最小角回归结合核极限学习机的近红外光谱对柑橘黄龙病的鉴别

传统的柑橘黄龙病检测方法存在准确度低、稳定性差等问题,该文提出了一种基于最小角回归结合核极限学习机(Least angle regression combined with kernel extreme learning machine,LAR-KELM₍(RBF)))的近红外柑橘黄龙病鉴别方法。该方法将光谱数据通过小波变换进行预处理,然后用最小角回归(LAR)算法进行光谱波长的筛选,最后通过核极限学习机(KELM₍(RBF)))实现样本的分类。实验采用柑橘叶片的近红外光谱数据,验证了LAR-KELM₍(RBF))算法的性能,其分类准确度最高为99.91%,标准偏差为0.11。不同规模训练集的实验结果表明,LAR-KELM₍(RBF))模型较极限学习机(ELM)、波形叠加极限学习机(SWELM)、反向传播神经网络(BP₍(2层)))、KELM₍(RBF))和支持向量机(SVM)模型分类准确度高、稳定性强,能够广泛应用于柑橘黄龙病的检测鉴别。     

蒙特卡洛-偏最小二乘回归系数法用于近红外光谱变量筛选

提出了一种蒙特卡洛-偏最小二乘回归系数法用于近红外光谱的变量筛选。方法主要包含如下几步:(1)采用蒙特卡洛采样方式,建立多个子集;(2)对每个子集建模,计算其回归系数,并按回归系数绝对值大小对各子模型中的变量进行排序;(3)按频数统计方法对波长排序;(4)对上步中排序后的波长以逐步累加进入最佳变量子集的方式进行交互验证,用以选择最佳变量集。将方法用于生物样品溶液和烟草样品近红外光谱的变量筛选,最终分别从原始的1234及1557个变量中选择了27和68个特征变量,对独立测试集进行预测的RMSEP分别从全谱变量的0.02716和0.06411降低为0.02372和0.03977。方法可有效地对近红外光谱进行变量筛选。     

基于最小角回归结合一元线性直接校正法的近红外光谱模型传递方法

针对近红外光谱分析技术中模型通用性较差的问题,提出了一种新的模型传递方法——最小角回归结合一元线性直接校正法(Least angle regression combined simple linear regression direct standardization,LARSLRDS)。该方法首先采用小波变换对样品光谱数据进行预处理,然后利用LAR实现样品全谱区光谱特征波长点的筛选,最后利用SLRDS对筛选出来的变量进行校正。采用汽油和药品样本的近红外光谱数据验证LAR-SLRDS性能,汽油数据集C7、C8、C9和C10成分的光谱差异为0. 002 8、0. 002 7、0. 002 6和0. 002 7,预测标准差为0. 410 6、0. 849 2、1. 034 9和1. 215 8;药品数据集活性、硬度和重量成分的光谱差异为0. 030 0、0. 031 8和0. 033 6,预测标准差为1. 933 8、0. 440 2和2. 130 9。结果表明,LAR-SLRDS算法不仅能够消除主、从仪器光谱之间存在的差异,实现模型传递,而且能够提高PLS定量模型的准确性和稳定性,具有广泛的应用潜力。     

基于变量频次加权自助采样法的近红外光谱变量选择方法研究

近红外光谱分析技术已被广泛应用于食品检测及定量分析等领域.变量选择作为近红外光谱建模分析中的关键步骤,对于提高模型的稳定性和预测性能具有重要作用.本研究提出了一种近红外光谱变量选择方法,即变量频次加权自助采样法(Variable frequency weighted bootstrap sampling,FWBS),通...     

组合生成算法与多元线性回归相结合用于近红外光谱波长的优选

分立波长型近红外光谱分析仪是光谱分析仪器中较为普及的一种快速成份定量分析仪。如滤光片型、发光二极管型等。该类分析仪器研发的一个主要问题是如何针对于待测物质主要成份进行近红外光谱解析。找到最优定标波长组合用于建立稳健的定标模型。常用的波长选择方法为相关光谱结合逐步多元线性回归方法,该方法依据各参与定标波长所对应的t检验值进行最优定标波长的判别,但在实际应用中定标模型的定标精度和预测精度相差较大,具有很大的不准确性。为了实现定标波长的优选引入了组合数学中的组合生成算法。可以在较短的时间内完成最优波长组合的选取,结果是令人满意的。     

