PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大，LIBS定量分析精度不佳等问题，采用粒子群算法对LSSVM进行优化，提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱，每个浓度样品在不同点采集20组数据，将其中17组数据设为训练集，3组数据设为预测集，用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响，随着浓度的增加，预测值逐渐低于实际值，LSSVM定标模型的拟合程度较低，无法达到实验要求，模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化，得到最佳的参数组合，Pb元素为(8 096.8, 138.865 7)，Cr元素为(4 908.6, 393.563 5)，用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM，PSO-LSSVM定标模型的精确度更高，Pb和Cr元素的R2提高到了0.982 8和0.985 0，拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%，预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%，模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响，提高分析结果的精确度与稳定性。     

能实现“磁聚焦”的匀强磁场最小面积的探讨

通过建模定量研究能实现"磁聚焦"的匀强磁场区域的最小面积并应用到2009年高考海南卷和2021年高考湖南卷的高考题解答中.     

粗糙表面之间接触热阻反问题研究

当两个固体表面相互接触时,由于接触面粗糙度的影响,界面间就形成了非一致接触,这种接触导致热流收缩,进而产生接触热阻. 目前的理论研究主要集中在正问题研究,对反问题的研究相对较少. 接触热阻反问题研究是通过研究部分边界温度、热流和部分测量点的温度来反演得到界面上的接触热阻. 反问题研究在很多工程领域都有应用,如航空航天、机械制造、微电子等,是工程中确定接触热阻一种快速有效的方法. 本文采用边界元法和共轭梯度法研究了二维空间随坐标变化的接触热阻反问题. 为了验证方法的准确性和可行性,假定在已知部分测量点温度和真实接触热阻的情况下,反演计算得到界面的温度和热流,进而得到接触热阻,并与真实接触热阻进行比较. 结果表明采用边界元法和共轭梯度法在无测量误差的情况下,可以准确反演获得界面的真实接触热阻. 若存在测量误差,反演计算结果对测量误差极其敏感,反演结果误差会由于测量误差的引入而被放大. 为处理这种不适定性, 采用最小二乘法对反演计算结果进行校正,结果表明采用最小二乘法能够避开反问题中一些偏离实际值较大的测量点,显著提高反演计算结果的准确性.      

浊度干扰下硝酸盐浓度紫外导数光谱检测方法研究

硝酸盐是水中“三氮”（硝酸盐氮、氨氮、总氮）之一，是反映水体受污染程度的一项重要指标。传统 “现场采样-离线分析” 的硝酸盐化学检测方法操作繁琐、耗时长，难以满足现代水环境实时在线检测需求。由于硝酸根在紫外区具有很强的紫外吸收特性，并且紫外吸收光谱法具有简便快速、可实现实时在线监测等特点，近年来被广泛用于硝酸盐浓度的测量。但使用紫外吸收光谱法检测水体硝酸盐含量时，容易受到水体浊度影响，造成谱线非线性抬升，导致测量误差。目前对浊度补偿算法的研究大都用于水中COD含量的检测，对硝酸盐检测中浊度干扰去除研究较少。为此提出一种基于一阶导数紫外吸收光谱的硝酸盐浓度测量方法，该方法可以减小浊度干扰，从而提高紫外光谱快速检测硝酸盐含量的准确度。通过测量福尔马肼与硝酸钠标准溶液和它们混合溶液在190~300 nm波段的紫外吸收光谱并做一阶导数光谱处理，处理后的光谱采用Savitzky-Golay滤波进行去噪平滑处理，比较浊度与硝酸盐紫外吸收一阶导数光谱特征，分波段研究浊度对硝酸盐紫外一阶导数光谱影响，结果表明硝酸盐导数光谱在220~230 nm波段受浊度影响小；选取220~230 nm波段作为光谱分析区间，以30种不同浓度混合的福尔马肼与硝酸钠溶液作为训练样本，利用偏最小二乘算法建立硝酸盐定量分析模型，使用该建模模型预测剩下的6种不同浓度福尔马肼与硝酸钠混合溶液中硝酸盐的浓度，结果表明福尔马肼干扰下硝酸盐测量结果的预测决定系数（correlation coefficient，R2）为0.994 3，预测均方根误差（root mean square error of prediction，RMSEP）为0.346 9 mg·L-1。为进一步验证该方法的准确性与稳定性，使用该建模模型预测高岭土与硝酸钾配制的混合水样中硝酸盐的浓度，结果表明该方法对高岭土干扰下硝酸盐测量结果的预测决定系数r2为0.991 5，预测均方根误差RMSEP为0.362 8 mg·L-1。综上所述，提出的硝酸盐浓度紫外导数光谱检测方法，采用220~230 nm波段的紫外导数光谱数据，结合PLS建模，可以快速准确测量在浊度干扰下水体硝酸盐的浓度，为发展实际水体硝酸盐在线监测技术与设备提供方法基础。     

