支持向量回归算法应用于分光光度法同时测定安替比林、巴比妥和氨基比林

采用均匀设计法制备不同含量配比的安替比林、巴比妥、氨基比林校正集样品,用化学计量学方法--支持向量回归(SVR)方法建立校正模型,并对安替比林、巴比妥和氨基比林的模拟样品及安痛定注射液样品进行测定.结果表明,三种成分的加标回收率均在98%～104%之间,测定结果的相对标准偏差为0.48%～1.24%.     

支持向量回归分光光度法同时测定胭脂红与果绿含量

在波长300～600 nm范围内,测定胭脂红和果绿混合体系的吸光度,用支持向量回归(SVR)方法进行建模,建立了支持向量回归分光光度法同时测定胭脂红和果绿的方法,并用该法对模拟样品进行测定.结果表明,模拟样品中胭脂红和果绿的平均回收率分别是97.645%和100.895%,结果令人满意.     

小波潜变量回归和广义回归神经网络同时测定三组分混合物

本文采用小波潜变量回归（WLVR）方法，同时测定重叠的光谱信号。结合小波阈值法和主组分分析（PCA）改进除噪质量。八个误差判据用于推断因子数目。潜变量由小波处理过的信号投影到正交基矢量而获得。广义回归神经网络（GRNN）被应用于多组分同时测定。依据算法原理编制了三个程序（PWMRA、PWLVR和PGRNN）执行有关计算。三个方法（WLVR、LVR（潜变量回归）和GRNN）同时测定三组分混合物，获得满意的结果。     

正交回归多元标准加入法同时测定干扰组分

提供了同时测定混合物中彼此严重干扰的多种组分的新方法。该方法采用多元标准加入法的正交回归设计,因此,由微机上的正交回归分析,得到一组准确的回归方程,该方法用于光度法中,同时测定了工业污水中的铜,镍,镉,锌,并用于差分脉冲极谱法中,同时测定了河水中的铅,铊,镉,测定结果的误差均不大于4％,这个结果说明该方法具有良好的准确性和可靠性。     

混合物中多组份同时分子光谱测定新进展

评述了题示领域近三年国内外新进展，指出了发展新方向。     

支持向量回归—铬天青S分光光度法同时测定Fe~(3+)和Al~(3+)

在溴化十六烷基三甲胺(CTMAB)和丙酮存在的条件下,于波长500~750 nm范围内,测定Fe3 、Al3 和铬天青S(CAS)显色体系的吸光度,用连续小波变换(CWT)对光谱数据进行预处理,再用支持向量回归(SVR)建模,建立了连续小波变换-支持向量回归方法(CWT-SVR)。方法用于模拟水样中Fe3 和Al3 的同时测定,结果满意。     

支持向量回归-铬天青 S 分光光度法同时测定 Fe3 和 Al3

在溴化十六烷基三甲胺(CTMAB)和丙酮存在的条件下,于波长500～750 nm范围内,测定Fe3 、 Al3 和铬天青S(CAS)显色体系的吸光度,用连续小波变换(CWT)对光谱数据进行预处理,再用支持向量回归(SVR)建模,建立了连续小波变换-支持向量回归方法(CWT-SVR).方法用于模拟水样中Fe3 和 Al3 的同时测定,结果满意.     

支持向量回归同时测定苯丙氨酸、酪氨酸和色氨酸的研究

在波长200~400 nm范围内,测定酪氨酸、色氨酸和苯丙氨酸混合体系的吸光度,用连续小波变换(CWT)对光谱数据进行预处理,再用支持向量回归(SVR)方法进行建模,建立了支持向量回归紫外分光光度法同时测定酪氨酸、色氨酸和苯丙氨酸的方法,用所建方法对模拟样品进行了测定。结果表明,酪氨酸、色氨酸和苯丙氨酸预测结果的回收率在98%~102%之间,测定结果准确。     

小波包变换潜变量回归同时测定三组分混合物

采用小波包变换潜变量回归 (WPLVR)方法 ,同时测定水杨酸甲酯(MSA)、邻苯二甲酸二丁酯 (DBP)和邻苯二甲酸氢钾 (PHP)。该法结合小波包变换和潜变量回归改进除噪质量。通过最佳化 ,选择了小波函数及小波包分解水平 (L)。编制了两个程序 (PWPLVR)和 (PFTLVR)进行WPLVR和付立叶变换潜变量回归 (FTLVR)法计算。实验结果表明WPLVR法是成功的且优于FTLVR法。     

线性神经网络应用于维生素B族4组分同时测定

报道了一种基于卡尔曼滤波的线性神经网络用于B族维生素混合组分的定量同时测定,用相关系数和标准偏差从原始紫外光谱数据中挑选11个波长点供线性神经网络处理,以极少的迭代次数达到较高的精度,预测结果较好,相关系数大于0.99983,标准偏差0.11301.     

