基于选择性模型组合的三维荧光光谱水质分析方法

为提高三维荧光光谱水质分析的精度,提出一种选择性模型组合方法,采用相关系数法对三维荧光光谱激发波长进行选择,并将被选中的激发波长下的荧光发射光谱水质分析子模型采用岭回归法进行模型组合,得到对水质指标的组合模型。以一组总有机碳(TOC)范围在3.41～125.35 mg·L-1,化学需氧量(COD)范围在22.80～330.60 mg·L-1的32个地表水和城市生活污水水样做为研究对象,对其三维荧光光谱220～400 nm范围内的10个激发波长采用上述方法进行选择,分别针对TOC和COD指标筛选出260,280,400 nm和220,280,400 nm各3个激发波长。采用部分最小二乘方法建立上述激发波长下荧光发射光谱水质分析子模型,根据岭回归法计算各子模型的组合系数,分别得到对TOC和COD指标的组合模型。实验结果表明：采用该方法得到的组合模型对TOC和COD两种指标的预测误差均方根(RMSEP)相比精度最高的单一荧光发射光谱子模型分别减小了15.4%和17.5%,相比未经模型选择的组合模型分别减小了6.1%和10.9%。     

用遗传算法快速提取近红外光谱特征区域和特征波长

提出了一种遗传区间偏最小二乘法(GA-iPLS),并用该方法快速提取苹果糖度近红外光谱的特征区域,在此基础上采用遗传偏最小二乘法(GA-PLS)提取苹果糖度近红外光谱的特征波长,进行苹果糖度预测。结果表明,整个光谱等分为40个子区间,遗传区间偏最小二乘法能快速寻找出5个特征子区间(第4,6,8,11,18号);在5个特征子区间的基础上用遗传偏最小二乘法继续优化,从中提取44个特征波长。建立在5个特征子区间和44个特征波长上的偏最小二乘法模型精度均优于全光谱偏最小二乘法模型,对预测集的预测相关系数提高了近10%;且模型得到了很大的简化,用于建模的主因子数减少了7个。这些结果表明,用这两种方法不但可以建立简洁、数据运算量少的模型,还可以快速地提取近红外光谱的特征区域和特征波长。     

特征谱区筛选在多元混合物的太赫兹光谱定量分析中的应用

用特征谱区筛选法结合太赫兹时域光谱(THz-TDS)技术对多元混合物成分含量进行了定量分析研究。实验利用太赫兹时域光谱系统测量了由乳糖一水合物(LAC)、对乙酰氨基酚(APAP)、可溶性淀粉(starch)以及微晶纤维素(MCC)四种材料组成的混合物样品的太赫兹吸收光谱,并分别尝试采用常规区间偏最小二乘(iPLS)、向后区间偏最小二乘(biPLS)、联合区间偏最小二乘(siPLS)和移动窗口偏最小二乘(mwPLS)四种特征谱区筛选法对多元混合物的太赫兹吸收光谱进行特征子区间优选,建立了太赫兹吸收谱与四元混合物中乳糖一水合物含量之间的定量回归模型。通过比较四种谱区筛选算法模型及全光谱偏最小二乘(PLS)模型所得结果,表明采用移动窗口偏最小二乘法建立的谱区筛选模型得到的结果相对最优,其交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)、校正集相关系数(R_C)和预测集相关系数(R_P)分别为0.980 3,1.114 1,0.996 0和0.995 1。实验结果表明,采用特征谱区筛选方法可以有效选择多元混合物太赫兹吸收光谱的特征区间,提高模型精度和降低模型复杂性,为实现多元混合物成分含量的快速检测提供了一种有效的方法。     

苹果可溶性固形物近红外光谱检测的偏最小二乘回归变量筛选研究

为了提高苹果可溶性固形物含量近红外光谱校正模型的预测能力和稳健性,分别采用反向区间偏最小二乘法、遗传算法和连续投影算法,筛选苹果可溶性固形物的近红外光谱变量,并建立了偏最小二乘回归模型。利用遗传算法筛选的141个变量建立的校正模型,预测效果最好,与全谱建立的校正模型比较,预测相关系数,从0.93提高到0.96,预测均方根误差,从0.30°Brix降低到0.23°Brix。实验结果表明遗传算法结合偏最小二乘回归方法,有效地提高了苹果可溶性固形物近红外光谱检测模型的预测精度。     

