基于网格搜索的参数优化方法用于鱼粉灰分的近红外LSSVM定量分析

采用近红外(NIR)光谱技术和最小二乘支持向量机(LSSVM)参数优化方法,建立定标预测模型测定鱼粉灰分的含量,采用去趋势校正和标准正交校正(DC-SNV)相结合的方式进行光谱预处理,基于网格搜索法建立LSSVM的参数优化模型,提高NIR光谱定量分析的预测精度。结果表明,LSSVM参数网格搜索方法能够有效地应用于鱼粉NIR光谱模型优化,获得的鱼粉灰分的光谱预测值与化学测定值能较准确的匹配,有利于NIR光谱技术快速检测在养殖饲料产品中的应用。     

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。     

基于尺度不变特征变换筛选稳定特征波长的近红外光谱模型传递方法

该研究利用一维尺度不变特征变换(SIFT)算法寻找烟叶近红外光谱(Near infrared spectroscopy,NIRS)的稳定特征波长,根据样品精密度测试光谱筛选的波长计算重现率和重现度,采用L₉(3³)正交表优化SIFT算法中的相关参数,使重现率和重现度尽可能高。基于优化的参数和主机上10个代表性样品的光谱,筛选出10个稳定特征波长集合,以这些波长集合并集的光谱响应为自变量,采用偏最小二乘(PLS)方法构建烟叶总植物碱NIRS模型(简称SIFT-PLS)。该模型直接传递到3台从机后,对3台从机样品总植物碱的平均相对预测误差(MRE)均满足小于6%的企业内控要求,而全光谱模型(WW-PLS)直接转移后仅1台从机的MRE满足要求,经分段直接校正(PDS)方法校正从机光谱后,WW-PLS模型也仅对1台从机的MRE小于6%。采用SIFT算法筛选稳定特征波长建立的NIRS模型可在3台从机直接共享,无需转移集,不需对从机光谱或光谱模型进行校正,实现了真正意义的无标样NIRS模型的直接转移。     

光谱预处理方法对混胺近红外定量模型影响的研究

本文探讨了一阶导数、Savitzky-Golay平滑、小波变换(WT)和正交信号校正(OSC)预处理方法对混胺组分近红外光谱的预处理效果。采用预测集标准偏差(SEP)对各种预处理方法的最佳参数进行选择。比较了各种预处理方法的去噪能力,对预处理方法组合后的效果进行了评价。研究表明,WT和OSC能有效去除噪声,提高分析模型的精度,WT和OSC结合后的预处理效果更好。     

近红外光谱结合判别分析法初步鉴别食用植物油的质量

以过氧化值为参考,用偏最小二乘判别分析(PLSDA)和最小二乘支持向量机(LSSVM)两种方法对食用植物油的近红外光谱进行建模和预测,初步鉴别食用植物油的质量。分析了数据中心化、方差比例、正交信号校正这三种不同的前处理方法对PLSDA预测结果的影响。对同种划分训练集和验证集方法的PLSDA,数据中心化的预测结果都较好。同时分析了Kennard-stone(KS)法及SPXY法这两种不同的划分训练集和验证集方法对PLSDA和LSSVM的预测结果的影响,结果表明训练集和验证集的划分方法对两者影响均较小。实验比较了PLSDA与LSSVM两种方法的判别能力,结果显示在以过氧化值为参考的基础上,两种方法判别能力相近,最高判别总正确率均达到94.3%。     

