基于无信息变量消除法与岭极限学习机的新型变量选择方法：以CO气体浓度反演为例

变量选择是光谱分析领域一个重要的组成部分。为了克服传统区间选择法的缺点与不足,基于无信息变量消除法和岭极限学习机提出一种新型的变量选择与评价方法。首先,利用无信息变量消除法剔除整个光谱区间中无信息的波长点;其次,为了解决传统建模方法(偏最小二乘法、BP神经网络等)存在的共线性问题,采用岭极限学习机方法建立回归模型;最后,最佳的特征光谱波长点组合利用特征选择路径图和稀疏度-误差折中曲线进行确定。CO气体的浓度反演实验结果表明：(1)利用无信息变量消除法可以有效筛选出最能表征CO气体透过光谱的特征波长点;(2)岭极限学习机方法具有快速建模、避免共线性和高精度等优点(CO气体浓度反演模型的决定系数可达0.995);(3)特征选择路径图和稀疏度-误差折中曲线可以直观地帮助用户寻找出最佳的特征波长点组合。     

基于波形叠加极限学习机的近红外光谱药品鉴别

近红外光谱药品鉴别作为识别假冒伪劣药品的一种有效技术手段,已被广泛应用到各大医疗行业和药品监督管理机构,并结合模式识别建模方法在基层药品打假中得到较好的推广。由于传统建模方法很难满足药品鉴别中大规模、多分类、快速建模等问题,因此采用一种基于波形叠加极限学习机(SWELM(CS))分类方法对光谱数据进行鉴别。通过选用极限学习机(ELM)作为光谱药品分类器,使得分类模型具有快速学习能力以及对训练样本不敏感的特点;由于极限学习机的连接权值和隐层神经元阈值是随机生成导致网络稳定性差,因此结合布谷鸟搜索算法优化分类模型参数;采用反双曲线正弦函数与Morlet小波函数叠加的激励函数代替ELM原有的单一激励函数改善了分类模型的收敛速度和稳健性。通过上述改进方法使得SWELM(CS)具有对训练样本不敏感性,布谷鸟参数优化的分类稳定性、波形叠加函数的强收敛性与信号特征提取能力。该方法为核函数提供的信号特征提取及拟合的思想,可推广到其他学习算法中以获取更高的分类准确度及稳定性。该实验选定西安杨森制药厂生产的249个近红外光谱药品样本作为研究的主要对象,重点研究光谱药品的二分类和多分类实验,实验证明SWELM(CS)分类器相比BP神经网络、标准ELM以及粒子群优化ELM等传统分类器算法具有更高的分类准确度、分类稳定性及更小的训练样本敏感性。     

基于光谱和改进极限学习机的土壤含盐量分析

研究盐碱地的性质、组成,对于生态环境具有重要意义。传统的含盐量测定方法大多基于化学分析,因其成本高、效率低的缺点使得应用于大面积土地的可行性很低。极限学习机（ELM）作为一种基于前馈神经网络构建的机器学习系统,在许多研究中作为一种光谱处理方法被成功运用。为了改进传统的盐碱地含盐量检测方法,采用光谱学结合改进的极限学习机（ELM）模型的方法对盐碱地进行研究。根据镇赉县采集得到的62个土壤表层样本得到对应的光谱反射率和含盐量数据,提出了基于随机值改进粒子群优化算法（RVIPSO-MELM）优化的多层极限学习机模型。首先使用主成分分析提取光谱数据特征,并使用ELM算法对光谱数据建立分类模型,引入改进的粒子群优化算法以提高精度和速度。该模型结合了具有随机值的多层ELM（RV-MELM）和改进PSO算法的多层ELM（IPSO-MELM）二者的优点,在运用启发式算法搜索最优值的同时还具有随机性,提高了模型优化速度,同时以提高模型性能为目的对隐含层之间参数进行优化和选择。并且该模型可以推广到多层,对隐含层之间的参数的两种选择方法,根据经验公式计算和使用改进的启发式算法搜索,进行了提高模型性能和优化时间的讨论,实践结果表明,选择第一层参数使用改进粒子群优化算法,确定随后的隐含层之间参数选择,使用经验公式进行计算得到一种更具现实意义的方法模型。模型在进行启发式搜索最优值之前,利用蒙特卡罗方法确定一个较好的初值,使得模型能保持较高准确率的条件下,优化速度进一步提高。相比于传统方法,这种光谱分析结合ELM的模型节省时间和经济成本,有一定推广意义。     