近红外光谱技术结合竞争自适应重加权采样变量选择算法快速测定土壤水解性氮含量

为了能够快速准确地掌握整个昆明地区土壤水解性氮含量的情况,收集963个不同类型的土壤样品,采用竞争自适应重加权采样(Competitive adaptive reweighted sampling,CARS)变量选择方法筛选波长变量,并建立水解性氮的偏最小二乘法(Partial least squares,PLS)分析模型。结果表明,采用CARS方法优选波长变量后,模型参数有所改善,交互验证标准偏差(Root mean square error of cross validation,RMSECV)由31.63降至25.55,交互验证相关系数(Correlation coefficientof cross validation,R_cv)由0.78提升至0.84,且模型外部验证结果与内部交叉验证结果基本一致。研究结果表明近红外光谱技术结合CARS分法,在大量代表性样品建模下,能够有效建立昆明地区不同土壤类型的水解性氮含量的近红外数学模型,方法可推广应用于土壤其他组分的近红外检测,具有重要的指导意义。     

变量选择方法对近红外光谱校正模型优化极限的研究

变量选择经常被用于优化近红外光谱线性校正模型,消除冗余信息,提升回归的准确性和可解释性。该文研究并设计了一种基于蒙特卡洛的方法,用于评估不同线性校正方法在变量选择的子空间中能达到的最优程度,寻找变量选择对线性校正模型的优化极限。该方法通过获得验证指标——预测均方根误差（RMSEP）的分布图,揭示变量选择方法在数据集上的优化效果与优化极限。将该方法应用于3组样品的近红外光谱建模研究,结果表明：在烟草-果胶数据集上的可优化率约为24.98%,RMSEP降低了15.2%;在小麦-蛋白质数据集上的可优化率约为13.90%,RMSEP降低了9.5%;在玉米-淀粉数据集上的可优化率约为14.05%,RMSEP降低了57.1%。应用该方法可以快速得到变量选择方法在模型上的优化极限,为变量选择方法的设计、应用和评估提供参考。     

基于灰狼算法的近红外光谱变量选择方法研究

基于群体智能的灰狼优化(GWO)算法具有参数少、结构简单、易于实现的优点,但在光谱领域的应用较少。该研究将GWO算法引入近红外光谱的变量筛选中,以玉米数据为例,考察了GWO算法中狼群性能、迭代次数、狼群数量及运算效率,并建立了偏最小二乘(PLS)模型对玉米样品中蛋白质、脂肪、水分以及淀粉含量的测定。结果显示,GWO算法运算效率很高,经过参数调优后建立PLS模型,其蛋白质、脂肪、水分及淀粉的保留变量数分别为19、19、14、34,预测均方根误差(RMSEP)从全波长PLS建模的0.245 8、0.122 4、0.339 8、1.105 8分别下降到0.147 7、0.080 1、0.176 2、0.739 8,分别下降了40%、35%、48%、33%,相关系数也相应地提高。因此,GWO算法不仅优化速度快,选择变量数少,还可以显著提高PLS模型的预测精度,是一种近红外光谱变量选择的有效方法。     

小波变换结合连续投影算法优化茶叶中咖啡碱的近红外分析模型

本文着重探讨小波变换及其它光谱预处理方法对连续投影算法(SPA)波长筛选优化及建模效果的影响。以158个不同茶叶样本作为研究对象,将各种预处理方法单独或组合后与SPA结合使用,并通过偏最小二乘法(PLS)建立咖啡碱定量模型。其中一阶微分(WT-1~(st)D)-SPA组合建立的模型最佳,预测相关系数达到0.9481,均方根误差达到0.3053,验证集相对分析误差达到3.1959,建模变量由1038减小为10,其挑选出的波长数10和通过交叉验证确定的最佳PLS成分数7也比较接近,并包含在茶叶咖啡碱主要吸收谱带范围内。结果表明,小波变换结合WT-1~(st)D方法在消除光谱部分散射误差和高频噪声的同时,能有效提高茶叶光谱的分辨率,有助于SPA算法筛选出更少、代表性和独立性更优的特征波长组合,并极大地改善了模型的精度,为茶叶中咖啡碱的近红外分析建模提供了一种快速、简便的方法。     

组合偏最小二乘回归方法在近红外光谱定量分析中的应用

针对近红外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,并多与样品组分含量呈非线性关系,构建一种组合非线性偏最小二乘回归(E-S-QPLSR)方法。它采用无重复采样技术(subag-ging),从训练样本中生成若干子样,然后每个子样通过二次多项式偏最小二乘回归(QPLSR),建立其子模型,并实现对训练样本因变量的定量预测,再将它们交由线性PLS算法用于计算各子模型的组合权系数。将该法应用于80个玉米样品的水组分含量与其近红外光谱的定量关系建模,效果良好,显示出很强的学习能力,所建模型的预报性能也优于其它方法。     