近红外光谱结合膜富集技术测定饮料中微量邻苯二甲酸二异辛酯的含量

提出了一种基于在线膜富集的近红外漫反射光谱技术,对饮料中的微量塑化剂邻苯二甲酸二异辛酯(DEHP)进行快速检测。采用聚醚砜膜对饮料中的DEHP进行富集,将富集DEHP的膜直接进行近红外漫反射检测。参考DEHP的透射近红外光谱,对波数进行选择,以4 420～4 060、4 700～4 540、6 040～5 600cm-1作为建模的波数区间。通过比较原始光谱、多元散射校正、一阶求导、二阶求导及其组合,考察了光谱预处理方法对模型的影响,用去一交互验证法建立了偏最小二乘(PLS)模型,并用所建立的校正模型对校正集样品进行了预测。结果表明,在选定的波数区间,当用一阶求导对校正集光谱进行预处理时,所建立的模型对校正集的预测效果最佳,在隐变量数为7时,对校正集所有样品的校正均方根误差(RMSEC)为0.188 7mg/L。用此模型对预测集样品进行预测时,DEHP的质量浓度在0.5～5.0 mg/L范围内,预测均方根误差(RMSEP)为0.232 4 mg/L,平均相对预测误差为6.29%。     

基于GPU计算的并行PLS算法研究与实现

偏最小二乘算法(PLS)是与红外、近红外光谱分析结合使用最为广泛的化学计量学算法,然而当前PLS算法通常采用单线程方式实现,当校正模型数量多或样本数量大、波长点数和主成分数较多,模型需对光谱预处理和波长选择方法反复优化时,计算十分缓慢。为大幅提高建模速度,该文提出了一种基于图形处理器(GPU)的并行计算策略,利用具有大规模并行计算特性的GPU作为计算设备,结合CUBLAS库函数实现了基于GPU并行的PLS建模算法(CUPLS)。利用近红外光谱数据集进行性能对比实验,结果表明CUPLS建模算法较传统单线程实现的PLS算法,加速比可达近42倍,极大地提升了化学计量学算法的建模效率。该方法亦可用于其它化学计量学算法的加速。     

废旧涤/棉混纺织物近红外定量分析模型的建立及预测

将中红外光谱筛选出的598个纯涤、纯棉及涤/棉混纺样本采用GB/T 2910.11-2009法测定其涤、棉准确含量,其中校正集样本252个,验证集样本346个。使用便携式近红外光谱仪获取样本的原始近红外光谱(NIRS)。校正集样本依据回归系数的分布趋势和范围选取最佳建模谱区,并采用差分一阶导、S-G平滑和均值中心化相结合的方法对原始光谱进行预处理,利用偏最小二乘法(PLS)建立涤/棉混纺织物中涤含量的近红外(NIR)定量分析模型。同时分析了样本颜色对NIRS的影响,探讨了斜线光谱样本、奇异样本和不同组织结构织物对模型预测效果的影响。结果表明:利用PLS法建立的涤/棉混纺织物定量分析模型最优组合包含1个光谱区间和9个主成分因子,校正集相关系数(RC)为0.998,标准偏差(SEC)为0.908。为验证所建模型的有效性和实用性,对346个未参与建模的涤棉样本进行了预测,并将预测结果与国标法测定值进行方差分析,两种方法结果无显著差异,预测正确率达97%以上。模型的建立为废旧涤/棉混纺织物快速、无损分拣提供了基础数据库。     

不同光谱预处理对激光诱导击穿光谱检测猪肉中铅含量的影响

为了研究适合激光诱导击穿光谱(LIBS)检测猪肉中重金属铅(Pb)元素含量的光谱预处理方法,将配制的84个猪肉腿肌样品分为校正集和预测集,以相关系数(R)、内部交叉验证均方差(RMSECV)和预测均方根误差(RMSEP)作为评价指标,比较了5种光谱预处理方法对偏最小二乘法(PLS)建模预测效果的影响.结果表明,多元散射校正(MSC)预处理效果最好,定标模型预测值与实验室分析元素检测值的相关系数(R)达到0.9908,RMSECV为0.302,RMSEP为0.282,主成分数为16,18个预测集样品的验证结果的平均相对预测误差(ARPE)为7.8％.说明MSC是LIBS检测猪肉Pb含量的有效光谱预处理方法,该研究为进一步实现食品中重金属快速定量分析提供了方法和数据参考.     

