联合特征子空间分布对齐的标定迁移方法

近红外光谱分析技术近年来在各种领域的定性、定量分析等方面得到广泛的应用。多元标定技术则是光谱分析领域中最先进的技术,而环境条件、测量仪器或测量物质自身的变化,都可能导致多元标定模型不再适用于新样本的预测。重新标定和重新建模必然会浪费大量时间和资源。一种解决方案是标定迁移,将源域已有的标定模型扩展到目标域中,避免重复建模的代价。在化学计量学的相关文献中,绝大多数迁移方法都需要在两台仪器相同条件下都测量一组迁移标准样品,但在近红外光谱测量技术中,由于标准样品具有挥发等特性,使得构建仪器标定迁移方法的标准样品难以获得和保存。针对这些问题,提出了一种联合特征子空间分布对齐（JSDA）的标定迁移方法,此方法可以在从仪器没有标准样本的情况下建立标定迁移模型。JSDA首先建立源域和目标域数据特征的联合主成分分析（PCA）子空间;然后通过对齐映射在联合特征子空间中的源域特征分布和目标域特征分布来校正标定模型;最后,应用最小二乘模型构建校正后源域上的标定模型,该模型可直接用于目标域的标定。实验结果表明与已有成熟的标定迁移方法相比,JSDA在公开的真实数据集上的预测性能比较有优势,验证了该模型在实际应用中的有效性和优越性。     

Multivariate Versus Classical Univariate Calibration Methods for Spectrofluorimetric Data: Application to Simultaneous Determination of Olmesartan Medoxamil and Amlodipine Besylate in their Combined Dosage Form

Olmesartan medoxamil (OLM, an angiotensin II receptor blocker) and amlodipine besylate (AML, a dihydropyridine calcium channel blocker), are co-formulated in a single-dose combination for the treatment of hypertensive patients whose blood pressure is not adequately controlled on either component monotherapy. In this work, four multivariate and two univariate calibration methods were applied for simultaneous spectrofluorimetric determination of OLM and AML in their combined pharmaceutical tablets in all ratios approved by FDA. The four multivariate methods are partial least squares (PLS), genetic algorithm PLS (GA-PLS), principal component ANN (PC-ANN) and GA-ANN. The two proposed univariate calibration methods are, direct spectrofluorimetric method for OLM and isoabsorpitive method for determination of total concentration of OLM and AML and hence AML by subtraction. The results showed the superiority of multivariate calibration methods over univariate ones for the analysis of the binary mixture. The optimum assay conditions were established and the proposed multivariate calibration methods were successfully applied for the assay of the two drugs in validation set and combined pharmaceutical tablets with excellent recoveries. No interference was observed from common pharmaceutical additives. The results were favorably compared with those obtained by a reference spectrophotometric method.     

DS算法在近红外光谱多元校正模型传递中的应用

模型传递问题是近红外光谱分析技术中一个关键的共性基础技术问题。模型传递通过在同一型号的两台仪器之间寻求一种变换关系,使得在一台仪器上建立起的模型能够应用于另外一台仪器样品光谱响应的预测。文章将直接校正(direct standardization,DS)算法应用于化学计量学多元校正中的模型传递,并研究了模型转换集样品的选择方法。在两台AOTF近红外光谱仪上进行了模型传递实验,首先采用Kennard/Stone算法选择转换集样品,然后采用DS方法进行模型传递。实验结果表明采用DS算法取得了较好的模型传递效果。DS算法不仅可以应用于不同仪器之间的光谱分析模型传递,而且该方法对于同一仪器的长时间漂移或者由于部件的更换、测量环境的改变等引入的光谱差异校正也是适用的。     

一种基于目标因子分析的模型传递方法

在目标转换因子分析的基础上建立了一种新的模型传递方法,并将该方法与传统的分段直接标准化(PDS)方法进行比较。采用了两个样品集：虚拟样品集和配制样品(含苯,甲苯,二甲苯和异辛烷)的近红外光谱集。结果表明：新方法的传递效果至少与PDS方法的传递效果相同,对于谱图出现非线性变化的情况,新方法的传递效果更好。     

