基于PLS-红外光谱的汽油辛烷值测定方法研究

辛烷值是反映汽油抗爆性的重要指标,现有的辛烷值测试方法具有分析周期长、测试成本高等缺点。本文以红外光谱法结合偏最小二乘法(PLS)建立了汽油辛烷值快速测定方法。实验采集了113个汽油样品的光谱数据,以研究法辛烷值(RON)测得的实际辛烷值为参数,建立了预测汽油辛烷值的PLS模型。结果表明:20个预测集的相关系数Rp~2为1.0184,预测均方根误差RMSEP为0.4639。说明此方法对汽油辛烷值具有较好的预测效果,且操作简单、分析速度快,具有一定的可行性。     

拉曼光谱结合后向间隔偏最小二乘法用于调和汽油辛烷值定量分析

采用后向间隔偏最小二乘(Backward interval partial least squares,BiPLS)提取汽油拉曼光谱特征谱段,并用于研究法辛烷值(Research octane number,RON)的定量分析。实验中首先使用SPXY(Sample set partitioning based on joint x-y distances)方法划分训练集、交叉验证集和测试集,并采用稳健回归方法剔除异常的样本数据,再结合BiPLS方法筛选特征谱段,利用特征谱段建立偏最小二乘模型。与全谱段偏最小二乘模型的预测性能对比结果表明,后向间隔偏最小二乘方法可使输入模型的特征数据维数降低50.00%,交叉验证均方根误差(Root mean square error of cross validation,RMSECV)降低18.92%,预测均方根误差(Root mean square error of prediction,RMSEP)降低13.86%。后向间隔偏最小二乘方法可有效提取汽油拉曼光谱的特征谱段,降低模型复杂度,同时提高模型预测精度,在调和汽油研究法辛烷值定量分析方面有较好的应用前景。     

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.     

废旧涤/棉混纺织物近红外定量分析模型的建立及预测

将中红外光谱筛选出的598个纯涤、纯棉及涤/棉混纺样本采用GB/T 2910.11-2009法测定其涤、棉准确含量,其中校正集样本252个,验证集样本346个。使用便携式近红外光谱仪获取样本的原始近红外光谱(NIRS)。校正集样本依据回归系数的分布趋势和范围选取最佳建模谱区,并采用差分一阶导、S-G平滑和均值中心化相结合的方法对原始光谱进行预处理,利用偏最小二乘法(PLS)建立涤/棉混纺织物中涤含量的近红外(NIR)定量分析模型。同时分析了样本颜色对NIRS的影响,探讨了斜线光谱样本、奇异样本和不同组织结构织物对模型预测效果的影响。结果表明:利用PLS法建立的涤/棉混纺织物定量分析模型最优组合包含1个光谱区间和9个主成分因子,校正集相关系数(RC)为0.998,标准偏差(SEC)为0.908。为验证所建模型的有效性和实用性,对346个未参与建模的涤棉样本进行了预测,并将预测结果与国标法测定值进行方差分析,两种方法结果无显著差异,预测正确率达97%以上。模型的建立为废旧涤/棉混纺织物快速、无损分拣提供了基础数据库。     

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.     

最小二乘支持向量机结合红外光谱法测定润滑油酸值

在润滑油酸值进行红外光谱法测定中,采用最小二乘支持向量机(LS-SVM)建立了酸值的定量预测模型。用Kennard-Stone方法将30个样本划分为训练集(24个样本)和验证集(6个样本),进行定量预测,并与偏最小二乘法和径向基函数神经网络所建模型的预测进行比较。结果表明:LS-SVM所建模型的预测标准偏差(SEP)最小,仅为0.002;预测值的相对误差为1.3%~5.3%。由此认为LS-SVM所建模型的训练和预测结果均优于其余两种方法所建模型。对5个未知样品的分析结果表明:LS-SVM模型的预测值与化学法实测值之间的相对误差(1.2%~3.1%)也较少。     

基于单体烃分析的辛烷值测定方法中模糊聚类技术的应用研究

介绍了一种应用模糊聚类技术构建辛烷值预测模型的新方法。该模型用来由汽油单体烃数据预测汽油辛烷值,通过提取单体烃分析谱图中的140个工艺特征组分以及对辛烷值贡献大的组分为特征值进行模糊聚类。实际应用时,在待测汽油样品共同参与聚类的条件下,用与待测汽油样品为同一类、并有最小欧氏距离(<1.5)的3~10个样本作为构建辛烷值预测模型的样本。这种按新的建模样本选择方式得到预测模型的方法具有更好的辛烷值预测精度、更广的适用范围和更高的数据资源的利用率。     

基于拉曼光谱法所建的多元校正模型预测烟草中绿原酸和芸香苷的含量北大核心CSCD

为了满足现场批量检测的需求,基于拉曼光谱建立了多元校正模型,实现了烟草中绿原酸和芸香苷含量的预测。120个烟草样品(包含90个校正集样品和30个验证集样品)用50%(体积分数)甲醇溶液萃取后注入拉曼光谱液体池中,在325 nm激发波长下采集800~2000 cm^(-1)内的拉曼光谱,采用Savitzky-Golay卷积平滑法预处理所得原始拉曼光谱,用Monte-Carlo交互检验法选择隐变量数目,并在1555.8~1652.9 cm^(-1)波段内建立偏最小二乘法(PLS)多元校正模型,以避免绿原酸和芸香苷拉曼光谱在1600 cm^(-1)附近的光谱重叠干扰。结果显示,所建绿原酸和芸香苷模型的预测均方根误差(RMSEP)分别为0.88和0.67,预测集决定系数(R_(p)^(2))分别为0.948和0.970,说明基于拉曼光谱和PLS所建模型,可以对烟草中多酚类化合物绿原酸和芸香苷含量实现准确可靠的预测。     

基于近红外光谱法的定量分析模型快速预测蕨菜中总黄酮的含量

采用近红外光谱法结合偏最小二乘法构建蕨菜中总黄酮含量的快速无损测定方法。取蕨菜样品140份,采用傅里叶变换近红外光谱仪采集4 000～11 500 cm^-1波段内近红外光谱,以一阶导数预处理原始光谱,设置主因子数为10,在6 100～7 500 cm^-1和5 400～6 000 cm^-1波段内建模。结果表明：校正集定量分析模型的校正均方根误差(RMSEC)为0.078,交叉验证决定系数(R²)为0.991 9;验证集定量分析模型的预测均方根误差(RMSEP)为0.125,R²为0.984 1,说明所建模型性能较优。分别以定量分析模型和紫外-可见(UV-Vis)分光光度法分析完全外部验证集样品,预测回收率(预测值和测定值比值的百分数)接近100%,说明所建模型的预测准确度较高,可用于蕨菜中总黄酮的快速、准确测定。     

复杂样品近红外光谱定量分析模型的构建方法

针对复杂样品近红外光谱分析中校正集的设计问题, 探讨了标准样品参与复杂样品建模的可行性. 通过标准样品和复杂基质样品共同构建的偏最小二乘(PLS)模型, 考察了波段筛选和建模参数对预测结果的影响. 结果表明, 采用PLS方法建立定量模型时, 校正集样品性质应该尽量与预测集样品相似, 当样品的性质相差较大时, 适当增加校正集样品的差异性可使模型具有更强的预测能力. 同时, 波段优选对提高预测结果的准确性具有重要的意义.