FTIR光谱高温气体浓度反演方法及残差结构分析

从理论和实验两方面分析了光谱线线宽随温度的变化规律.将HITRAN数据库中常温下的线强参数修正到了测量温度,进而得到合成校准光谱.将合成校准光谱和实验测得的光谱进行非线性最小二乘拟合,得到了不同温度下标准气体CO浓度.这种反演算法的浓度误差在常温下不超过5%,具有很高的精度,但随温度升高浓度误差逐渐增大.从残差光谱曲线...     

利用二维相关红外光谱方法确定气体最优定量波数区间

气体检测中需选用最优波数范围来进行气体光谱的定量分析。传统波数范围的选取主要根据标准光谱的特征吸收,存在抗干扰性较差、在实际情况中容易出现较大偏差的问题。文章将二维相关红外光谱方法用于气体检测,对SO₂,NO及NO₂进行光谱结构分析和光谱信息发掘,以确定最优定量波数区间。以浓度值为微扰量,用含不同浓度某气体成分的一组红外吸收光谱,做二维相关得到SO₂,NO及NO₂的动态光谱,利用同步相关光谱和异步相关光谱来分析对气体浓度变化最敏感的波数区间,确定了被测气体定量分析的优选波数范围,包括一系列独立的波数点和连续的波数区间。作为一种新颖的最优定量波数区间选取方法,其得到的结论与理想的分析谱带选取的结果相吻合,证明了此方法的有效性。     

基于页岩气返排液中甲烷浓度及排放速率的红外光谱反演研究

随着页岩气的开发,传统的手持式甲烷测量仪无法继续应对复杂的开采工况。针对页岩气开发过程中温室气体甲烷的浓度及排放速率难以实时在线监测的问题,利用自主设计并搭建的开放光程傅里叶变换红外光谱（FTIR）测量系统,对页岩气开采过程中各种工况下返排液进行实时在线测量。其中FTIR分辨率为1 cm-1, 光程为50 m,红外光源通过返排液正上方被光谱仪接收。对测量所得的红外光谱进行多次平均,提高光谱质量并进行反演计算。从HITRAN数据库中提取甲烷特征吸收截面,考虑环境与仪器等影响,对测量温度进行修正,选取合适的吸收波段,与水汽的吸收截面进行吸收峰叠加,合成标准光谱。使用最小二乘法对实测光谱与标准光谱进行拟合,从而反演出甲烷浓度。并根据返排液排放速率,结合光路通过返排池的距离及红外光谱反演浓度,对页岩气开采过程中甲烷排放速率进行计算。结果表明：不同开采工况下,光谱反演浓度呈明显起伏变化。更换三项分离器时,甲烷浓度有明显上升;在点燃火炬时,甲烷浓度持续低值;其红外光谱反演浓度符合页岩气开采过程中甲烷排放情况。改变测量光谱平均次数,对返排液甲烷进行单位小时和连续80小时测量并分析。在单位小时内,甲烷浓度在100～800 μmol·mol-1范围内呈现明显起伏变化;甲烷的排放速率在50～300 m3·h-1内波动。对返排液进行80小时连续测量,甲烷浓度最大值为936.4 μmol·mol-1,其最大排放速率达到535.1 m3·h-1;最低值为36.82 μmol·mol-1最小排放速率为18.63 m3·h-1。反演数据结果说明：在页岩气开发过程中,其返排液为一个无组织甲烷排放源,且排放速率在短时间内变化十分明显。红外光谱反演浓度和传统手持式甲烷测量仪测量结果具有较好一致性,相关系数为0.743 6。相对于传统手持式甲烷测量仪器,红外光谱反演法具有响应速度更快,非接触远距离,实时在线测量等优势。     

