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。     

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。     

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.     

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。     

基于最小二乘支持向量机的油页岩含油率近红外光谱分析

为了提高油页岩含油率近红外光谱分析建模的预测精度和稳定性,开展了基于最小二乘支持向量机(LS-SVM)建模方法的对比研究.采用主成分-马氏距离(PCA-MD)和基于蒙特卡洛采样(MCS)2种方法进行了奇异样本的检测,采用径向基核函数的LS-SVM、偏最小二乘(PLS)和反向传播神经网络(BPANN)3种方法进行建模方法对比.结果表明,对于64个油页岩岩芯样本,与PCA-MD方法相比,采用MCS方法剔除奇异样本后所建PLS模型的预测精度提高了28%.对于MCS方法剔除奇异样本后的58个样品,采用KennardStone法划分了44个样品的校正集和14个样品的预测集,采用2阶导数和标准化预处理方法,建立了100个LS-SVM的校正模型,模型的预测决定系数R2平均值达到0.90以上,高于PLS和BPANN模型的对应值;且R2的变化量(0.02)小于BPANN模型的对应值(0.32).因此,MCS奇异样本检测结合LS-SVM方法可提高油页岩含油率样本建模的精度和稳定性.     

粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别

结合粒子群最小二乘支持向量机(PSO-LSSVM)与偏最小二乘法(PLS)提出一种基于气相色谱技术的新方法,对芝麻油进行真伪鉴别,并对掺伪品中掺假比例进行定量分析。采用主成分分析法(PCA)对857个样本的脂肪酸色谱数据进行分析,优选主成分作为最小二乘支持向量机(LSSVM)的输入向量。利用粒子群算法(PSO)优化LSSVM,构建芝麻油掺伪鉴别的两级分类模型,同时运用PLS建立掺伪芝麻油中掺伪油脂的定量校正模型,两级分类模型的准确率分别达到了100%和98.7%,定量分析模型的平均预测标准偏差(RMSEP)为3.91%。结果表明,本方法的鉴别准确性和模型泛化能力均优于经典的BP神经网络和支持向量机(SVM),可用于食用油脂加工和流通环节的质量控制,为食用油质量的准确鉴定提供了一条有效途径。     

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.     

基于模糊最小二乘支持向量机的蒸发过程预测控制研究

针对氧化铝蒸发过程的多变量、非线性和大滞后特点及不同时间和空间样本数据不同的特征,提出了基于末位淘汰机制的混沌粒子群算法的综合加权模糊最小二乘支持向量机蒸发过程预测控制方法.用变异混沌粒子群算法对模型预测控制进行滚动优化,计算出最优控制序列.以某氧化铝厂蒸发过程生产数据进行实验验证分析,结果表明: 模型预测结果中相对误差小于8%的样本达到93.9%,出口浓度稳定在240 g/L附近,其控制性能得到显著改善,同时也起到了降低能耗的目的.     

加权最小二乘支持向量机稳健化迭代算法及其在光谱分析中的应用

为克服光谱分析中异常训练样本的影响, 提出了一种加权最小二乘支持向量机(WLS-SVM)的稳健化迭代算法. 针对原始WLS-SVM在收敛性和稳健性方面的不足, 提出了一种新的求取回归误差的方法, 从而从根本上解决了WLS-SVM的收敛性问题; 同时对原始算法求权值的步骤进行了修正, 采用回归误差的中值作为计算加权值的比较基准, 大幅度提高了WLS-SVM的稳健性. 将算法应用于光谱定量分析中, 实验结果证明了该方法是收敛的, 并且崩溃点在35%左右, 是一种有效的稳健建模方法.     

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。     

共轴双脉冲激光诱导击穿光谱和最小二乘支持向量机法定量分析植物油中铬

利用共轴双脉冲激光诱导击穿光谱( DP-LIBS)技术对植物油(大豆油、花生油和玉米油)中的重金属铬( Cr)含量进行定量分析。采用Ava-Spec双通道高精度光谱仪采集样品的LIBS光谱,然后通过其LIBS谱线图确定了CN分子谱线(421.49 nm)、Ca原子谱线(422.64 nm)及Cr的3条原子谱线(425.39、427.43和428.87 nm),根据上述谱线建立了Cr元素的单变量定标模型和最小二乘支持向量机(LS-SVM)校正模型,并用验证样品对它们进行检验。研究结果表明,对于单变量定标法,大豆油、花生油及玉米油验证样品的平均预测相对误差(PRE)分别为12.57%,12.11%和13.72%;对于三变量LS-SVM法,其定标样品真实值与预测值之间的拟合度 R2分别为0.9785,0.9792和0.9654,验证样品的平均 PRE 分别为8.92%,8.33%和10.98%;对于五变量LS-SVM法(增加两基体元素谱线变量),其定标样品真实值与预测值之间的拟合度R2分别为0.9895,0.9901和0.9855,验证样品的平均PRE分别为7.46%,8.96%和8.95%。由此可知,LS-SVM校正模型性能优于单变量定标法,且五变量LS-SVM校正模型性能优于三变量LS-SVM校正模型;采用LS-SVM法及引入合适的基体元素谱线( CN、Ca)能有效减小定量分析误差,提高LIBS技术对植物油中Cr含量预测的精度。     

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.     

构建支持向量机-偏最小二乘法为药物构效关系建模

为研究药物构效关系积累样本数据的过程中,需为小样本建模。此时较易造成过拟合,影响模型的预测性能和稳定性。为此可用偏最小二乘(PLS)法从样本数据中成对地提取最优成分,消除自变量间的复共线性,并有效的降维,然后应用最小二乘支持向量机对成对成分进行非线性回归,并以基于误差修正的策略调整,使之更有效地表达自、因变量间的非线性关系。由此构建为EB-LSSVM-PLS算法,所建模型的预报精度高,稳定性良好。将其应用于新型黄烷酮类衍生物的QSAR建模,效果令人满意,其泛化性能优于其它方法。     

最小二乘支持向量机方法用于提高低水平量子化学方法计算吸收能的精度

运用B3LYP/STO-3G和ZINDO两种低水平的量子化学方法计算了160个有机分子的UV-Vis吸收光谱, 然后提取合适的物理参数, 并以实验值为基础, 引入最小二乘支持向量机方法以提高吸收能的计算值精度. 结果表明, 最小二乘支持向量机方法可有效提高量子化学计算精度, 体系的吸收能误差均方根分别从0.95和0.46 eV降低到0.16和0.15 eV. 最小二乘支持向量机校正方法的引入可在较少的机时和计算资源下得到比单一的量子化学计算方法更为稳定和精确的计算结果, 且可在现有计算条件下预测现有计算能力达不到的精度. 因此, 将最小二乘支持向量机方法用于量子化学数据分析, 为化学研究准确、 快捷地预测分子性质提供了一种新的研究手段.     

基于粒子群优化算法的神经网络在农药定量构效关系建模中的应用

神经网络模型能有效模拟非线性输入输出关系,但其常规训练算法为BP或其它梯度算法,导致训练时间较长且易陷入局部极小点。本实验探讨用粒子群优化算法训练神经网络,并应用到苯乙酰胺类农药的定量构效关系建模中,对未知化合物的活性进行预测来指导新药的设计和合成。仿真结果表明,粒子群优化算法训练的神经网络不仅收敛速度明显加快,而且其预报精度也得到了较大的提高。