平均分布差异最小化的NIR标定迁移方法研究

凭借高效、无损和环保的优点,近红外光谱在多个领域广泛用作物质快速分析方法的同时,仍面临着光谱标定模型生命周期短,构建仪器标定迁移方法的标准样品难以获得和保存等问题。在化学计量学文献中,迁移方法通常能够矫正主从仪器之间的光谱差异,但绝大多数方法都需要在两台仪器相同条件下测量一组迁移标准样品。虽然样品数目不必过多,但总体上表明,必须对其进行很好的选择才能保证成功迁移。对于在主从仪器中选择代表性的样本子集,现有Kennard-Stone算法作为样本选择的主要算法。在标准样本的确定问题中,假设主仪器已找到标准样本,选择的样本集需要在从仪器中进行测量,仅当迁移样本足够稳定时才有可能,但现有近红外光谱技术无法保证这一点。如果假设使用从仪器的样本作为标准样本,考虑到新工业应用中光谱光源的变更,主仪器被从仪器代替,因此不再可用。基于目前存在的这些问题,提出了一种平均分布差异最小化的NIR标定迁移方法（MCT）, 此方法可以在不考虑从仪器标准样本（即标准样本自由）的情况下,针对近红外光谱数据的多重共线性,首先假设存在一个主从仪器光谱的共同偏最小二乘子空间,并将主从仪器光谱数据分别投影到该公共子空间;然后,引入平均分布差异最小化算法,即分别给出主从光谱数据在子空间的平均分布中心表示函数,在最小化两个光谱平均分布（中心点）的差异的同时,最大化投影后主仪器光谱的协方差,推导求解出最佳子空间;最后,将主光谱样本和从光谱预测样本分别投影到该偏最小二乘子空间中,利用主光谱数据得到回归模型,该模型可用于预测从光谱浓度。通过对玉米数据集和小麦数据集的测试研究,证明的预测效果与SBC,PDS,CCACT,TCR和MSC相比有所改善,该方法可以实现更低的预测误差。     

基于DS算法的玉米近红外定性分析光谱校正方法研究

从校正的角度出发,研究了近红外定性分析中模型稳定性问题。以13个玉米品种为研究对象,针对数据采集时间不同带来的模型失效问题,借鉴近红外光谱定量分析中两台仪器间模型传递的思想,将直接模型传递(Direct Standardization)算法用于校正同一仪器不同时间采集的光谱, 使得一次建立的品种鉴别模型,能用于其余时间测试数据的鉴别。首先采用Kennard/Stone算法在主光谱集中选取校正样品集,按照对应的编号从从光谱集中取出对应的数据,然后对校正样品集采用DS算法求取两组数据间的变换关系,再对剩余的从光谱集进行相应的变换得到适用于模型的光谱。实验中对比了校正样本数和模型校正位置对校正结果的影响,分别从品种定性鉴别准确性和校正前后主光谱数据和从光谱数据分布距离两方面分析了实验结果。结果表明,该方法能有效地解决同一仪器随着采样时间推移产生的光谱偏移现象,对采样时间不同的测试集均得到较高的识别率,提高了模型的鲁棒性和适用范围,由实验结果可见,校正位置处于特征提取之后时,校正效果最佳。     

平顶线结构光的中心检测算法及光刀平面标定

针对传统线结构光光刀平面标定方法测量精度不高,应用范围小的问题,提出基于平面标靶的线结构光系统光刀平面标定,对无激光的标靶图片进行迭代摄像机标定,有激光的标靶图片进行光刀平面标定.提出光强符合均匀分布的平顶激光检测中心算法,将平顶激光建模为矩形的台阶函数,估计背景亮度和前景亮度,确定亮条纹宽度,再将窗口内的有效像素参与重心计算,得到光条纹中心.用该算法对不同噪声及不同量块的图片进行处理,结果表明,处理后图像的均方根误差分别在0.149pixel和0.176pixel内,表明该算法抗噪声能力强、精度高.用该算法提取光条中心,计算光条在标靶上的位置,根据至少两个姿态下的光条中心三维点,基于最小二乘法拟合光刀平面.通过迭代摄像机标定和光刀平面标定,利用三角测量法,在立体视觉模型下获取物体的三维点云数据.实验测量两个距离为100.5mm的标准球,相机与标准球距离为500mm,比较两球心距离与标准距离,测得平均误差为0.236mm.表明平顶激光检测中心算法切实可行,光刀平面标定方法基本满足要求.     

基于十字靶标的双目立体测量系统标定

提出了一种基于十字靶标的双目立体测量系统标定方法。采用多视图几何约束和光束平差优化精确获得两相机内参数,同时得到在两相机各自坐标系下重建出的靶点三维坐标点集;由两组三维点集之间的刚体变换直接求得系统外参数。该方法只需双相机同时对十字靶标拍摄一次,再由两相机单独拍摄若干幅靶标图像即可,现场操作简单灵活。在标定结果的基础上,对长度为611.800mm的标尺进行多次测量,平均值为611.776mm,标准差为0.030mm。     