自然循环流动不稳定性的多目标优化极限学习机预测方法

极限学习机是近年来提出的一种前向单隐层神经网络训练算法,具有训练速度快、不会陷入局部最优等优点,但其性能会受到随机选取的输入权值和阈值的影响.针对这一问题,提出一种基于多目标优化的改进极限学习机,将训练误差和输出层权值的均方最小化同时作为优化目标,采用带精英策略的快速非支配排序遗传算法对极限学习机的输入层到隐层的权值和阈值进行优化.将该算法应用于摇摆工况下自然循环系统不规则复合型流量脉动的多步滚动预测,分析了训练误差和输出层权值对不同步长预测效果的影响.仿真结果表明,优化极限学习机预测误差可以用较小的网络规模获得很好的泛化能力.为流动不稳定性的实时预测提供了一种准确度较高的途径,其预测结果可以作为核动力系统操作员的参考.     

用于温室气体反演的云检测算法

高分五号卫星同时搭载了温室气体探测仪(GMI)和大气多角度偏振探测仪,两者在云检测方面各有优势,但是均存在局限。提出了一种基于两者数据的协同云筛选新算法以提高温室气体反演中的云筛选效率。利用该算法检测了全球16d在轨实测数据中的77581个GMI观测点,筛选出晴空观测点9508个,占比为12.26%。利用融合后的中分辨率成像光谱仪云掩模和卷云反射率数据集,验证了该算法进行云检测的正确率,得到陆地上和海洋上的云检测正确率分别为92.93%和81.91%。     

遗传算法用于傅里叶变换红外光谱的定量解析

本文利用遗传算法对混叠的傅里叶变换红外光谱图进行了定量的解析。文中分析了最多包含了十个组分的大气有毒有机物（苯，四氯化碳，氯苯，硝基苯，苯酚，甲苯，甲醇，邻甲酚，间甲酚和对甲酚）的混合谱图，建立了适当目标函数，使用了自适应变异技术，讨论了交叉和变异概率对结果的影响。结果证明遗传算法有着极好的非线性特征。在适当的条件下，结果的相对误差小于1％。     

机器学习的IBBCEAS光谱反演波段优化

非相干宽带腔增强吸收光谱技术(IBBCEAS)利用高精密谐振腔增强吸收光程,实现对痕量气体的高灵敏探测.目前,IBBCEAS技术主要采用发光二极管(LED)作为非相干光源.当谐振腔镜片反射率曲线与带宽有限的L ED辐射谱不能很好匹配时,光谱反演波段选择不当可能会对被测气体浓度拟合结果产生较大偏差.以定量探测大气NO2浓...     

基于超限学习机算法的空间目标材质多色测光识别研究

随着各国航天活动的增多,空间目标的数量和种类不断增加,对空间目标进行编目识别是各国空间目标监视领域的重要研究内容。对空间目标进行识别,主要是为了获得其表面材质、姿态、形状、关键载荷等信息,而表面材质信息的获取是开展目标光学特性及状态认知研究的基础。搭建空间目标表面材质多色测光测量系统,整套系统部署在光学暗室内,以减少杂散光对测量结果的影响。光源采用太阳模拟器,光谱等级A级;探测器采用美国ASD公司生产的FieldSpec4地物光谱仪,波长范围350～2 500 nm,光谱分辨率1 nm,光纤置于电控转台上,能对待测样片实现不同观测几何下的测量。利用Johnson-Cousins UBVRI五色分光系统对8种常用表面材质（砷化镓、氧化铝、氧化聚酰亚胺薄膜、黑漆、环氧漆、镀铝聚酰亚胺薄膜、钛青蓝漆、白漆）在不同观测几何条件下的10种色指数数据进行实验测量,每种色指数分别测得30组实验数据。采用传统的1-sigma不确定框方法（即对于给定材质的若干组实验数据,计算其每种色指数的平均值和标准差,以平均值为中心,以标准差的两倍为边长画出色指数不确定框）,在最理想的识别情况下,通过R-I和B-R色指数不确定框能对砷化镓、氧化铝、氧化聚酰亚胺薄膜、钛青蓝漆四种材质进行识别;利用B-V和B-R色指数不确定框可以将环氧漆、白漆识别出来,剩余两种材质黑漆和镀铝聚酰亚胺薄膜无法通过以上色指数进行识别。但是1-sigma不确定框方法存在两个主要问题：一是需要知道待测材质对特定波段敏感的先验信息,来确定所用的色指数类型;二是识别率容易受测试样本数量的影响,可靠性差。超限学习机算法是一种利用随机化隐层节点和和最小二乘求解方式进行训练的机器学习算法,具备学习效率快,泛化性能好,不容易陷入局部最优解等优势,被广泛应用于对数据的分类和回归分析中。因此引入超限学习机算法,将色指数数据按照2∶1的比例随机分为训练样本和测试样本,共进行三次随机试验。在训练样本中,对每种材质按照1∶8的顺序进行编号,即编号1∶8的测试样本分别有20个,分别包含10种色指数数据;在测试样本中同样对其按照已知归属材质对应编号。采用决定系数和计算时间作为判断ELM算法准确性和实时性的判断指标。结果表明：无论是对单一材质进行识别,还是对所有测试材质样本,训练样本决定系数在0.98以上,测试样本决定系数在0.96以上,每次试验中最多有3组色指数数据无法识别;所需总时间最长在0.07 s内完成,甚至可以达到0.002 s,识别效率和可靠性远高于传统的1-sigma不确定框法,表明ELM算法能对空间目标常用材质进行准确快速识别。相关研究可为空间非合作目标的外形、姿态等状态信息反演提供技术支持。     