Ensemble-SISPLS近红外光谱变量选择方法

近红外光谱具有高维小样本的特点，变量选择是提高定量分析模型稳健性和可解释性的一种有效方法。确定独立筛选（SIS）是一种基于边际相关性的超高维数据变量选择方法，广泛用于基因微阵列数据的变量选择。SIS具有将数据维度降低至样本大小规模的能力，其降维能力与LASSO相当，在相当宽泛的近似条件下，由于具有安全筛选性质，所有重要变量被保留的概率趋于1。基于确定独立筛选偏最小二乘（SIS-SPLS）的变量选择是一种迭代式的SIS变量选择方法，首先利用SIS方法完成光谱重要变量的初选；然后根据重要变量的边际相关性大小进行逐步前向选择：建立偏最小二乘回归模型，依据贝叶斯信息准则（BIC）确定最终的变量选择结果。SIS-SPLS以逐步前向选择的方式实现对重要变量的增量式筛选，随着潜变量个数的增加及因变量残差的逐步减小，SIS-SPLS方法选择的变量个数将趋于稳定。然而仅以边际相关性对变量重要性进行评价，当光谱变量个数远大于样本数时，该方法也存在选择的变量过多、变量选择结果不够稳健等问题。为进一步提高小样本情况下变量选择的稳健性，将集成学习引入SIS-SPLS方法之中，提出了一种集成SIS-SPLS变量选择方法（Ensemble-SISPLS）。该方法首先对校正集样本进行自助重采样，对采样得到的每一个校正子集分别使用SIS-SPLS方法进行变量筛选，通过投票机制并设置频次阈值对所有校正子集的变量选择结果进行集成，选择出现频次大于给定阈值的变量并建立偏最小二乘回归模型，计算5折交叉验证均方根误差。对频次阈值和潜变量个数两个关键参数使用网格搜索法进行优选，根据子模型的交叉验证均方根误差和变量个数对子模型性能进行综合评价，以最优子模型包含的变量作为最终的变量选择结果。分别在Corn数据集和当归数据集上进行变量选择实验，比较Ensemble-SISPLS，SIS-SPLS和UVE-PLS三种变量选择方法的性能。其中当归数据集共77个样本，样本采自甘肃岷县和渭源县，使用Nicolet-6700型近红外光谱仪扫描得到所有样本的近红外光谱并对当归中的阿魏酸含量进行预测。Ensemble-SISPLS方法在Corn数据集上选择的变量个数、RMSEP和决定系数分别为22，0.000 8和0.999 8；SIS-SPLS方法在Corn数据集上选择的变量个数、RMSEP和决定系数分别为97，0.007 3和0.998 8。Ensemble-SISPLS方法在当归数据集上选择的变量个数、RMSEP和决定系数分别为24，0.018 1和0.996 3；SIS-SPLS方法在当归数据集上选择的变量个数、RMSEP和决定系数分别为38，0.022 6和0.994 3。结果表明，该方法进一步提高了变量选择结果的稳健性和预测能力。Ensemble-SISPLS变量选择方法有效结合了SIS-SPLS较强的变量选择能力和集成学习良好的泛化能力，提高了变量选择的稳健性。此外，由于在子模型的预测能力和变量个数之间进行了折中，一定程度上减少了选择变量的个数，提高了模型的可解释性。     

高光谱成像的土壤剖面水分含量反演及制图

传统土壤水分的获取方法仅可获得离散的土壤水分点位数据，难以获得剖面上精细且连续的水分含量分布图。研究了野外条件下利用近红外高光谱（882～1 709 nm）成像反演剖面土壤水分含量（SMC），并实现精细制图的可行性。研究剖面位于江苏省东台市，我们利用近红外高光谱成像仪对剖面进行了5天原位连续观测，共采集了280个土样用于烘干法测定SMC。原始高光谱图像经数字量化值（DN）校正、黑白校正、拼接、几何校正、剪切和掩膜等一系列预处理后，提取各采样点的平均光谱反射率。提取光谱（Raw）经吸光度[LOG₁₀(1/R)]，Savitzky-Golay平滑（SG）、一阶微分（FD）、二阶微分（SD）、多元散射校正（MSC）和标准正态变量（SNV）转换后，采用偏最小二乘回归（PLSR）和最小二乘支持向量机（LS-SVM）方法建立SMC预测模型，并对比分析不同光谱预处理方法与建模方法组合条件下SMC的预测精度。结果表明，光谱反射率随SMC增加逐渐降低，不同光谱预处理方法的预测精度有所差异，除MSC方法外，同一光谱预处理方法的LS-SVM模型预测精度均高于PLSR模型，并且基于LOG₁₀(1/R)光谱的LS-SVM模型对SMC预测精度最高，其建模集的决定系数（R2_c）和均方根误差（RMSE_c）分别为0.96和0.65%，预测集的决定系数（R2_p）、均方根误差（RMSE_p）和相对分析误差（RPD_p）分别为0.88，1.05%和2.88。利用最优模型进行剖面SMC的高空间分辨率精细制图，通过比较SMC反演图中提取的预测值与实测值关系发现预测精度较高（R2: 0.85～0.95, RMSE: 0.94%～1.02%），且两者在剖面中的变化趋势基本一致，说明SMC反演图不仅能很好地反映出土壤水分在整个剖面中毫米级的含量分布信息，也可反映出同一位置处不同天数间的含量差异。因此，利用近红外高光谱成像结合优化的预测模型，能够实现土壤剖面SMC的定量预测及精细制图，有助于快速、有效监测田间剖面土壤水分状况。     