近红外光谱法快速检测猪肉中挥发性盐基氮的含量

为了实现快速无损地检测猪肉新鲜度的目的,应用近红外光谱法测定猪肉新鲜度重要指标一挥发性盐基氮(TVB-N)的含量.猪肉原始光谱经标准偏差归一化方法(SNV)预处理后,用联合区间偏最小二乘法(siPLS)建立猪肉预处理后光谱和TVB-N含量的校正模型并与经典偏最小二乘法(PLS)模型、间隔偏最小二乘法(iPLS)模型作比较.试验结果表明,利用联合区间偏最小二乘法所建的预测模型最佳,其校正集相关系数(Rc)和交瓦验证均方根误差(fRv)分别为0.8332和3.75,预测集的相关系数(Rp)和预测均方根误差(fRP)分别为0.8238和4.17.研究结果表明利用近红外光谱和联合区间偏最小二乘法可以快速地测定猪肉中挥发性盐基氮的含量.     

基于舌诊NIR反射光谱血清总蛋白含量的无创测量

采用舌诊近红外反射光谱对人体血清总蛋白(TP)含量进行无创检测。采集58例舌尖反射光谱进行反射率归一化并记录相对应的血清总蛋白生化分析值,将样本分为训练集和预测集,运用主成分分析结合BP神经网络法和偏最小二乘算法分别建立预测模型。主成分分析结合BP神经网络模型对预测集进行预测,平均相对误差为7.35%,均方根误差为3.069 1 g·L-1,相关系数为0.902 1。偏最小二乘模型对预测集进行预测,平均相对误差为4.77%,均方根误差为0.130 1 g·L-1,相关系数为0.971 8。实验结果证实了舌诊近红外反射光谱可以较为准确地用于总蛋白含量的无创检测。     

多源光谱特征组合的COD光学检测方法研究

水样的化学需氧量大小直接决定水质的污染程度,传统的检测方法都是源于氧化还原反应,对水样会造成二次污染。为此,提出一种基于多源光谱特征组合的水质化学需氧量光学检测方法,以不同地点实际水样为被测对象,分别采集其紫外和近红外光谱曲线,进行预处理后,通过非负矩阵分解算法进行光谱数据的特征提取、数据特征归一化,然后将组合特征输入训练集样本,通过粒子群最小二乘支持向量机算法对验证集水样的化学需氧量进行定量预测。讨论了非负矩阵分解算法中基光谱数目对预测模型的影响。实验结果显示,紫外光谱的最佳基光谱数目为5,近红外光谱的最佳基光谱数目为2;预测模型的验证集平方相关系数为0.999 8,预测均方根误差为3.26 mg·L-1;分别与不同特征提取方法(主成分分析, 独立成分分析)、不同光谱法(紫外光谱法, 近红外光谱法)以及不同的组合方式(数据直接组合, 先组合数据再提取特征)加以比较,表明非负矩阵分解算法更适合光谱数据的特征提取,粒子群最小二乘支持向量机算法作为实际水样的定量模型校正方法可以得到良好的预测精度。     

基于近红外光谱和稀疏偏最小二乘回归的生物质工业分析

林木生物质能源作为一种新型可再生能源,具有非常广阔的发展前景。基于近红外光谱技术,首次引入稀疏偏最小二乘回归建立木屑生物质的工业分析模型,用于生物质燃料特性的快速分析测定。工业分析总共测定了80种木屑的水分、灰分、挥发分和固定碳含量百分比;按照样品种类和产地将其划分为训练集和测试集,利用近红外光谱仪采集光谱数据并进行小波滤波处理;再利用稀疏偏最小二乘回归建立木屑生物质的定量分析模型,并与主成分回归、偏最小二乘回归、最小绝对收敛及变量筛选方法的建模效果进行比较。结果证明,相对于以上三种建模方法,稀疏偏最小二乘回归能够挑选出有重要影响的波长群组,降低非目标波段的噪声干扰,从而增强数学模型的解释能力并提高定量分析的准确度。利用稀疏偏最小二乘回归算法挑选的波长区间基本覆盖了工业分析中水分的吸收峰,而对于灰分、挥发分和固定碳的吸收峰波段尚无准确定位,需要继续探讨。总体而言,稀疏偏最小二乘回归能够减少无关信息的干扰,提高模型定量分析的准确度,增强模型的解释能力,将会在近红外光谱技术应用领域内起到重要作用。     

