遗传算法结合神经网络用于傅里叶变换红外光谱法测定航空润滑油中水分

采用傅里叶变换红外光谱法测定了航空润滑油中的水分,通过遗传算法(GA)优化选取有效波数点,用误差反向传播神经网络(BP-ANN)进行水分预测计算。模型的预测相关系数为0.957,预测标准偏差为0.022。随机抽取某型航空润滑油样品进行预测并对预测结果进行配对t检验,结果表明:红外光谱定量分析结果与标准方法测定值没有显著性差异,模型可以用于该型在用航空润滑油水分含量现场快速检测。     

近红外光谱法快速分析罗红霉素中两种主要成分

针对大环内酯类抗生素罗红霉素制剂的近红外光谱分析,利用后向区间偏最小二乘算法(biPLS)对全光谱进行波长区间选择预处理,并将其压缩为主成分,再利用BP人工神经网络(BP-ANN)建立预测模型,对其中的主要成分罗红霉素和乳糖进行预测。通过这个方法建立的模型,可以有效地抵御因为噪声等偶然因素引起的瞬时扰动,并在有效减少建模所用的波长数和建模运算时间的同时,使所建模型能达到较高的预测精度。为近红外快速在线同时检测药物多组分含量提供了新的参考方法。     

近红外光谱结合遗传算法快速检测红曲菌固态发酵生物量

该文研究了近红外光谱技术在红曲菌固态发酵生物量快速检测方面的应用。共采集了4个批次80个样本的光谱,采用氨基葡萄糖法测定生物量。为降低模型的复杂度和提高模型的预测性能,研究了遗传算法(Genetic Algorithm,GA)的光谱谱区选择方法,并建立所优选光谱变量的预测红曲菌固态发酵生物量的PLS模型。为说明遗传算法优选光谱变量的可行性,另外分别建立了全谱和相关系数法两种波长选择方法下的PLS定量模型,比较分析了3种方法所获模型的预测能力,并对GA方法优选的光谱波段信息与菌体成分中含氢基团的对应吸收进行分析。结果表明,遗传算法能在降低模型复杂度的同时提高模型的预测性能,其建模结果为Rc=0.998 3,RMSECV=3.580 2,Rp=0.993 1,RMSEP=3.643 7,参与建模的数据点由全谱的1 457个减少到585个,且模型预测精度相比FS-PLS模型提高了11.55%。研究表明近红外光谱技术结合遗传算法所建的PLS预测模型能够实现红曲菌固态发酵生物量的快速检测,从而为进一步实现在线发酵过程优化控制提供依据。     

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.     

红外光谱法结合PLS-BP网络对在用油中燃油稀释的测定

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。     

组合区间偏最小二乘法结合红外光谱法测定在用润滑油的运动粘度

采用组合区间偏最小二乘法结合红外光谱法快速测定在用润滑油的运动粘度。采用组合区间偏最小二乘法高效提取与粘度变化相关的光谱信息,提高粘度校正模型的测量精度。在设置4 000~400cm-1范围的区间数为12时,选择2,10,11,12等4个子区间,对应的光谱区域为1 300~400cm-1、3 700~3 400cm-1,模型校正偏差达到0.031 5。对模型预测精度的验证结果说明本法与运动粘度标准方法之间具有很好的相关性,模型可以用于定量分析在用润滑油在40℃时运动粘度值。     

基于小波变换的航空润滑油酸值红外光谱分析

为利用红外光谱分析技术快速、准确测定在用航空润滑油酸值,将小波变换用于润滑油红外光谱预处理中,结合均值中心化法,提取光谱有效信息建模。光谱的小波变换选择符合光谱特征的db4小波为基函数,在分解尺度9下进行光谱分解,利用软阈值法滤除各层干扰噪声,重构消噪信号。该光谱预处理法与传统的Savitzky-Golay平滑导数结合均值中心化法相比,滤噪效果好,有效压缩了建模数据量。采用偏最小二乘法,选择最佳主因子数5,建立酸值模型,并对10个在用航空润滑油油样进行了分析。     

红外光谱结合偏最小二乘法快速测定在用航空润滑油中磷酸三甲酚酯

采用基础油标准曲线法,建立了在用航空润滑油中抗磨剂磷酸三甲酚酯(TCP)含量与670～630cm-1范围内傅立叶变换红外光谱(FTIR)谱峰面积的定量线性关系,并以标准曲线的预测结果为基础数据,采用偏最小二乘法法(PLS)建立TCP含量的红外光谱快速定量分析模型。模型的相关系数为0.997,校正偏差为0.021。对随机抽取的某型在用航空润滑油样品进行预测并对预测结果进行配对t检验,平均相对误差低于3%,模型预测值与标准方法测定值没有显著性差异,模型具有良好的预测能力。研究结果表明:利用FTIR结合化学计量可以实现在用润滑油TCP的快速定量分析,实时监控润滑油质量。     

