支持向量机回归法在近红外光谱测定植物纤维原料中甲氧基含量中的应用

以26个植物纤维原料为实验材料,由20个样品作校正样品,采用径向基核函数方法对纤维原料中甲氧基含量与纤维原料样品近红外光谱进行支持向量机(SVM)回归建模.以所建SVM回归模型对6个纤维原料样品中甲氧基含量进行预测,回归模型的预测结果与采用改良的维伯克法确定的甲氧基含量的相关系数为0.977,预测样本集的标准偏差为0.43.将SVM回归模型的预测效果与PLS回归模型的预测结果进行比较,所建近红外光谱测定植物纤维原料中甲氧基含量的SVM回归模型可用于实际植物纤维原料样品的定量分析,且具有较好的分析效果.     

中药材三七提取液近红外光谱的支持向量机回归校正方法

提出近红外光谱的支持向量机回归校正建模方法.以中药材三七渗漉提取液为实际分析对象,对其近红外光谱数据进行预处理和主成分分析后,用支持向量机回归算法建立人参皂苷R_g1,R_b1和R_d以及三七总皂苷的近红外光谱校正模型.以R_g1,R_b1和R_d的HPLC测定值及三七总皂苷的比色法测定值为参照,将本文方法与偏最小二乘回归和径向基神经网络建模方法相比较,结果表明,本文所建模型的预测准确性优于后两者,可推广应用于中药提取过程的近红外光谱分析.     

烟草组分的近红外光谱和支持向量机分析

测定了120个产自福建、安徽和云南烟草样品的近红外光谱. 在利用支持向量机(SVM)技术建立其定量、定性分析模型之前, 用小波变换技术对光谱变量进行了有效的压缩, 然后采用径向基核函数建立了75个烟草样品的分类模型, 同时建立了总糖、还原糖、烟碱和总氮4个组分的定量分析模型, 并利用45个烟草样品对模型进行了检验. 仿真实验表明, 建立的SVM分类模型分类准确率达到100%, 而4个组分的定量分析模型的预测决定系数(R2)、预测均方差(RMSEP)和平均相对误差(RME)3个指标值显示其模型泛化能力非常强, 预测效果良好, 可见这是一种有效的近红外光谱的建模分析方法.     

粒子群算法结合支持向量机回归法用于近红外光谱建模

研究了最小二乘法支持向量机(LSSVM)应用于烟丝样品和小麦样品的近红外光谱建模,采用粒子群优化算法(PSO)优化LSSVM的参数。通过对烟草样品和小麦样品的近红外光谱建模和预测,并与常规的偏最小二乘法(PLS)比较发现,PSO-LSSVM法具有更好的预测效果和稳健性。     

NIRS中联用EEMD与SPA建立变压器油中微水的LS-SVM回归模型

采集不同微水含量的变压器油的近红外光谱,利用集合经验模分解(EEMD)与连续投影算法(SPA),建立变压器油中微量水分的最小二乘支持向量机(LS-SVM)回归模型。结果表明,原始求导光谱经EEMD分解后得到8个本征模态函数(IMF),在去掉第一个IMF后重构数据比原始求导光谱数据直接建模具有较好的效果,而利用去掉第一个IMF后重构数据经SPA筛选出的4个特征光谱(只占全谱的0.78%)来建模则具有更好的预测效果,预测均方根误差为1.04776×10-3,预测相关系数为0.9840,说明EEMD与SPA联用具有比EEMD及SPA单独运用更好的效果,且最优模型应用于实际油品的检测同样具有很好的效果,对实现油中水分的高精度检测以及低维度变量建模具有实际意义。     

卷积神经网络和支持向量机算法在塑料近红外光谱分类中的模型应用

机器学习算法的应用使得塑料自动分类成为可能,而废旧塑料的分类回收对保护环境、节约资源有重要意义.该文结合近红外光谱分析技术,比较了使用一维卷积神经网络(1D CNN)和多元散射处理后支持向量机算法(MSC－SVM)建模的效果,及对PP新生料、PP再生料、PE新生料、PE再生料4种塑料分类的准确率.基于100个塑料样本近...     