基于近红外光谱和偏最小二乘法的慈竹纤维素结晶度预测研究

将近红外光谱技术和化学计量学相结合分析慈竹纤维素结晶度。通过区间偏最小二乘法(iPLS)、联合区间偏最小二乘法(siPLS)和反向区间偏最小二乘法(biPLS)优化建模区域,建立经多元散射校正后光谱的结晶度分析模型,并与全光谱范围350～2 500nm建立的偏最小二乘(PLS)模型进行比较。结果表明,三种改进偏最小二乘法建立的结晶度模型预测效果均优于PLS模型,并且当采用联合区间偏最小二乘法将全光谱进行30个子区间划分,选择三个子区间[8 12 19]组合时,建立的siPLS模型预测效果最好,相关系数(r)达到0.88,预测标准差(RMSEP)为0.0117。因此,采用联合区间偏最小二乘法可以有效选择建模光谱区域,提高模型预测能力,实现慈竹纤维素结晶度的快速预测。     

用遗传区间偏最小二乘法建立苹果糖度近红外光谱模型

为了简化苹果糖度预测模型和提高模型的精度,用遗传区间偏最小二乘法(GA-iPLS)建立苹果近红外光谱预测模型。应用结果表明,整个光谱划分为40个子区间, GA-iPLS选择其中的第4,6,8,11,18号共5个子区间联合建立苹果糖度模型。遗传区间偏最小二乘法所建的模型,其校正时的相关系数r_c和交互验证均方根误差RMSECV分别为0.962和0.334 6,预测时的相关系数r_p和预测均方根误差RMSEP分别为0.932和0.384 2。与全光谱模型相比,该方法建立的模型不论对校正集还是预测集,模型的预测能力都提高了许多,且模型得到了很大的简化：其实际采用的波数点个数比全光谱模型采用的波数点个数大大减少,主因子数也比全光谱少,由此建立的模型更加简洁、数据运算量也更少。     

固相萃取-电感耦合等离子体质谱法测定地表高盐水体中的痕量稀土元素

基于电感耦合等离子体质谱（ICP-MS）建立测定地表高盐水体中痕量稀土元素的分析方法,提出UV/H₂O₂去除地表水体中有机物的新策略。地表水体中的溶解态稀土浓度极低,质量浓度在ng·L-1数量级,分析测试非常困难。当水体中总溶解性固体超过1 g·L-1时,样品直接测试会造成严重的质谱干扰,同时可能会导致雾化器、截取锥和样品锥阻塞。因此,测试高盐水体中的稀土元素需要先去除水体中的盐类。为提高测试的准确度,样品测试前通常需要对水体进行预富集以增加待测物质量浓度。但是,内陆地表水体中有机物浓度较高,在进行预富集的过程中有机物和稀土元素发生络合作用,使得溶解态稀土在富集时发生分异,对预富集工作也是一项挑战。首先在样品中加入H₂O₂,将样品放入紫外消解系统中氧化去除水体中的有机物,消解后水体中有机碳的浓度可降低至0.5 mg·L-1。然后采用NobiasPA1固相树脂对样品进行预富集,步骤如下：首先使用流速为2.2 mL·min-1的硝酸,超纯水和醋酸铵缓冲液依次分别清洗预富集系统,去除预富集系统中可能残留的稀土元素;然后用流速为2.0 mL·min-1的醋酸铵缓冲液、样品和醋酸铵缓冲液依次分别通过固相萃取柱,富集样品中的稀土元素并去除吸附在树脂柱上的盐类;最后使用流速为0.7 mL·min-1的HNO₃溶液淋洗树脂柱并收集样品。ICP-MS测试样品时,选择115In为内标校正基体效应。研究结果表明在pH 4.6±0.1的情况下,各稀土元素的检出限和空白值分别在0.34～22.0和0.34～12.9 ng·L-1之间;稀土元素检出的相对标准偏差（n=5）<5%;稀土标准溶液的加标回收率在97%～101%之间。将该方法用于渤海海水、海河河口水体和西藏雅根错水体,加入Tm作为内标,样品的加标回收率在98%～101%, 相对标准偏差（n=3）<5%。这说明该方法适用于地表高盐水体中溶解态稀土元素的定量分析。     

