最小二乘支持向量机结合中红外光谱测定甲醇柴油甲醇含量

采用中红外光谱法对甲醇柴油的甲醇含量进行检测分析。首先,对采集到的原始光谱进行预处理(标准正则变换、多元散射校正、一阶微分、二阶微分、Savitzky-Goly平滑),采用偏最小二乘法和最小二乘支持向量机建立了甲醇柴油的甲醇含量预测模型,并比较了不同预处理方法对模型预测能力的影响。实验结果表明,LSSVM的建模效果最佳,其预测集相关系数R~2为0.981 8,预测均方误差RMSEP为1.3917%(体积比)。因此,中红外光谱技术可用于甲醇柴油中甲醇含量的快速检测,且可以达到很好的效果。     

基于最小二乘支持向量机的橄榄油掺杂拉曼快速鉴别方法

提出了一种基于最小二乘支持向量机(LS-SVM)的橄榄油掺杂拉曼快速鉴别方法。首先,收集若干己知类别的橄榄油样作为训练样本,获取其拉曼谱图,并对其谱图进行预处理和波段选择,进而构建LSSVM分类器;对于未知类别的油样,获取其拉曼谱图,并进行相应的预处理和波段选择,由LSSVM分类器获得鉴别结果。实验以7种已知的特级初榨橄榄油为基础,分别掺入4种其它植物油(大豆油、菜籽油、玉米油、葵花籽油),获得112个掺杂油样。将全部样本随机分成训练集和测试集,对测试集样本的预测实验结果表明,本文方法能有效鉴别橄榄油掺杂,且掺杂量最低检测限为5%。与其它分类方法相比,LSSVM分类法具有最佳的分类性能。该方法快速、简便,为橄榄油掺杂鉴别提供了一种全新的方法。     

基于最小二乘支持向量机的混沌控制

利用支持向量机良好的非线性函数逼近和泛化能力，提出基于最小二乘支持向量机非线性补偿的混沌控制新方法.应用最小二乘支持向量机离线辨识混沌系统的非线性部分，并用辨识模型补偿系统的非线性，同时应用线性状态反馈控制混沌系统.对三种典型连续混沌系统的仿真研究表明，提出的控制方法可以有效的控制混沌系统到达设定的目标状态，并且由线性状态反馈控制器构成的闭环系统稳定. 关键词： 混沌控制 支持向量机 最小二乘支持向量机 状态反馈 稳定性     

基于拉曼光谱和最小二乘支持向量机的橄榄油掺伪检测方法研究

为实现橄榄油中掺伪油类型的识别和掺伪量预测,对掺入葵花籽油、大豆油、玉米油的橄榄油共117个样品进行拉曼光谱检测,并用基于多重迭代优化的最小二乘支持向量机模型对掺入油的类型进行识别,综合识别率为97%。同时分别采用最小二乘支持向量机、人工神经网络模型、偏最小二乘回归建立橄榄油中葵花籽油、大豆油、玉米油含量的拉曼光谱定标模型,结果显示最小二乘支持向量机具有最优的预测效果,其预测均方根误差(RMSEP)在0.007 4～0.014 2之间。拉曼光谱结合最小二乘支持向量机可为橄榄油掺伪检测提供一种精确、快速、简便、无损的方法。     

基于集成最小二乘支持向量机方法的近红外光谱分析

针对近红外（Near Infrared,NIR）光谱测量中的小样本问题。本文提出了一种集成最小二乘支持向量机（Ensemble Least Squares Support Vector Machine,ELS-SVM）新算法。首先使用随机子空间算法（Random Subspace Method,RSM）原始高维变量空间划分为若干个低维度的子空间,然后分别在各个子空间建立最小二乘支持向量机（LS-SVM）模型,最后构造一个集成结果来进行预测。针对一批柴油样本的实验结果表明,本法对柴油十六烷值的预测精度优于传统的LS-SVM方法。     

基于线性最小二乘支持向量机的光谱端元选择算法

光谱端元选择是高光谱数据解混分析的重要前提。在各种端元选择算法中,N-FINDR算法因其自动性和高效性受到广泛欢迎。然而,该算法需要进行数据降维预处理,且包含大量的体积计算导致该算法的运算速度较慢,限制了该算法的应用。为此提出基于线性最小二乘支持向量机的N-FINDR改进算法,该算法无需降维预处理,且采用低复杂度的距离尺度代替复杂的体积尺度来加速算法。此外还提出对野值点施加有效控制以赋予算法鲁棒性,以及利用像素预排序方法来降低算法的迭代次数。实验结果表明,基于线性最小二乘支持向量机的改进N-FINDR算法在保证选择效果的前提下复杂度大大降低,鲁棒性方法和像素预排序方法则进一步提高了算法的选择效果和选择速度。     

