基于双潜变量技术的SPA算法应用于NIR波长筛选

利用近红外(NIR)光谱技术定量检测鱼粉的灰分含量,提出基于双潜变量技术的改进连续投影算法(DLV-SPA),针对光谱矩阵和目标成分进行双潜变量提取,结合连续投影完成特征变量筛选,为NIR定量分析提供有效的信息波长,实现降维定标,以达到提高预测精度的目的。结果表明,DLV-SPA方法应用于鱼粉品质的NIR定量检测,能够快速有效地完成信息波长筛选。该方法为动物养殖业提供了一种有潜力的品质检测技术,具有一定的应用价值。     

潜变量机器学习方法在咖啡NIR定量分析中的应用

采用近红外（NIR）光谱快检技术实现对咖啡蛋白质的定量检测,研究支持向量机（SVM）和极限学习机（ELM）等机器学习方法在建模分析中的实用性。结合潜变量分析技术,建立潜变量SVM（LV-SVM）模型和潜变量ELM（LV-ELM）模型,通过调试潜变量个数和机器学习关键参数的联合优选,实现数据降维和机器学习关键参数的同过程优化。运用定标-验证-测试机制,利用定标集样本建立咖啡蛋白质的NIR分析模型,随参数变动形成三维随动优选结构的建模预测结果,结合验证集样本对模型进行联合优选,然后将优化模型应用于测试集样本进行模型评价。LV-SVM建模优选的验证集预测均方根误差为6.797,对应的测试集预测均方根误差为8.384。LV-ELM建模优选的验证集预测均方根误差为6.118,对应的测试集预测均方根误差为7.837。与常规偏最小二乘（PLS）方法相比较,LV-SVM和LV-ELM方法均取得更好的预测结果,验证了潜变量机器学习方法在近红外定量分析中的应用优势,该方法有望应用于不同类型的咖啡各成分含量检测。