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。     

二维色谱柱效的支持向量回归预测

以有效塔板数作为二维色谱的柱效指标,根据二维色谱在不同影响因素(包括预柱柱温、主柱柱温、柱间压差和主柱间的放空量)下的有效塔板数实测数据集,应用基于粒子群算法(PSO)寻优的支持向量回归(SVR)方法,建立了二维色谱柱效的SVR预测模型,并与BP神经网络(BPNN)模型进行了比较.结果表明:基于相同的训练样本和检验样本,二维色谱的SVR模型的平均绝对百分误差(MAPE, 13.3%)比其BPNN模型的MAPE小4%;增加训练样本数有助于提高支持向量回归(SVR)模型的泛化性能;基于留一交叉验证法(LOOCV)的SVR模型预测的平均绝对误差(MAE, 196.79 m-1)和MAPE(1.6%)均为最小,明显优于BPNN模型(2397.98 m-1, 17.3%)或SVR模型(1849.95 m-1, 13.3%)的预测效果.因此,SVR是一种预测二维色谱柱效的有效方法.     

主成分分析-支持向量回归建模方法及应用研究

将主成分分析(PCA)用于近红外光谱的特征提取,并与支持向量回归(SVR)相结合,实现了主成分分析-支持向量回归(PCA-SVR)用于近红外光谱定量分析的建模方法。与单纯的SVR方法相比,不仅提高了运算速度,而且提高了模型的预测准确度。将PCA-SVR方法用于烟草样品中总糖和总挥发碱含量的测定,所得结果的预测均方根误差分别为1.323和0.0477;回收率分别为91.8%~112.6%和88.9%~120.2%。     

Prediction of Crude Oil Asphaltene Precipitation Using Support Vector Regression

Precipitation and deposition of asphaltene during different recovery processes is an important issue in oil industry which causes considerable increase in production cost as well as negatively impacting in production rate. In this study, support vector regression as a novel computer learning algorithm was utilized to estimate the amount asphaltene precipitation from experimental titration data. Also, the result of support vector regression modeling was compared with the artificial neural network model and the scaling equation. Results show acceptable agreement with experimental data and also more accurate prediction in comparison to artificial neural network and scaling equation.      

基于地统计学与支持向量回归的QSAR建模

基于主成分分析(PCA)、地统计学(GS)和支持向量回归(SVR), 提出了一种新的定量构效关系(QSAR)个体化预测方法——Weight-PCA-GS-SVR. 其基本思路是: 先以PCA降维并消除自变量间的信息冗余, 继以SVR经非线性主成分筛选去除与因变量无关的主成分, 再以保留主成分计算样本间的加权距离, 然后以高维GS确定公用变程; 每一个待测样本都以自身为中心从训练集中找出加权距离小于公用变程的私有k个近邻, 以SVR训练建模完成个体化预测. Weight-PCA-GS-SVR从行、列两个方向对模型进行了优化, 为自变量提供了一种新的加权方法, 为解决最优k近邻选择难题提供了新的思路, 并具有SVR原来的优点. 经3个化合物活性实例数据集验证, 新方法在所有参比模型中预测精度最高, 且明显优于文献报道结果, Weight-PCA-GS-SVR在QSAR等回归预测领域有较广泛的应用前景.     

Improved Battery Cycle Life Prediction Using a Hybrid Data-Driven Model Incorporating Linear Support Vector Regression and Gaussian

The ability to accurately predict lithium-ion battery life-time already at an early stage of battery usage is critical for ensuring safe operation, accelerating technology development, and enabling battery second-life applications. Many models are unable to effectively predict battery life-time at early cycles due to the complex and nonlinear degrading behavior of lithium-ion batteries. In this study, two hybrid data-driven models, incorporating a traditional linear support vector regression (LSVR) and a Gaussian process regression (GPR), were developed to estimate battery life-time at an early stage, before more severe capacity fading, utilizing a data set of 124 battery cells with lifetimes ranging from 150 to 2300 cycles. Two type of hybrid models, here denoted as A and B, were proposed. For each of the models, we achieved 1.1 % (A) and 1.4 % (B) training error, and similarly, 8.3 % (A) and 8.2 % (B) test error. The two key advantages are that the error percentage is kept below 10 % and that very low error values for the training and test sets were observed when utilizing data from only the first 100 cycles.The proposed method thus appears highly promising for predicting battery life during early cycles.     

离散小波变换-支持向量回归方法同时测定苯酚、苯胺和苯甲酸

在波长范围200～400nm测定苯酚、苯胺和苯甲酸混合液的吸收光谱,用离散小波变换（DWT）对光谱数据进行处理,再用支持向量回归SVR方法进行建模,建立了离散小波变换一支持向量回归方法（DWT—SVR）。方法用于模拟样品和污染水样中苯酚、苯胺和苯甲酸的同时测定,结果满意。