双光谱区间遗传算法及其在模型转移中的应用

在近红外光谱分析中,将近红外光谱和浓度信息建立统计模型,通过光谱代入模型即可预测未知样本浓度。但是,检测条件的变化会导致光谱的改变,进而导致原有的模型不能准确预测光谱改变后的样本。对此,模型转移可以通过校正新测量的光谱（从光谱）,使得从光谱能够被原有光谱（主光谱）建立的模型准确预测。模型转移可以使用全光谱进行校正,但是全光谱中往往包括噪声、背景等干扰信息,这些干扰会增加预测误差。故可以使用变量选择方法找出光谱中有化学意义的信息来模型转移。但是一般的变量选择算法只选择主光谱的区间,从光谱使用主光谱相同的波长区间模型转移。但是在实际工作中,主光谱和从光谱有化学意义的区间往往不一致,主从光谱使用同一区间模型转移会增加误差;此外,有时二者原光谱的波长范围并不一致,从主光谱选出的区间不能用于从光谱的校正。对此,提出了基于双光谱区间遗传算法（GA-IDS）,同时选择主光谱和从光谱有化学意义的区间,进而实现模型转移。GA-IDS算法步骤包括,①随机产生种群;②分析种群中每条染色体,删去错误染色体;③根据每条染色体,找出其相应的主光谱和从光谱波段组合,并计算其模型转移后的验证均方根误差(RMSEV);④按照概率,执行选择、交叉、变异操作。在一次迭代结束之后,返回到步骤②,重新执行纠错、计算RMSEV、选择、交叉、变异。达到停止迭代的要求后,将最低的RMSEV值所对应的染色体保存下来作为最优染色体,其所对应的主从光谱区间作为最优区间。用玉米、小麦两套数据测试了该算法,结果显示,与全光谱相比,GA-IDS选择的主从光谱区间可以显著地降低误差;与向后迭代区间选择法（IIBS）相比,在小样本情况下,GA-IDS的误差显著地小于IIBS方法。     

应用遗传算法拟合偏振X射线荧光重叠谱

X射线荧光光谱分析由于受能量探测器分辨率的限制,谱线重叠干扰严重。不采用合适的重叠谱峰分解或曲线拟合技术,很难进行成分定性和定量分析。样品中的元素及谱线未知、背景基线不确定和模型初始参数不准确是曲线拟合中的最大困难。有多种算法可应用于光谱分析中的曲线拟合。文章将遗传算法应用于永磁材料偏振X射线荧光中的重叠谱分解,研究了进化策略对谱峰分解质量的影响,比较了遗传算法与传统算法的拟合结果。研究表明遗传算法在谱线严重重叠情况下仍具有较强的谱峰分解能力;群体初始化和进化策略的正确选择是该算法成功应用的关键;遗传算法具有全局搜索能力,对重叠谱峰的分辨能力优于标准Marquardt-Levenberg算法。     