改进S/B算法的近红外光谱模型转移

针对模型转移中S/B算法对于非线性问题的局限性,在传统S/B算法进行线性拟合、偏最小二乘法求参数的基础上加以改进,提出了引入变量的高次幂、使用Lagrange插值法与Newton插值法求待定系数和插值多项式来解决两组数据的非线性问题。为了验证改进算法的有效性,先对主机样品建模并分别预测主机和子机样品,然后通过实验数据和评价指标,筛选出最佳函数关系进行子机模型校正,并分别用改进的S/B算法和传统的S/B算法对子机未知样本进行预测。实验结果表明：直接用主机原模型对子机预测的值与真实值差距较大,利用改进的S/B算法(H-S/B)比传统的S/B算法预测值更接近真实值。改进的S/B算法提高了预测值的准确性,解决了传统S/B算法的非线性问题,实现了更好的模型转移效果,增强了网络化模型应用的通用性。     

净信号的局部建模算法及其在近红外光谱分析中的应用

提出了一种基于净信号分析的局部建模算法,以克服光谱定量分析中样本间差异性过大和样本待测性质与光谱之间存在非线性等问题。首先利用净信号分析方法得到校正样本和待测样本的净信号,然后用待测样本净信号和校正样本净信号之间的欧式距离作为样本相似性判据,选取一定数量的与待测样本最相似的校正样本组成局部校正子集,建立局部PLS回归模型。针对一组猪肉近红外光谱数据集的实验结果表明,该方法的预测精度显著优于全局建模方法和基于光谱欧式距离的局部建模方法。     

Speech utterance clustering based on the maximization of within-cluster homogeneity of speaker voice characteristics

This paper investigates the problem of how to partition unknown speech utterances into a set of clusters, such that each cluster consists of utterances from only one speaker, and the number of clusters reflects the unknown speaker population size. The proposed method begins by specifying a certain number of clusters, corresponding to one of the possible speaker population sizes, and then maximizes the level of overall within-cluster homogeneity of the speakers' voice characteristics. The within-cluster homogeneity is characterized by the likelihood probability that a cluster model, trained using all the utterances within a cluster, matches each of the within-cluster utterances. To attain the maximal sum of likelihood probabilities for all utterances, the proposed method applies a genetic algorithm to determine the cluster in which each utterance should be located. For greater computational efficiency, also proposed is a clustering criterion that approximates the likelihood probability with a divergence-based model similarity between a cluster and each of the within-cluster utterances. The clustering method then examines various legitimate numbers of clusters by adapting the Bayesian information criterion to determine the most likely speaker population size. The experimental results show the superiority of the proposed method over conventional methods based on hierarchical clustering.     

近红外光谱分析技术定标和预测中的相似样品剔除算法

在近红外仪器的研制和调试过程中 ,需要对实验仪器进行最终的定标分析来验证近红外分析仪器是否正常。然而近红外定标过程中传统的方法往往将所有的样品对仪器进行定标分析 ,定标样品集在采集时为了能够覆盖将来所出现的样品范围 ,其数量往往是很大的 ,对于定标实验人员来说 ,其工作量是巨大的。文章通过采用给出的相似样品剔除算法成功地从 1 78个玉米粉样品中提取出 94个优选样品 ,通过定标实验分析发现 ,经过该算法优选的样品不仅保持了原始样品集的代表性 ,而且达到了和原始样品集参与定标相近的定标精度。经由此算法进行筛选得到的优选定标样品集数量上有了很大程度的减少 ,极大地减轻了实验人员的工作强度 ,而且为进行更多重复的实验提供了条件。     

基于改进差分进化算法的相机标定研究

目前相机标定多采用Tsai和Weng的基于非线性成像模型的分步标定法。在研究标定算法的过程中发现,待优化的目标函数具有多个局部极值点,采用传统的局部优化算法会导致迅速收敛到局部极值点,而非全局最优解,影响了标定精度。差分进化是一种收敛速度很快的进化算法,但当初始种群分布不够理想时,它可能快速收敛到局部极值点。将其改进后用于相机标定,提出了分步法与改进的差分进化算法相结合的相机标定方法。数据实验表明:标定精度比直接采用分步法有所提高。     

一种微小型导引头视场下偏角的标定方法

描述了一种应用于微小型光学导引头视场下偏角标定的方法，通过获得导引头绕自身回转轴线转动时拍摄的固定靶标图像计算不同旋转角度时导引头中心视线落点和摄像机坐标系原点在世界坐标系下的坐标，以拟合获得的这2组点的分布建立空间几何关系进而得出下偏角。给出了3组实验数据，分别检验该方法的标定误差、实际所需的采样点数并给出了实际工作中的应用效果。实验表明该方法可以快速标定导引头系统的下偏角，其标定绝对误差小于0.10°。     