基于i PLS的矿井突水激光诱导荧光光谱特征波段筛选

矿井突水一直威胁着煤矿井下施工人员的生命安全，准确且快速识别矿井突水水源类型对于矿井的安全生产起到关键性作用。激光诱导荧光(LIF)光谱技术识别矿井突水水源，有效避免了常规的水化学法需要测定多种化学参数，水源识别时间过长的缺点。提出一种间隔偏最小二乘法(iPLS)与粒子群联合支持向量分类算法(PSO-SVC)相结合的方法，iPLS算法常应用于光谱波段优选和模型的回归分析，PSO-SVC则在机器学习领域有着重要的应用，激光诱导荧光技术具有快速的时间响应、测量精度高等特点，iPLS和PSO-SVC算法运用于光谱图和光谱数据的分析，进而可以对突水水源类型识别分类。首先，用淮南矿区采集到的7种(每种水样30组)共210组荧光光谱数据进行实验，对老空水、灰岩水、灰岩水和老空水不同体积比混合水样的激光诱导荧光光谱图的差异性进行分析。比较了留出法和Kennard-Stone样本划分方法所得到的PSO-SVC模型分类准确率，采用留出法得到的训练集水样(140组)和测试集水样(70组)作为实验样本。其次，用iPLS算法将全光谱波段依次按10～25波段区间进行等分，选取划分区间的RMSECV(交叉验证均方根误差)值小于全光谱波段RMSECV值(阈值)的波段作为特征波段，结合光谱图对比分析了划分10和14个子区间的建模结果，发现通过直接观察得到的特征波段与iPLS算法筛选出的特征波段存在误差。最后，在不进行去噪、降维等预处理条件下，根据iPLS划分不同区间数的评价指标统计数据，选取划分11个区间所筛选出具有561个波长点的410.078～478.424和545.078～674.104 nm特征波段范围数据作为PSO-SVC模型的输入，以iPLS结合PSO-SVC算法筛选出的特征波段与全光谱波段、直接观察得到波段建模准确率相比，训练集与测试集的分类准确率高达100%，PSO寻优到的最佳惩罚系数c为1.367 0，核函数参数g为0.576 2。从实验结果可以看出，利用iPLS进行荧光光谱的特征波段筛选是切实可行的，提取出的特征波段能充分反映出全光谱波段的有效信息，为激光诱导荧光光谱技术用于矿井突水水源精准在线识别的研究提供了理论依据。     

火电厂CO2捕集系统的LSSVM-Hammerstein建模方法

针对火电厂燃烧后CO_2捕集过程的强非线性及大惯性等动态特性,研究准确性高的建模方法是系统优化设计的前提,本文从控制角度研究CO_2捕集系统的非线性动态辨识建模方法。首先介绍火电厂CO_2捕集系统工作原理,将系统抽象为二输入二输出的受控对象;然后采用基于最小二乘支持向量机的Hammerstein模型(LSSVM-Hammerstein)辨识方法,将CO_2捕集系统表示为静态LSSVM模型与动态线性模型的组合。辨识结果表明该模型有很高的辨识精度和泛化能力,能精确描述CO_2捕集系统非线性动态特性,为后续研究先进控制算法提供仿真平台和设计依据。     

木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节，传统的木材种类识别方法主要有显微检测法和木材纹理识别法，其操作繁琐，耗时长，成本高，不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法，以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究；5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理；校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法，通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型，原始光谱的正确识别率最高，分别为88.2%和88.2%；5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%；SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%；MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%；SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%；WD(小波基为“Haar”，分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知，在PLSDA模型中，木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中，原始光谱的校正集和测试集的CRR分别为99.7%和99.4%；5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%；SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%；MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%；SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%；WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知，在SIMCA模型中，木材光谱经平滑和小波导数处理后的识别效果最好，且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时，由于木材样本属性复杂，主成分分布图相互交织，PCA无法识别出58种木材；原始光谱的PLSDA模型可以得到较好的判别模型，但校正集和测试集的CRR只有88.2%和88.2%；木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果，校正集和测试集的CRR均为100%，且WD-SIMCA模型因子数比5点平滑SIMCA模型小，模型更为简化，故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度，有监督模式识别方法SIMCA可以用来建立有效的木材识别模型，近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。