一种基于最小二乘支持向量机算法的近红外光谱判别分析方法

将最小二乘支持向量机(LSSVM)用于近红外(NIR)光谱分析,建立一种新型的NIR光谱快速鉴别方法。以丹参药材道地性鉴别为例,对其NIR漫反射光谱进行主成分分析后,运用LSSVM法建立NIR光谱非线性分类模型,对丹参药材道地性进行快速鉴别。将本方法与经典SVM和BP神经网络法相比较,结果表明,本法判别准确率高,计算时间少,可推广应用于中药等天然产物质量快速鉴别。     

基于支持向量机的汽油族组成近红外光谱分析方法研究

提出一种基于最小二乘支持向量机(LS-SVM)的汽油族组成近红外光谱分析方法。采用国家标准方法(GB 11132-1989液体石油产品烃类测定法——荧光指示剂吸附法)测定了重庆地区销售的汽油族组成,并采用主成分分析-最小二乘支持向量机建立汽油族组成的预测模型。预测模型对汽油中芳烃和烯烃含量的RMSEC分别为0.2090和0.2142。实验结果表明所建模型具有计算量小,预测准确、可靠,而且操作简单、维护费及测试费用低等特点。     

主成分分析-支持向量回归建模方法及应用研究

将主成分分析(PCA)用于近红外光谱的特征提取,并与支持向量回归(SVR)相结合,实现了主成分分析-支持向量回归(PCA-SVR)用于近红外光谱定量分析的建模方法。与单纯的SVR方法相比,不仅提高了运算速度,而且提高了模型的预测准确度。将PCA-SVR方法用于烟草样品中总糖和总挥发碱含量的测定,所得结果的预测均方根误差分别为1.323和0.0477;回收率分别为91.8%~112.6%和88.9%~120.2%。     

支持向量回归建立成品汽油通用近红外校正模型的研究

针对目前采用偏最小二乘法建立成品汽油分析模型存在的问题,采用近几年新兴的支持向量回归方法建立了多种汽油标号通用的校正模型,其预测能力优于对应的偏最小二乘法,对汽油研究法辛烷值、烯烃和芳烃的预测标准偏差分别为0.37、1.28%和1.38%,可应用于实际的汽油管道自动调合近红外光谱在线分析.     

基于局部最小二乘支持向量机的光谱定量分析

提出了一种基于局部最小二乘支持向量机(LSSVM)的回归方法,以克服待测参数和光谱数据间的非线性。本方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LSSVM校正模型。由于每个测试样本建模时要选取不同的训练样本,因此提出相对距离的概念用来改进高斯核函数,使LSSVM的参数对于不同的训练样本具有自调整功能。针对一批汽油样本的实验结果表明,本方法的预测精度优于常见的局部线性建模方法和全局建模方法。     

近红外光谱结合LSTSVM算法判别不同等级烟叶

本文用近红外光谱结合最小二乘双胞胎支持向量机(LSTSVM)算法建立了烟叶等级分类模型。从三个等级共210个烟叶样品中,取出120个样品作为建模集,剩余90个样品作为预测集。为了建立最优模型,对光谱预处理方法和模型参数进行筛选优化,最优模型对预测集样品的平均识别率为95.56%,结果表明该方法可以作为烟叶等级分类的一种有效方法。此外,将该算法与SIMCA、PLS-DA、SVM等三种常见的模式识别算法进行了比较,结果表明基于样品的原始光谱,同等条件下,LSTSVM算法的预测效果优于其他三种算法。     

近红外光谱法最小二乘双胞胎支持向量机的应用研究

依据中药大黄的近红外光谱信息,采用最小二乘双胞胎支持向量机( LSTSVM)算法,通过MATLAB软件编程,建立参数可优化识别模型,实现了对中药大黄的真伪鉴别.将实验材料98个大黄样品随机划分为训练集和测试集,对于训练集60个样品采用留1/5法交叉验证优化模型参数,以所选最优化参数结合训练集样品的近红外光谱建立最优识别模型,对测试集的38个样品的真伪迸行识别,识别率可达97.4％.结果表明,LSTSVM算法是一种有效的识别方法,可依据中药大黄的近红外光谱对其真伪进行快速识别.同时,本研究将大黄样品6次随机划分为训练集和测试集,建模预测平均识别率为93.4％,表明采用LSTSVM算法建立识别模型具有较好的稳健性.     

加权最小二乘支持向量机改进算法及其在光谱定量分析中的应用

为克服异常训练样本对校正模型的负面影响,提出了一种加权最小二乘支持向量机(WLS-SVM)的改进算法,解决了原有算法存在的迭代收敛问题,并将其运用于光谱定量分析.实验结果表明:与原有算法相比,WLS-SVM改进算法显著增强了对异常样本的检测能力,并大幅度地提高了校正模型的稳健性.     