可见/近红外漫透射光谱结合CARS变量优选预测脐橙可溶性固形物

可溶性固形物(SSC)是脐橙重要内部品质之一。采用QualitySpec型光谱仪在350～1000 nm波段范围采集脐橙的可见/近红外漫透射光谱,采用CARS(competitive adaptive reweighted sampling)变量选择方法筛选出与脐橙SSC相关的重要变量,并与无信息变量消除(UVE)及连续投影算法(SPA)比较。最后,对选择的38个重要波长变量应用偏最小二乘(PLS)回归建立脐橙SSC预测模型,并对未参与建模的75个样品进行预测。研究结果表明,CARS方法优于UVE及SPA变量选择方法,能有效地筛选出重要波长变量。CARS-PLS建立的SSC预测模型优于全光谱的PLS模型,其校正集及预测集的相关系数分别为0.948和0.917,均方根误差分别为0.347%和0.394%。因此,可见/近红外漫透射光谱结合CARS方法可以预测脐橙可溶性固形物,CARS变量选择方法能有效简化预测模型和提高模型的预测精度。     

光谱多元分析校正集和验证集样本分布优选方法研究

分析了校正集和验证集样品数随性质分布不均匀性对光谱多元分析校正的不良影响,揭示了实际光谱多元校正中“均值化”现象,即性质值小的样本预测值结果偏大,性质值大的则偏小,提出了一种优选样品新方法—Rank-KS。其综合考虑光谱空间和性质空间对样本进行挑选,将性质空间平均分为若干小区间,在每个小区间内分别利用Kennard-Stone法和随机法进行校正集和验证集样本的挑选,这样得到的校正集和验证集可明显改善样本数随性质分布的均匀性。以红外光谱测定汽油中碳酸二甲酯(DMC)含量和近红外光谱测定二甲亚砜溶液二甲亚砜浓度为研究对象,分别采用Rank-KS、随机法、Kennard-Stone、浓度梯度法和SPXY等方法选择校正集和验证集样品,使用多元线性回归和偏最小二乘法建立模型,比较这些方法对光谱多元校正分析的影响,结果表明Rank-KS方法可改善校正集和验证集样品数随性质分布的均匀性;对于样本数分布中间局部样本多和两端局部少、或者局部没有样本的样本集,使用Rank-KS算法挑选校正集,无论使用MLR还是PLS1建立多元分析模型,均能明显改善其模型预测能力,使得到的模型的预测均方根最小。     

POSC-PLS方法及其在电子吸收光谱定量分析中的应用

针对光谱数据局部效应显著,变量个数多,彼此间常存在严重的复共线性,构建了一种基于分段正交信号校正(piecewise OSC)的偏最小二乘(PLS)回归,即POSC-PLS方法。它以近邻分段方式进行逐个波长点的正交信号校正,剔除光谱矩阵中所含的各种噪声信号,将去噪后的光谱矩阵作为新的自变量矩阵,再利用偏最小二乘方法建立校正模型。将该法应用于多环芳香烃电子吸收光谱的多组分定量关系建模,效果良好。所建模型的预报性能优于其他方法,而且模型所需PLS成分数减少,模型更简洁。     

相思树聚戊糖含量近红外光谱分析模型的建立及修正

建立适应不同产地相思树化学组分含量的近红外光谱分析模型对预测木材化学组分含量具有重要的意义。用常规化学法测量了取自广西78个和福建33个相思树样品的聚戊糖含量,并结合近红外光谱数据用偏最小二乘法建立了广西相思树聚戊糖含量的近红外光谱模型。校正模型的决定系数R2cv为0.947,内部交叉验证均方差RMSECV为0.464,验证模型Rv2al为0.925,RMSEP为0.455。为了扩大模型的适用范围,用福建不同数量样品对该模型进行修正。结果表明:在广西模型的基础上加入一个有代表性的福建样品就能大大降低直接用广西模型预测福建样品的误差。加入3个有代表性的福建样品后能够得到较好的模型。用该模型预测未参加建模的福建样品,预测模型的Rv2al为0.904,RMSEP为0.759。用4组(每组3个样)不同的福建样品修正广西模型,用固定的20个未参与修正广西模型的样品来验证,预测误差略有不同,表明样品的选择在一定程度上影响着修正模型的质量。     

光谱多元校正中的模型传递

本文介绍了解决化学计量学多校正中的模型传递问题的原理和一些常用算法,并对目前模型传递的实际应用进行评述,为以后深入研究并完善模型传递理论与算法提供帮助。     

Calibration of RPC-based muon detector at BESⅢ

The calibration algorithm for RPC-based muon detector at BESⅢ has been developed. The calibration method, calibration error and algorithm performance are studied. The primary results of efficiency and noise at layer, module and strip levels have been calibrated with cosmic ray data. The calibration constants are available for simulation and reconstruction tuning. The results of Monte Carlo and data are also compared to check the validation and reliability of the algorithm.