基于PSO-PLS混合算法的水体COD紫外吸收光谱检测研究

化学需氧量（COD）是反映水体受有机物污染程度的重要指标。紫外吸收光谱法是目前水体COD检测研究中应用最为广泛的方法,具有样品无需预处理,成本低,无污染,测定速度快等优点。但是,原始光谱数据维数高,光谱信息中包含大量冗余变量,直接将全光谱数据进行建模存在精度低,计算复杂等问题。针对紫外吸收光谱全光谱建模精度低,光谱数据存在大量共线性的问题,提出了一种基于粒子群算法（PSO）结合偏最小二乘（PLS）优选特征波长建立预测模型的方法,以提高紫外吸收光谱预测模型的精度和适用性,简化模型。利用搭建的紫外吸收光谱装置,采集29份不同浓度的COD标准溶液的紫外光谱数据,每份标准溶液采集5次取平均值并对其进行平滑处理,减少仪器和环境带来的误差。考虑到标准溶液在200～310 nm的光谱范围内存在吸收,故选取该波段范围内246个波长点作为建模数据,每个波长点下的吸光度数据作为一个粒子并按照顺序编号,以PLS为建模方法,相关系数r和均方根误差（RMSE）为评价指标,设置粒子群算法适应度函数f(x)=min（RMSE）,取粒子初始种群数为20个,惯性权重w=0.6,自我学习因子c1=1.6,群体学习因子c2=1.6,最大迭代次数为200次,算法终止条件为达到最大迭代次数。算法输出全局最优变量取值为168,94,181,183,175,209,106和142。采用粒子群算法优选的8个波长点建立PLS预测模型的相关系数r和预测均方根误差RMSE分别为0.999 98和0.155 1。为了验证PSO-PLS建立的预测模型效果,建立了PLS,iPLS和SVR三种预测模型进行对比。验证结果表明,PSO-PLS模型的相关系数r和均方根误差RMSE均优于其他三种预测模型,说明粒子群算法能有效的提取用于PLS建模的特征波长,消除子区间变量的共线性,提高预测模型的精度。该方法为实现水体COD实时在线监测提供了一种有效途径。     

基于荧光多光谱融合的水质化学需氧量的检测

为了对水中的有机污染物进行绿色、快速、准确的检测,提出了一种基于荧光多光谱融合的水质化学需氧量(Chemical Oxygen Demand, COD)的检测方法。实验样本为包含近岸海水和地表水在内的实际水样53份,采用标准化学方法获取样本的化学需氧量的理化值,利用荧光分光光度计采集样本的三维荧光光谱并对光谱数据进行处理和建模。在200～300 nm(间隔5 nm)的激发波长范围内将三维光谱展开成二维的发射光谱(发射波长范围250～500 nm,间隔2 nm)。采用ACO-iPLS(蚁群-区间偏最小二乘)算法提取发射光谱特征,PSO-LSSVM(粒子群优化的最小二乘支持向量机)算法建立预测模型,分别建立了单激发波长下的荧光发射光谱数据预测模型、多激发波长下发射光谱的数据级融合(LLDF)预测模型以及多激发波长下发射光谱的特征级融合(MLDF)预测模型,通过对预测效果的对比,得出结论。实验结果表明,对于不同激发波长下荧光发射光谱数据而言,265 nm激发光作用下的发射谱数据的预测模型最优,其检验集决定系数R2_P和外部检验均方根误差RMSEP分别为0.990 1和1.198 6 mg·L-1;对于荧光多光谱数据级融合模型(简写为：LLDF-PSO-LSSVM)而言,在235,265和290 nm激发光作用下的发射光谱的LLDF模型效果最优,其检验集的R2_ｐ和RMSEP分别为0.992 2和1.055 1 mg·L-1;对于荧光多光谱特征级融合模型(MLDF-PSO-LSSVM)而言,在265,290和305 nm激发光作用下的荧光发射光谱的MLDF模型效果最优,其R2_p=0.998 2,RMSEP=0.534 2 mg·L-1。综合比较各类建模结果可知,MLDF-PSO-LSSVM的模型效果最优,说明基于荧光发射光谱数据,采用多光谱特征级融合模型检测水质COD时,检测的精度更高,预测效果更好。     