基于近红外光谱的果蔬脆片品质评价方法研究

本文选取苹果脆片为研究对象,结合最新果蔬脆片研究成果和支持向量机机器学习方法,以苹果脆片近红外光谱吸收值数据样本为基础,根据不同苹果样本、不同时序的红外光谱吸收值数据特征信息,产生不同的映射关系,将红外光谱吸收值映射到对应样本在对应时刻的各项品质指标(如水分含量),然后利用支持向量机(Support Vector Machine,SVM)方法对近红外光谱吸收值的数据样本进行训练,通过调整模型参数来体现不同苹果个体间的生理差异,以取得更接近于实际情况的品质指标预测效果。模拟仿真实验表明该模型的平均相关系数(R~2)达到93.81%,均方误差(MSE)为0.0057。该研究可为果蔬脆片的评价体系提供新的参考方法。     

基于支持向量机的近红外特征变量选择算法用于树种快速识别

将稳定度自适应重加权采样特征变量选择算法用于支持向量机定性分析(Support vector machine-stability competitive adaptive reweighted sampling,SVM-SCARS)。该算法通过对数据多次采样建模计算各变量的稳定度值,稳定度值能更加客观准确地评估变量在建模中的作用,因此可作为变量重要性的评价依据。通过循环迭代方式,采用自适应重加权采样技术逐步筛选变量,然后以每次循环所得变量子集建立SVM模型,并以模型交叉验证分类正确率(Correct classification rate of cross validation,CCRCV)评估子集优劣,确定最优特征变量子集。将该算法结合漫反射近红外光谱技术建立了制浆造纸常用木材的树种识别模型,实现了对4种桉木和2种相思木的快速识别分类。最终共筛选出15个特征变量建立分类模型,模型对各树种分类的正确率达97.9%,具有较好的分类效果。与全光谱模型和递归特征消除支持向量机模型相比,SVM-SCARS能够筛选出更少的特征变量,且模型具有更好的预测性能和稳定性。研究结果表明,SVM-SCARS算法能够有效优化光谱特征变量,提高近红外在线分析模型在木材材性分析中的稳健性和适用性。     

基于迭代保留信息变量和连续投影的近红外光谱波长选择方法

连续投影算法(SPA)作为一种波长选择算法,用于近红外光谱的定量分析中以简化模型复杂度,提高模型预测精度.由SPA算法的原理可知,SPA算法只能保证相邻两次投影所选择的两个波长之间具有较低的冗余性,但不保证所选变量一定是有效变量,即SPA筛选出的变量子集中可能包含一些无信息变量甚至是干扰变量.所以通过迭代保留信息变量(...     

大豆蛋白的中红外和近红外光谱研究

大豆蛋白在各领域的应用已得到广泛的关注,因此大豆蛋白及其改性材料在结构性能方面的研究显得越来越重要。中红外光谱(mid-infrared spectroscopy,MIR)和近红外光谱(near-infrared spectroscopy,NIR)正是对蛋白质进行定性定量分析的有力手段。中红外光谱可以有效地分析大豆蛋白在溶液和薄膜中的二级结构以及大豆衍生材料内蛋白质的结构变化情况。近红外光谱则在蛋白质定量分析方面有着独特的优势。本文介绍了运用这两种光谱技术进行研究的一些工作,这些实例表明了中红外和近红外光谱在大豆蛋白研究领域的重要应用价值。     

基于粒子群算法的最小二乘支持向量机在红花提取液近红外定量分析中的应用

提出一种基于粒子群算法的最小二乘支持向量机(PSO-LS-SVM)方法,用于建立红花提取过程关键质控指标的定量分析模型.近红外光谱数据经波段选择、预处理和主成分分析(降维)后,利用粒子群优化(PSO)算法对最小二乘支持向量机算法中的参数进行优化,然后使用最优参数建立固含量和羟基红花黄色素A(HSYA)浓度的定量校正模型.将校正结果与偏最小二乘法回归(PLSR)和BP神经网络(BP-ANN)比较,并将所建的3个模型用于红花提取过程未知样本的预测.结果表明,BP-ANN校正结果优于PSO-LS-SVM和PLSR,但是对验证集和未知样品集的预测能力较差,而PSO-LS-SVM和PLSR模型的校正、验证结果相近,相关系数均大于0.987,RMSEC和RMSEP值相近且小于0.074,RPD值均大于6.26,RSEP均小于5.70％.对于未知样品集,pSO-LS-SVM模型的RPD值大于8.06,RMSEP和RSEP值分别小于0.07％和5.84％,较BP-ANN和PLSR模型更低.本研究所建立的PSO-LS-SVM模型表现出较好的模型稳定性和预测精度,具有一定的实践意义和应用价值,可推广用于红花提取过程的近红外光谱定量分析.     

支持向量回归同时测定苯丙氨酸、酪氨酸和色氨酸的研究

在波长200~400 nm范围内,测定酪氨酸、色氨酸和苯丙氨酸混合体系的吸光度,用连续小波变换(CWT)对光谱数据进行预处理,再用支持向量回归(SVR)方法进行建模,建立了支持向量回归紫外分光光度法同时测定酪氨酸、色氨酸和苯丙氨酸的方法,用所建方法对模拟样品进行了测定。结果表明,酪氨酸、色氨酸和苯丙氨酸预测结果的回收率在98%~102%之间,测定结果准确。