红外光谱定量分析中的一种变量聚类偏最小二乘算法

偏最小二乘算法( Partial least squares, PLS)可以很好地解决分析数据中的变量共线性问题,在光谱分析,尤其是近/中红外及拉曼光谱的定量分析中应用广泛。针对PLS存在的有效信息提取和噪声抑制问题,提出一种变量聚类重加权的PLS算法。通过对光谱的各波数变量进行聚类并分别建模,然后集成为全谱模型。通过对计算并赋予各子类不同的权重,根据对模型的贡献对变量进行重加权,从而提高算法的预测精度。汽油中的辛烷值预测和烟草中的烟碱含量预测两组近红外数据验证表明,所提出算法优于经典的PLS算法,其RMSEP在两组数据中分别降低32%和22%,在光谱数据的定量分析中具有潜在的应用优势。     

基于模型的红外光谱温度预测及校正方法

温度校正是红外光谱定性定量分析中的一个关键问题,通过去除光谱数据中的温度效应,可以改善模型的线性度,从而提高模型的预测精度。通常的温度校正方法不仅需要记录训练集光谱的采集温度,而且需要记录测试集光谱的采集温度,这对很多实际应用中的光谱温度校正造成了困难。提出了一种基于模型的光谱温度预测及校正方法,通过训练集数据对光谱中的温度信息进行建模,利用模型的信息,从而能从测试集光谱数据中估计出采集温度,并进行光谱数据的温度校正,降低了温度校正方法对测试集光谱数据采集温度的依赖性。作为方法的验证,进行了两部分的实验：在第一部分的实验中,通过对十个浓度的水-乙醇二元混合物光谱数据的温度预测以及温度校正的实验,证明了本文方法的有效性;在第二部分的实验中,我们采用了Wulfert的经典温度校正方法CPDS的实验数据和实验方案,对三元混合物的光谱数据进行温度预测以及温度校正,得到了不亚于CPDS方法的温度校正效果,同时也证明了该方法对三元混合物光谱数据的适用性。通过两部分的实验表明,在缺少测试集测量温度的情况下,提出的温度校正方法仍可对光谱数据进行有效的预测和校正,降低了温度校正方法对测试集数据的依赖性,从而提高了温度校正方法的适用性。