基于角度优化的鲁棒极端学习机算法

针对数据集样本中带有噪声和离群点问题,提出了一种基于角度优化的鲁棒极端学习机算法。该方法利用鲁棒激活函数角度优化的原则,首先降低了离群点对分类算法的影响,从而保持数据样本的全局结构信息,达到更好的去噪效果。其次,有效的避免隐层节点输出矩阵求解不准的问题,进一步增强极端学习机的泛化性能。通过应用在普遍图像数据库上的实验结果表明,这种提出的算法与其他算法相比具有更强的鲁棒性和较高的识别率。     

高光谱与机器学习相结合的大白菜种子品种鉴别研究

提出了基于高光谱信息的大白菜种子品种分类识别方法。利用近红外高光谱图像采集系统采集了八种共239个大白菜种子样本;提取15 pixel×15 pixel感兴趣区域平均光谱反射率信息作为样本信息;采用多元散射校正预处理方法对光谱进行消噪;验证了Ada-Boost 算法、极限学习机(extreme learning machine, ELM)、随机森林(random forest, RF)和支持向量机(support vector machine, SVM)四种分类算法的分类判别效果。为了简化输入变量,通过载荷系数分析选取了10个大白菜种子品种分类判别的特征波长。实验结果表明,四种分类算法基于全波段的分类识别对81个预测样本的正确区分率均超过90%,最优的分类判别模型为ELM和RF,识别正确率达到了100%;以10个特征波长的分类判别精度略有下降,但输入变量大幅减少,提高了信息处理效率,其中最优分类判别模型为EW-ELM模型,判别正确率为100%,因此以载荷系数选取的特征波长是有效的。利用高光谱结合机器学习对大白菜种子品种进行快速、无损分类识别是可行的,为大白菜种子批量化在线检测提供了一种新的方法。     

基于变量优选和ELM算法的土壤含水量预测研究

土壤水分含量(SMC)的快速估测对干旱半干旱地区的精准农业发展具有重要的意义。以渭干河-库车河绿洲为靶区,采用小波变换(WT)对反射光谱进行1~8层小波分解,通过相关性分析确定最大分解层数,再通过竞争性自适应重加权(CRAS)、连续投影算法(SPA)和CARS-SPA耦合算法进行特征波长筛选。基于全波段构建BP神经网络模型和基于特征波长构建BP神经网络、支持向量机、随机森林和极限学习机模型,并进行对比分析。结果显示: (1)随着小波分解的进行,总体上L6在去噪的同时还尽可能的保留了光谱原始特征,为最大分解层;(2)小波变换和CARS-SPA算法的结合使其在建立模型时较为彻底的去除噪声和无信息变量,同时消除变量间的共线性; (3)在所有的SMC预测模型中,相对于BP神经网络、SVM,ELM和RF具有更好的预测能力,其中L6-CARS-SPA-ELM精度最高,其RMSEC=0.015 1,R2_c=0.916 6,RMSEP=0.014 2,R2_p=0.935 4,RPD=2.323 9。这体现出ELM预测模型对非线性问题的强解析能力和模型的稳健性,为该研究区SMC的预测提供新的思路。     

基于遗传算法的多目标最小二乘支持向量机在近红外多组分定量分析中的应用

近红外(NIR)定量分析通常涉及多个组分,采用遗传算法和自适应建模策略,建立了能够对多组分同时定量的多目标最小二乘支持向量机(LS-SVM),并将其应用于玉米中四个组分和连翘中两个活性成分的NIR分析。结果表明多目标遗传算法配合自适应建模策略可保证优化收敛于全局最优解。所建玉米多目标LS-SVM模型明显优于PLS1和PLS2模型;连翘多目标LS-SVM模型与PLS模型均可取得较好的校正和预测效果。两组数据中,径向基神经网络(RBFNN)模型均出现过拟合现象。多目标LS-SVM和单目标LS-SVM性能相近,但多目标LS-SVM建模运行一次即可得到结果,在NIR多组分定量分析中具有潜在应用优势。