SG平滑和IBPLS联合优化水中油分析方法的研究

快速准确地检测水中矿物油的种类与含量对污染源及时排查和控制具有重要的意义,而红外光谱分析技术检测水中矿物油具有高效、快速、无污染的优势。为获得更加可靠的分析结果应用傅里叶变换衰减全反射红外光谱(FTIR-ATR)技术获取矿物油样品的光谱信息,采用SPXY法划分样本集。对偏最小二乘法(PLS)和迭代Bagging偏最小二乘法(IBPLS)这两种建立回归模型的方法进行对比分析,还比较了采用Savitzky-Golay(SG)平滑方法与迭代Bagging偏最小二乘法(IBPLS)相结合和单一采用迭代Bagging偏最小二乘法建立回归模型的区别。通过对预测回归曲线进行对比,得出通过SG平滑的预测效果明显优于未做的。而且采用SG平滑方法和IBPLS相结合的方法建立回归模型时,汽油模型参数RMSEP为0.001 125 g·mL-1,r为0.992 5;柴油模型参数RMSEP为0.001 384 g·mL-1 ,r为0.989 3。     

基于紫外光谱的水体硝酸盐浓度混合预测模型研究

水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁,传统的检测硝酸盐的方法检测时间长且操作复杂。针对水体中硝酸盐氮难以快速在线检测的问题,基于紫外吸收光谱,提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。按照合适的浓度梯度配备了19组硝酸盐氮标准溶液,通过实验测得不同浓度硝酸盐氮样本的光谱数据。首先基于双波长法对所有样本进行回归分析,按照A=A₂₂₀-2A₂₇₅计算不同实验样本的吸光度A,其中A₂₂₀和A₂₇₅是220和275 nm处样本的吸光度,将吸光度A与样本浓度值进行线性回归,拟合出样本浓度的预测值。结果显示当样本浓度较小时,相关性很好,r为0.997 4,随着实验样本浓度的上升,曲线发生严重的非线性漂移,因此双波长法只适合低浓度样本预测模型的建立。对于高浓度样本,光谱重叠严重,适合建立非线性的预测模型,支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模,LS-SVM预测精度稍高,运算速度稍快。通过对所有的实验样本进行全波长光谱积分,比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值,4 mg·L-1的硝酸盐样本积分值前后变化率最大,因此选择4 mg·L-1作为临界浓度值较为合适。浓度高于4 mg·L-1的实验样本建立LS-SVM预测模型,通过交叉验证的方法选择出合适的参数,正则化参数γ=50,核函数选择高斯核,核函数宽度σ２=0.36,训练样本之后进行回归;其余样本建立双波长法预测模型,最后进行两种模型的数据融合,形成从低浓度到高浓度的水体中硝酸盐浓度的检测。为了验证混合预测模型的预测精度,另外建立了SVM,LS-SVM,偏最小二乘(PLS)等模型,并求出r,预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。验证结果表明,相比于SVM,LS-SVM和PLS等模型,提出的混合模型回归的相关系数为0.999 86,分别提高了1.8%,1.6%和0.45%,预测值与真实浓度的平均绝对误差为2.55%,分别降低了6.27%,4.49%和1.01%,均方根误差为0.303,为四种预测模型中最小,SVM与LS-SVM的相对误差相对较高,PLS模型相对误差上下波动比较大,混合预测模型相对误差最为稳定,并保持在较低水平,由此可见混合预测模型的预测效果明显优于其他几种模型。并与文献[5-7]中的测量方法进行对比,该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度,且不需要试剂,无二次污染,与文献[9]中的预测模型相比,预测精度明显提高。因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度,可为在线监测水体中硝酸盐浓度提供有效的技术参考。     