基于局部加权偏最小二乘的近红外光谱分析方法研究

针对近红外光谱分析技术中分析对象非线性现象突出的情况,提出了一种新的模型计算方法——局部加权偏最小二乘法(LWPLS)。以安胎丸为研究对象,采用LWPLS算法进行其近红外定量模型的建立,并比较偏最小二乘法(PLS)与LWPLS两种算法建立定量模型的精度。结果测得两种算法建立的校正模型中,阿魏酸的模型相关系数(R²)分别为0.785 5、0.971 9,预测误差均方根(RMSEP)分别为0.126 6、0.043 8,相对预测误差(RE)分别为12.66%、9.18%;洋川芎内酯A的R²分别为0.886 4、0.964 9,RMSEP分别为0.114 8、0.077 1,RE分别为14.01%、7.81%,显示LWPLS算法建立的模型精度更高。研究表明,采用LWPLS算法可提高安胎丸定量模型的准确性,具有可推广性和广泛的应用性。     

基于可扩展的自表示学习波段选择算法在近红外光谱回归建模中的影响研究

该文提出了一种基于可扩展的自表示学习（SOP－SRL）波段选择与偏最小二乘（PLS）建模的定量模型分析方法,以安胎丸指标含量阿魏酸、黄芩苷和汉黄芩苷为研究对象,通过SOP－SRL选取代表性波段,采用PLS建立近红外光谱回归模型,并与相关系数法（CC）、正则化自表示学习算法（RSR）和稀疏子空间聚类法（SSC）3种波段选择算法的建模结果进行对比,以校正决定系数（R2c）、校正均方根误差（RMSECV）、预测决定系数（R2p）和预测均方根误差（RMSEP）为评价标准,对回归模型的预测性能进行评估。结果显示,SOP－SRL在3种数据集上均取得了较好的结果,建模波段从全波长的800分别减少到70、67、87;RMSEP分别从0.080 1、6.349 5、0.742 5下降到0.065 3、3.620 8、0.407 3,分别下降了18%、43%、45%;相应的R2p分别从0.911 9、0.879 4、0.915 8提高到0.938 8、0.952 6、0.970 1,分别提高了3%、8%、6%。结果表明,经SOP－SRL波长选择后模型的预测能力相比于其他几种算法得到显著提升,基于SOP－SRL的PLS模型可以实现安胎丸指标含量的快速检测。     

小波变换结合多维偏最小二乘方法用于近红外光谱定量分析

将小波变换和多维偏最小二乘法相结合用于近红外光谱定量校正模型的建立。首先将原始光谱进行小波变换分解，得到系列小波细节系数，通过选取一组受外界因素少、信息强的小波系数组成三维光谱阵，然后再采用多维偏最小二乘法建立校正模型。实验结果表明，该方法所建近红外校正模捌的预测能力更强，并更具稳健性。     

小波变换结合多维偏最小二乘方法用于近红外光谱定量分析

将小波变换和多维偏最小二乘法相结合用于近红外光谱定量校正模型的建立.首先将原始光谱进行小波变换分解,得到系列小波细节系数,通过选取一组受外界因素少、信息强的小波系数组成三维光谱阵,然后再采用多维偏最小二乘法建立校正模型.实验结果表明,该方法所建近红外校正模型的预测能力更强,并更具稳健性.     

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%。     

用傅里叶变换近红外光谱和偏最小二乘法测定蔬菜中硝酸盐含量

1　引　　言近红外光谱分析技术 (NIRS)是利用物质在近红外光谱区的光学特性快速测定某种物质中的一种或多种化学成分含量的新技术。它以分析速度快、样品准备简单、从单个光谱可进行多种分析、不破坏样品及没有化学污染等优点 ,已广泛用于众多领域的定量分析及过程控制。被称为是一种绿色、快速、高效、适合在线分析的测试手段。蔬菜是极易富集硝酸盐的作物 ,人体摄入的硝酸盐有 81.2 %来自蔬菜 ,进入人体的硝酸盐可转化为亚硝酸盐 ,使人体缺氧中毒产生高铁血红蛋白症。硝酸盐还是一种潜在的致癌物质 ,因此 ,快速的硝酸盐检测方法对于监…     

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。     

红外光声光谱技术结合稳健回归用于油菜籽定量分析

将稳健偏最小二乘回归和偏稳健M回归应用于油菜籽红外光声光谱分析中含氮量、含油量与硫苷含量的测定。结果表明,利用红外光声光谱技术可以实现油菜籽品质的快速测定。同时,稳健回归模型较经典偏最小二乘回归模型可以更好地规避异常值影响,进而优化定量分析结果;其中,稳健偏M回归稍优于稳健偏最小二乘回归。