基于最小二乘支持向量机的分数阶混沌系统控制

提出了基于最小二乘支持向量机(LS-SVM)的分数阶混沌系统控制方法.基于分数阶线性系统稳定理论,通过线性分离的方法将系统分解为稳定的线性部分和相应的非线性部分,再利用支持向量机良好的非线性函数逼近和泛化能力设计了主动控制器,对非线性部分进行补偿,从而将分数阶混沌系统控制到平衡点.分别以分数阶Liu系统和分数阶Chen系统为例进行了仿真研究,表明该方法是有效和可行的.     

基于改进的最小二乘支持向量机与荧光光谱法检测山梨酸钾

食品安全隐患越来越受到重视,而食品添加剂的过量使用更是个重要的因素。应用FS920荧光光谱仪,研究了防腐剂山梨酸钾的荧光特性,得到山梨酸钾荧光特征峰于λex/λem=375/490nm采用基于最小二乘支持向量机对橙汁溶液中防腐剂山梨酸钾进行检测,通过改进的遗传算法寻优最小二乘支持向量机参数。经过样本训练得到橙汁溶液山梨酸钾的回归模型,对未知浓度的溶液进行预测,将新算法与基本遗传算法寻优的模型和BP神经网络对比。结果表明,自适应遗传-最小二乘支持向量机建立的预测模型在平均相对误差3.54%和平均回收率96.46%都是最优的,是一种准确有效的橙汁中山梨酸钾浓度检测方案。     

基于最小二乘支持向量机的番茄汁糖酸度分析研究

近红外光谱应用于农产品内部品质无损检测的方法引起人们的广泛关注,在分析过程中建立一个稳定可靠的模型用于处理非线性数据集是十分重要的,也是有一定难度的。目前常用的偏最小二乘(PLS)、主成分回归(PCR)以及逐步多元线性回归(SMLR)等方法还不能解决这类问题。文章提出了将基于统计学原理的最小二乘支持向量机(LS-SVM)回归方法用于番茄汁的近红外(NIR)光谱分析,预测番茄汁品质(糖度和有效酸度)。运用LS-SVM方法以67个番茄汁样本建模,采用高斯径向基函数(RBF)为核函数,对33个样本进行糖酸度预测,糖度的相关系数为0.990 25,均方根标准预测误差为0.0056° Brix;有效酸度的相关系数为0.967 5,均方根标准预测误差为0.024 5。结果表明,LS-SVM方法要优于PLS和PCR建模方法,是一种快速、准确的近红外光谱分析方法。     

基于最小二乘支持向量机的国公酒中橙皮苷含量测定

应用近红外光谱技术结合最小二乘支持向量机建立了国公酒中橙皮苷含量的模型。利用Kernard-Stone法对训练集样本进行划分,对光谱数据预处理方法进行了选择,比较了平滑、范围标度化、自标度化、一阶微分、二阶微分以及这几种预处理相互结合的六种方法,确定了以平滑、一阶微分,范围标度化作为国公酒近红外光谱的数据预处理方法,采用组合的间隔偏最小二乘法筛选出有效波段8 211～8 312 cm-1及9 712～9 808 cm-1。应用最小二乘支持向量机建立模型,所建模型的交叉验证误差均方根为0.000 1,预测误差均方根为0.004,预测集的相对偏差小于5%。与组合的间隔偏最小二乘法、径向基-人工神经网络和支持向量机进行了比较。该方法快速、无损且可靠,可作为国公酒中橙皮苷含量快速测定的手段。     