基于交互式自模型混合物分析的近红外光谱波长变量优选方法

为了提高近红外光谱定量分析的预测精度和建模效率,提出了一种基于交互式自模型的混合物分析的波长优选方法,根据光谱各波长变量的纯度值和标准差值,选择含有用信息的波长变量,并引入相关权函数解决变量间共线性问题.通过依次迭代选择的变量建立定量校正模型,由交互验证均方根预测误差(RMSECV)确定最佳波长变量个数.应用该波长变量优选方法对具有不同葡萄糖含量的两组(四成分葡萄糖水溶液实验和人体血浆实验)近红外光谱数据进行分析,两组数据中分别只选择了全部变量的0.3%建立定量校正模型,其验证集葡萄糖浓度的均方根预测误差(RMSEP)分别减少为669和15 mg/L.与全谱范围及优选波段建立的定量校正模型比较,本方法能够通过波长变量优选最小化冗余信息、提高预测精度及建模效率.     

基于移动窗口-迭代遗传算法的近红外光谱波长选择方法

光谱样本数据常会受到环境噪声和其它组分的干扰,应作波长选择,以提高分析精度.近红外光谱谱区宽,搜索空间过大,难以直接采用遗传算法进行波长选择.为此本研究提出先用移动窗口偏最小二乘法(MWPLS)从宽谱区中初选出信息区间,再采用改进的迭代遗传算法(IGA)从中选出最优的信息子区间.MWPLS用移动窗口沿全谱区扫描,对信息区间的定位效果好,而IGA将顾及光谱数据的连续相关特性,运行多轮GA,并以上轮选择结果平滑处理后作为先验知识支持下轮的种群初始化.由此选出的连续相邻的波长点作为自变量,进行PLS建模,既可显著地简化模型,又保留一定的数据冗余,模型的稳健性好,分析精度高.将其用于小麦水分的近红外分析,效果良好,预测性能明显优于其它方法.     

藏药五脉绿绒蒿提取过程的在线近红外光谱质量控制研究北大核心CSCD

利用近红外光谱技术和自建的在线检测系统,实现了藏药五脉绿绒蒿提取过程中总黄酮含量的在线近红外光谱监测和提取终点的判定。以403个样品为建模集,分别获得了主成分回归(PCR)、偏最小二乘(PLS)、决策树(DT)、随机森林(RF)算法下的最佳光谱预处理方法和建模区间,以残差预测偏差(RPD)值为指标选择最佳建模方法。以62个样品为外部验证集,考察模型应用于总黄酮含量实时监测的可行性。此外,还探讨了利用模型预测值进行相对浓度变化率(RCCR)分析直接判定提取终点的可行性,并比较了标准偏差绝对距离法(ADSD)和移动窗口标准偏差法(MBSD)对提取终点判定的适用性。结果表明,在预处理方法为Constant+一阶导数+SG平滑、建模区间5300~9000 cm^(-1)条件下所建的总黄酮含量的PLS模型效果最好,其校正集和验证集的误差均方根均小于0.14、相关系数均大于0.97,RPD值为4.68。所建PLS模型对未知样品的平均预测率为79%,实际值与预测值的相关系数大于0.98,表明模型有较好的预测效果。外部验证集中RCCR法判定的预测提取终点和ADSD法判定的提取终点均与实际提取终点一致。所建模型性能较好,通过对未知样品进行准确快速的定量分析,实现了五脉绿绒蒿提取过程中总黄酮含量的实时监测,同时,以RCCR和ADSD作为提取终点的判定方法较为准确,可为藏药材提取过程在线近红外光谱分析技术的研究提供有益借鉴。     

PCA-LVQ法及其在RS-FTIR大气环境监测数据处理中的应用

将主成分分析(PCA)用于遥感傅里叶变换红外光谱(Remote Sensing Fourier Transform Infrared:RS-FTIR)的特征提取,结合学习矢量量化(LVQ)神经网络,实现了PCA-LVQ对大气中的8组分混合体系进行快速定性分析的建模方法。并与单纯的LVQ神经网络、反向传播人工神经网络(BP-ANN)得到的结果进行了比较。PCA-LVQ显示出较好的处理数据的能力,它不仅提高了运算速度,而且提高了模型的预测准确度,分类精度达到91.7%。PCA-LVQ的这一预测精度及运算速度,足以满足遥感傅里叶变换红外光谱对大气中有毒气体的实时、在线监测的需要。     

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。     

基于遗传算法的波长选择方法在绿茶近红外光谱分析模型中的应用

利用遗传算法(GA)提取茶叶的近红外吸收特征波长的方法,研究建立了绿茶水分和氨基酸的近红外分析模型,并对波长选择前后两种成分的模型进行了比较分析。结果表明,经遗传算法波长选择后,简化了分析模型,同时模型的稳健性增强。氨基酸预测集的均方根误差(SEP)减小82.1%,水分预测集的均方根误差减小(SEP)76.6%,它们在波长选择前后对应的分析波长数之比分别为995∶7和1990∶33。     