复杂样品近红外光谱定量分析模型的构建方法

针对复杂样品近红外光谱分析中校正集的设计问题, 探讨了标准样品参与复杂样品建模的可行性. 通过标准样品和复杂基质样品共同构建的偏最小二乘(PLS)模型, 考察了波段筛选和建模参数对预测结果的影响. 结果表明, 采用PLS方法建立定量模型时, 校正集样品性质应该尽量与预测集样品相似, 当样品的性质相差较大时, 适当增加校正集样品的差异性可使模型具有更强的预测能力. 同时, 波段优选对提高预测结果的准确性具有重要的意义.     

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.     

模型诊断用于近红外光谱建模校正集中奇异样本的识别

由于校正集样本的质量决定校正模型的质量,校正集中奇异样本的检测在多元校正建模中具有非常重要的意义.本研究建立了一种用于近红外光谱多元校正建模时校正集中奇异样本的检测方法.本方法基于奇异样本的定义和偏最小二乘方法的原理,通过考察每个校正集样本在模型的每个因子(或主成分)中对模型的贡献,将与多数样本表现不同的样本识别为奇异样本.采用218个橘汁样本构成的近红外光谱数据进行了分析,结果表明,校正集中存在6个奇异样本,扣除奇异样本后,校正集的交叉验证均方根误差由16.870减小为4.809,预测集的均方根误差从3.688减小为3.332.     

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.     

PDS用于不同温度下的近红外光谱模型传递研究

采用合适的计算方法可降低测定环境对近红外光谱校正模型稳健性的影响。该文以喷气燃料为研究对象,考察了分段直接校正算法对所建模型预测结果的影响,通过选择转移样品数及窗口宽度,建立了最佳的校正模型和光谱转移参数。结果表明,在20℃下建立近红外光谱校正模型,直接预测30℃下喷气燃料的密度,预测集样品均方根误差（RMSEP）为0.2031,而30℃近红外光谱采用分段直接校正算法模型转移后,预测集样品均方根误差（RMSEP）降低为0.1354,预测结果得到明显改善,有效地解决了样品温度对近红外光谱分析结果的影响。     

应用近红外漫反射光谱法的猕猴桃品质无损检测

应用近红外漫反射光谱技术和化学计量学,研究成熟期猕猴桃内部品质与其近红外漫反射光谱之间的关系。在室温(24±2)℃下,采集猕猴桃赤道区域不同测试部位在4 000~10 000 cm~(-1)范围内的光谱数据,用基于平滑处理、归一化及基线校正的组合式处理方法对原始光谱进行预处理;另应用偏最小二乘(PLS)法、主成分回归法和多元线性回归法等方法分别建立猕猴桃硬度、可溶性固形物含量(SSC)的校正模型。结果表明:采用组合预处理方法和PLS法建立的校正模型精度最高;硬度校正集相关系数R_c、均方根误差RMSEC和预测集相关系数R_p、均方根误差RMSEP达到了0.976 5,0.548 3,0.943 2,0.612 7;SSC校正集相关系数R_c、均方根误差RMSEC和预测集相关系数R_p、均方根误差RMSEP达到了0.916 6,0.539 6,0.901 2,0.619 0;试验结果验证了本法的可行性。     

应用近红外漫反射光谱法的猕猴桃品质无损检测北大核心CSCD

应用近红外漫反射光谱技术和化学计量学,研究成熟期猕猴桃内部品质与其近红外漫反射光谱之间的关系。在室温(24±2)℃下,采集猕猴桃赤道区域不同测试部位在4 000~10 000 cm^(-1)范围内的光谱数据,用基于平滑处理、归一化及基线校正的组合式处理方法对原始光谱进行预处理;另应用偏最小二乘(PLS)法、主成分回归法和多元线性回归法等方法分别建立猕猴桃硬度、可溶性固形物含量(SSC)的校正模型。结果表明:采用组合预处理方法和PLS法建立的校正模型精度最高;硬度校正集相关系数R_c、均方根误差RMSEC和预测集相关系数R_p、均方根误差RMSEP达到了0.976 5,0.548 3,0.943 2,0.612 7;SSC校正集相关系数R_c、均方根误差RMSEC和预测集相关系数R_p、均方根误差RMSEP达到了0.916 6,0.539 6,0.901 2,0.619 0;试验结果验证了本法的可行性。     