基于二维相关光谱的水体叶绿素含量探测

利用Shimadzu UV2450分光光度计测量了含有不同叶绿素浓度的湖水样本在可见光和近红外区域的透射光谱,并使用实验室手段测量了水体的叶绿素含量。分析了湖水样本的透射光谱特性,同时引入二维相关光谱技术,利用叶绿素浓度值作为微扰量,得到水体叶绿素的动态光谱,进而结合二维同步谱图和异步谱图确定表征水体叶绿素浓度的特征波段。综合观察二维相关光谱中的同步谱图和异步谱图,更加精确地阐明了水体光谱特征,同时剔除水体中其他物质对于光谱信息的影响,更有效、全面地提取反映水体叶绿素信息的敏感波段。利用所选特征波段构建归一化水体叶绿素指数,将特征波段与叶绿素指数分别与水体叶绿素浓度建立线性预测模型。结果显示,归一化水体叶绿素指数的预测模型测定R2达到0.771 2,均方根误差是45.509 8 mg·L-1,预测R2达到0.765 8,均方根误差是39.503 8 mg·L-1。模型精度较利用特征波段建立的多元线性回归模型有了较大的提高,达到了实用水平。     

水体COD激光诱导击穿光谱快速测量方法研究

水体化学需氧量（COD）是一个重要的水体质量指标,一般用来衡量有机物的污染程度。对COD的检测长期依赖采样后的实验室化学分析方法,目前应用最普遍的是重铬酸钾氧化法与酸性高锰酸钾氧化法。化学分析的方法操作复杂,耗时费力,且引入新的化学药剂,造成二次污染,因此,急需一种能够实现水体COD快速测量的检测技术。在前期研究基础上,对水体COD的激光诱导击穿光谱检测方法进行深入探索,重点是优化模型预测速度,目的是研究激光诱导击穿光谱技术用于对水体COD的快速测量方法。采集了不同COD浓度的99个水体样本,分为训练集和测试集两组,通过重铬酸钾氧化法测定各水样的COD值,作为真实值,利用实验室自建的激光诱导击穿光谱采集系统采集各水样波长在200～1 000 nm的光谱信息,利用偏最小二乘算法建立训练集水样COD的定量化测量模型,然后对测试集光谱数据进行预测,将预测结果与实验室化学方法测定的真实值进行对比,评估预测效果。通过对原始光谱建立的预测模型进行分析,发现在建模过程中,大量的激光诱导击穿光谱数据与COD浓度相关性很差,而这些无用数据参与计算,浪费了计算资源,延长了检测时间,造成系统负载过大,不利于便携式检测设备的开发。重点研究贡献度最大的前几个主成分,通过对COD测量原理和PLS模型载荷分析,找到LIBS光谱中与水样COD浓度相关性最高的主要特征峰,经过分析发现,主要为来源于水中有机物中的C,H,O,N以及水中一些还原性离子元素的特征峰,这些特征峰对COD的模型预测能力贡献最大,而COD的定义正是衡量水体中这些元素的多少,这与该研究分析结论相吻合。为了实现检测速度的提升,提取这些特征峰,对光谱数据进行降维,剔除大量无关或相关性较低的数据,经过多次筛选和降维,最终将原来参与计算的每条光谱的13 622个数据降到28个,大大降低系统的运算量,却依然能够保留不错的预测能力。筛选出的28个特征波长最能反映水体COD浓度,为水体COD便携式的多波段检测设备的研发,实现对COD的快速测量奠定了基础。     

基于拉曼光谱的海水COD检测方法的研究

海水的化学需氧量大小直接决定海水水质的污染程度,传统的紫外-可见光波段检测时荧光干扰较大,近红外光波段检测时,水分子红外吸收峰影响较严重。提出一种基于拉曼光谱的海水化学需氧量检测方法,以不同浓度的模拟海水样本为被测对象,确定特征拉曼位移为981.6 cm-1,对拉曼光谱预处理后,通过偏最小二乘法对拉曼光谱的相对强度与碱性高锰酸钾法检测得到的海水化学需氧量进行回归建模。实验结果显示,训练集和预测集相关系数达到0.99,验证集决定系数可达到0.990 9,预测均方根误差为0.79 mg/L。