基于自加权变量组合集群分析法的近红外光谱变量选择方法研究

变量选择技术是光谱建模的重要环节。本研究提出了一种新的变量选择方法——自加权变量组合集群分析法(AWVCPA),首先通过二进制矩阵采样法(BMS)对变量空间进行采样;其次通过对变量出现频率(Fre)和偏最小二乘回归系数(Reg)两种信息向量(IVs)做加权处理,得到了每个光谱变量的贡献值,进而考虑到了Fre和Reg两类IVs对于光谱建模的影响;最后通过指数衰减函数(EDF)删除贡献小的波长点,进而实现特征变量选取。以啤酒和玉米两组近红外光谱数据为例,基于偏最小二乘法(PLS)建立啤酒中酵母浓度预测模型和玉米中油浓度预测模型,对比其它变量选择方法。研究表明,在相同条件下,基于AWVCPA变量选择方法建立的预测模型都取得了最优的预测精度,对啤酒中酵母浓度的预测,相比全光谱PLS模型,RMSEP由0.5348下降到0.1457,预测精度提高了72.7%;对玉米含油量的预测,相比全光谱PLS模型,预测均方根误差(RMSEP)由0.0702下降到了0.0248,预测精度提高了64.7%。     

基于移动窗口-迭代遗传算法的近红外光谱波长选择方法

光谱样本数据常会受到环境噪声和其它组分的干扰，应作波长选择，以提高分析精度。近红外光谱谱区宽，搜索空间过大，难以直接采用遗传算法进行波长选择。为此本研究提出先用移动窗口偏最小二乘法（MWPLS）从宽谱区中初选出信息区间，再采用改进的迭代遗传算法（IGA）从中选出最优的信息子区间。MWPLS用移动窗口沿全谱区扫描，对信息区间的定位效果好，而IGA将顾及光谱数据的连续相关特性，运行多轮GA，并以上轮选择结果平滑处理后作为先验知识支持下轮的种群初始化。由此选出的连续相邻的波长点作为自变量，进行PLS建模，既可显著地简化模型，又保留一定的数据冗余，模型的稳健性好、分析精度高。将其用于小麦水分的近红外分析，效果良好，预测性能明显优于其它方法。     

近红外光谱法用于纯化过程中鞣花酸含量的监控

采用近红外光谱技术结合遗传算法优化的小波神经网络,对大孔树脂纯化过程中橄榄果中的鞣花酸含量进行监控。通过小波变换对光谱进行去噪、压缩,作为人工神经网络的输入,同时以遗传算法优化神经网络的权值与阈值,并与常用的偏最小二乘(PLS)线性模型的建模效果进行比较。实验结果表明,两者都能够较准确的预测鞣花酸的含量,相对而言,人工神经网络(ANN)效果较好。     

遗传算法用于偏最小二乘方法建模中的变量筛选

利用全局搜索方法－遗传算法（genetic algorithms,GA)对近红外光谱分析中的波长变量进行筛选,再用偏最小二乘方法（patrial least squares,PLS）建立分析校正模型。对两类样品的近红外光谱分析应用实例表明,这种选取变量进行校正的方法,不仅简化、优化了模型,而且增强了所建模型的预测能力,尤其适用于单纯PLS较以校正关联的体系。     

原料乳中蛋白质与脂肪的近红外光谱快速定量研究

本文对快速无损检测原料乳中蛋白质与脂肪含量的近红外光谱(NIRS)技术进行了研究。对采集的250组蛋白质及脂肪含量不同的原料乳近红外光谱进行马氏距离(Mahalanobis Distance)剔除异常光谱,结合主成分分析(Principal Component Analysis,PCA),筛选出最佳建模光谱区间,采用反向传播神经网络(Back Propagation Neutral Network,BPNN)建立原料乳中蛋白含量与脂肪含量的定量模型,获得了较好的预测结果,预测模型R2分别为0.9883、0.9878,预测均方根差(RMSEP)分别为1.83%、1.85%。研究结果表明,通过合理选择光谱范围及建模方法,可得到预测精度与稳定性均较高的近红外光谱定量模型,适用于原料乳中蛋白质与脂肪含量的测定。     

基于多模型共识的偏最小二乘法用于近红外光谱定量分析

建立了多模型共识偏最小二乘(cPLS)建模方法, 并应用于烟草样品近红外(NIR)光谱与常规成分氯含量之间的建模研究, 探讨了建模参数对预测结果的影响. 结果表明, cPLS方法与传统的偏最小二乘算法(PLS)相比, 所建模型更稳定可靠, 预测结果也可得到了明显改善.