近红外光谱法快速测定推进剂中N-甲基对硝基苯胺

采用近红外光谱法快速测定固体推进剂中N-甲基对硝基苯胺(MNA)的含量。评价了滤波平滑、一阶导数、二阶导数、多元散射校正(MSC)和标准正态变量校正(SNV)这5种不同光谱预处理方法的优化效果，基于建模参数优化结果建立了MNA定量模型，并对模型进行了准确性和重复性验证。结果表明，光谱最佳预处理方式是SNV，模型最佳主因子数为7，模型校正决定系数(R_C²)和验证决定系数(R_P²)分别为0.998 6和0.987 2，交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.012 0和0.009 8，重复性极差和绝对误差均低于0.2%。近红外光谱法与液相色谱法测定结果相比相对偏差在6%以内，经t检验，两种方法测定结果无显著性差异。近红外光谱法快速、准确，可用于推进剂老化进程监控。     

拉曼光谱结合背景扣除化学计量学方法用于汽油中MTBE含量的快速测定研究

应用便携式拉曼光谱仪测量了汽油样本的拉曼光谱,以自适应迭代惩罚最小二乘方法(airPLS)对光谱进行了背景扣除和平滑处理,并选取特征峰区间利用偏最小二乘方法(PLS)建立了预测甲基叔丁基醚(MT-BE)的校正模型。以训练集相关系数和拟合误差及测试集相关系数和预测误差作为判定依据,确定了最佳建模条件。最终训练集相关系数为0.996 0,拟合误差为0.316 1,测试集相关系数为0.996 6,预测误差为0.490 1。结果表明采用便携式拉曼光谱结合化学计量学方法处理,可以满足对汽油中MTBE含量快速检测的要求。     

可见-近红外光谱结合CARS优化模型预测棕榈油碘值

采用可见-近红外透射光谱结合CARS变量优选方法优化模型,对棕榈油碘值进行近红外定量分析。通过将使用不同预处理方法产生的建模效果进行比较,找到了理想的预处理方法,通过CARS变量选择方法优选出与棕榈油碘值相关的有效波点共60个,利用60个有效波点建立棕榈油碘值优化模型。根据优化模型的建模集相关系数(R_c=0.9814)和预测集相关系数(R_p=0.9806),得到的建模均方根误差(RM SEC=0.0398)和预测均方根误差(RM SEP=0.0406)优于采用全波段建立的模型得到的系数误差。利用可见近红外透射光谱结合CARS变量优选方法,简化了棕榈油碘值模型,并能够保证碘值预测的准确度。     

基于OSC–WT–PLS近红外光谱法测定烟草中芸香苷

采用正交信号校正(OSC)结合小波变换(WT)对烟草光谱进行光谱预处理,将预处理后的烟草光谱结合偏最小二乘法(PLS)建立了烟草光谱对芸香苷的预测模型。利用OSC滤除光谱中与芸香苷含量无关的光谱信息,确定OSC提取的最佳主成分数为7,再选择WT中的最佳小波基函数bior1.1对OSC预处理后的光谱进行压缩及进一步滤噪,然后进行PLS建模,OSC–WT–PLS所建模型决定系数r~2=0.874,校正标准偏差RMSEC=0.85,预测均方根误差RMSEP=0.743,交互验证系数Q_(ext)~2=0.887。结果表明,用OSC–WT–PLS可滤除光谱信息中与待测样品含量无关的信息、减少光谱数据量,降低建立模型的复杂度、提高建模速度及模型的预测能力、准确度。