS建立近红外光谱回归模型,并与相关系数法（CC）、正则化自表示学习算法（RSR）和稀疏子空间聚类法（SSC）3种波段选择算法的建模结果进行对比,以校正决定系数（R2c）、校正均方根误差（RMSECV）、预测决定系数（R2p）和预测均方根误差（RMSEP）为评价标准,对回归模型的预测性能进行评估。结果显示,SOP－SRL在3种数据集上均取得了较好的结果,建模波段从全波长的800分别减少到70、67、87;RMSEP分别从0.080 1、6.349 5、0.742 5下降到0.065 3、3.620 8、0.407 3,分别下降了18%、43%、45%;相应的R2p分别从0.911 9、0.879 4、0.915 8提高到0.938 8、0.952 6、0.970 1,分别提高了3%、8%、6%。结果表明,经SOP－SRL波长选择后模型的预测能力相比于其他几种算法得到显著提升,基于SOP－SRL的PLS模型可以实现安胎丸指标含量的快速检测。     

基于局部加权偏最小二乘的近红外光谱分析方法研究

针对近红外光谱分析技术中分析对象非线性现象突出的情况,提出了一种新的模型计算方法——局部加权偏最小二乘法(LWPLS)。以安胎丸为研究对象,采用LWPLS算法进行其近红外定量模型的建立,并比较偏最小二乘法(PLS)与LWPLS两种算法建立定量模型的精度。结果测得两种算法建立的校正模型中,阿魏酸的模型相关系数(R~2)分别为0.785 5、0.971 9,预测误差均方根(RMSEP)分别为0.126 6、0.043 8,相对预测误差(RE)分别为12.66%、9.18%;洋川芎内酯A的R~2分别为0.886 4、0.964 9,RMSEP分别为0.114 8、0.077 1,RE分别为14.01%、7.81%,显示LWPLS算法建立的模型精度更高。研究表明,采用LWPLS算法可提高安胎丸定量模型的准确性,具有可推广性和广泛的应用性。