共查询到10条相似文献,搜索用时 125 毫秒
1.
基于偏最小二乘回归的类模型方法用于中药牛黄的真伪鉴别 总被引:1,自引:1,他引:0
针对独立软模式类簇法(SIMCA)在确定主成分数和决策区间时遇到的困难,提出了一种基于PLSR的类模型方法——PLS类模型方法(PLSCM)。通过把类描述问题转化为常见的PLSR问题,采用成熟的蒙特卡罗交互验证法确定模型的隐变量数和决策区间。采用本方法对不同牛黄样品的近红外光谱数据(波长范围4000~9000 cm-1)进行分析,可成功鉴别牛黄的真伪。本方法的可操作性和鉴别准确率均优于经典的SIMCA方法。对于原始光谱数据,PLSCM的训练和预测准确率均为100%,对于经SNV处理的数据,训练和预测准确率分别为99%和100%。 相似文献
2.
通过对饶河本地的蜂蜜样品和其它地区蜂蜜样品的红外光谱谱图进行分析,利用化学计量软件建立饶河黑蜂蜂蜜产地真假判别模型。利用中红外光谱分析仪,分别采用5倍稀释和10倍稀释的前处理方法对95个饶河本地蜂蜜样品和其它地域具有代表性的31个蜂蜜样品进行测定,利用质量控制模块和分析软件对样品集和校正集进行建模处理,对建立的模型加以筛选和优化,最终确定主成分数F=3、门槛值T=2所建立的判别模型符合建模要求,该模型可以对饶河黑蜂蜂蜜产地进行较为准确的判定,判定准确率为90.3%。结果表明中红外光谱技术对饶河黑蜂蜂蜜进行真伪判别是一种有效的方法。 相似文献
3.
由于校正集样本的质量决定校正模型的质量,校正集中奇异样本的检测在多元校正建模中具有非常重要的意义.本研究建立了一种用于近红外光谱多元校正建模时校正集中奇异样本的检测方法.本方法基于奇异样本的定义和偏最小二乘方法的原理,通过考察每个校正集样本在模型的每个因子(或主成分)中对模型的贡献,将与多数样本表现不同的样本识别为奇异样本.采用218个橘汁样本构成的近红外光谱数据进行了分析,结果表明,校正集中存在6个奇异样本,扣除奇异样本后,校正集的交叉验证均方根误差由16.870减小为4.809,预测集的均方根误差从3.688减小为3.332. 相似文献
4.
5.
该文使用基于光谱图像特征抽提的尺度不变特征变换(SIFT)的多步波长筛选方法建立了烟叶总还原糖(TRS)的近红外光谱(NIRS)稳健模型,实现了其在多台仪器的直接共享和长期应用。首先采用SIFT方法根据代表性主机样品光谱挑选特征光谱点集合Uc,然后从Uc中剔除样本光谱标准方差(SDSS)过低的点,挑选重要特征光谱点集合Uic,此两步波长筛选法简称为SIFT-SDSS。随后进一步从Uic中挑选对水分不敏感(Moisture-unsensitive,MUS)的波长点,得到重要且稳定的光谱点集合Uisc,此3步波长筛选法简称为SIFT-SDSSMUS。从2011~2013年采集的292个主机烟叶样品中按TRS浓度区间选择80%样品作为建模集,建立不同波长集合下烟叶TRS的偏最小二乘回归(PLSR)校正模型。结果表明,基于SIFT-SDSS两步波长筛选的光谱点建立的TRS模型传递到6台从机预测另外77个2011~2013年样品的TRS时,所有从机样品的平均相对误差绝对值(MARE)均小于6%,满足企业内控要求。该模型对5台近红外仪上2014~2020年各年度样品、1台近红外仪上2014~201... 相似文献
6.
采用红外光谱法建立PLS-BP模型检测在用润滑油燃油稀释的含量。在新润滑油中加入柴油配制柴油含量在0~8%的标准样品,采集样品光谱。经光谱特征分析,选择1500~680 cm~(-1)为建模区间,对光谱进行一阶微分和SG平滑处理,净化谱图信息。基于PLS回归系数选择10个特征波数建立BP神经网络模型,经反复试验寻优,隐含层神经元个数为10,最小均方误差为2.8×10~(-8),学习速率为0.04,模型Rp达到0.9642,SEP为0.5716%。对在用油样品进行加标回收试验,回收率在92.6%~107.2%。结果表明:PLS-BP模型可以用于在用油柴油稀释的检测。 相似文献
7.
8.
利用傅立叶变换红外光谱技术对收集的29种皮鞋类黑色鞋底样品进行了测定分析,其中24种样品来自不同品牌或型号,5种样品来自同一品牌同一厂家同一批次.从红外光谱图中可以看出,依据红外光谱图中特征峰的峰数、峰位、峰形可将29个鞋底样品分为3大类.同一大类的部分鞋底样品有着相似的红外光谱特征,但在相对峰高比和指纹区中一些弱吸收峰上仍然存在明显差异.同一品牌同一厂家同一批次的鞋底样品红外光谱特征基本一致.这表明傅立叶变换红外光谱法是鉴别鞋底材料的有效方法,可以为案件现场遗留的各种鞋底材料残渣及其擦痕提供种属鉴别及比对分析. 相似文献
9.
10.
蒙特卡洛交叉验证用于近红外光谱奇异样本的识别 总被引:1,自引:0,他引:1
奇异样本识别是建立稳健模型的基础,但大样本数据集中奇异样本的识别非常困难.基于样本在蒙特卡洛交叉验证中的统计规律提出了一种奇异样本的识别方法,即首先利用蒙特卡洛交叉验证建立一定数量的模型,然后按照预测误差平方和(PRESS)排序并统计每个样本在不同模型中的出现频次.由于奇异样本的特殊性,其出现频次将与正常样本具有显著差异.通过对4组数据进行考察,结果表明:此方法可以有效地识别近红外光谱中的奇异样本,比常用的留一法交叉验证(LOOCV)方法具有更强和更准确的识别能力. 相似文献