最小二乘支持向量机的核桃露饮品中脂肪成分的定量分析

利用近红外光谱对核桃露中的重要指标脂肪含量进行定量分析,同时进行建模变量优化、建模方法比较以优选最佳模型。为消除散射对光谱造成的影响,采用标准正态变换（SNV）方法对数据进行预处理,采用遗传算法（GA）结合向后间隔偏最小二乘法（BiPLS）优选的特征波长分别作为偏最小二乘法（PLS）及最小二乘支持向量机（LS-SVM）的输入变量,建立核桃露中脂肪含量的近红外定量模型,采用决定系数（R2）、预测标准偏差（RMSEP）以及性能偏差比（RPD）对各模型进行评价,探究光谱波段选择方法对于核桃露中脂肪指标模型构建的影响,同时确定最佳建模方法。结果表明：进行变量筛选能够对模型起到优化作用,BiPLS及GA-BiPLS方法分别选择了150及30个变量点,占全光谱的10%及2%,对应了核桃露样品中脂肪成分的特征吸收峰,使得PLS模型的RMSEP值从0.049分别下降到0.043和0.040,同时模型的相关系数R2从0.964提高到0.973及0.974,性能偏差比RPD从4.88增长到5.62及6.00,主成分数也有不同程度的减少,降低模型复杂程度的同时提高了模型准确性。相比于PLS模型,核桃露脂肪指标的LS-SVM模型的R2,RMSEP及RPD值均表现出了更好的效果,分别达到0.986,0.036及6.52。说明基于最小二乘支持向量机建立的分析模型有较高的准确度及稳定性,可能是由于PLS作为一种经典的线性建模方法,在建立模型的过程中忽略了样品数据集中的非线性因素,而核桃露样品光谱测量过程中噪声、背景等因素的干扰,以及各指标成分间的相互影响,使得脂肪含量与近红外光谱信息间存在复杂非线性的变化关系,LS-SVM方法能够更为有效地对其进行描述,增强了光谱变量与指标浓度间的相关性,使得建立的模型有着更好的准确度以及普适性,说明了在实际生产中,LS-SVM方法具备优良的可行性,体现了其在核桃露饮品品质分析方面的巨大潜力。基于最小二乘支持向量机方法所建立的核桃露脂肪含量的定量分析模型,具有准确、稳定的特点,能够为核桃露生产的质量监控提供技术借鉴,同时为饮品品质的分析方法研究提供了新的思路。     

基于支持向量机算法的红外光谱技术在奶粉蛋白质含量快速检测中的应用

蛋白质是奶粉中重要的营养成分,实现对奶粉中蛋白质含量的快速、无损检测十分重要。文章采用近红外及中红外光谱技术检测了不同品种奶粉的蛋白质含量。采用最小二乘支持向量机对光谱透射率值和蛋白质值建模。模型在全波段对样本蛋白质含量预测得到了较好的结果,绝对系数(R2_p)达到0.9517,预测误差均方根(RMSEP)为0.520 201。预测结果要优于传统的偏最小二乘回归(PLS)的预测结果,说明红外光谱技术能够实现奶粉蛋白质含量的无损检测,且检测过程比传统化学检测方法简单,操作性强。文章同时还研究了分别基于中红外光谱范围和近红外光谱范围的建模。模型预测结果显示中红外光谱区域的建模效果要优于近红外光谱区域。该研究为今后奶粉蛋白质含量快速无损检测提供了新的方法。     

基于二维红外相关谱欧氏距离判别掺杂牛奶

基于纯牛奶、掺杂牛奶样品间二维红外相关谱欧氏距离,依据未知样品与校正集中“极值样品”欧氏距离平均值、组内、组间样品欧氏距离平均值,提出了一种掺杂牛奶判别的新方法。分别配置掺杂尿素牛奶(0.01～0.3 g·L-1)和掺杂三聚氰胺牛奶(0.01～0.3 g·L-1)样品各16个,采集纯牛奶及掺杂牛奶样品的红外光谱。以牛奶中掺杂物浓度为外扰,构建纯牛奶与掺杂牛奶的同步二维红外相关谱,并计算了各样品相关谱矩阵间的欧氏距离。在此基础上,分别建立掺杂尿素牛奶、掺杂三聚氰胺牛奶与纯牛奶的判别模型,确定模型中的“极值样品”,组内、组间样品欧氏距离平均值。利用所建模型,计算未知样品与“极值样品”的欧式距离,并依据判别规则,对未知样品进行判别。研究结果表明： 基于样品红外相关谱矩阵间欧氏距离可实现掺杂牛奶的判别,其判别正确率为100%,验证了该方法的有效性。该研究为掺杂牛奶的检测提供了一种新的可能方法。     

掺有植物性填充物牛奶的近红外光谱判别分析

为探索近红外光谱技术在生鲜牛奶掺假检测中的应用, 寻找一种快速的检测方法,以分别掺有植物奶油、植物蛋白、淀粉的牛奶为材料,利用傅里叶变换近红外光谱仪对样品进行扫描并得到光谱数据, 应用Fisher线性判别分析和偏最小二乘法对试验数据进行了多元统计分析。分析结果表明,利用Fisher判别分析建立的掺假牛奶判别模型的正确判别率达到97.78％,对未知样进行检验,正确判别率达到94.44%;利用偏最小二乘法建立的各掺假物质掺入量的定量检测模型,各掺假牛奶的校正集决定系数(R2)均在99.0%以上,各掺假牛奶的验证集决定系数均在98.5%以上,模型的预测效果良好。上述2种方法说明了近红外光谱技术可以实现对掺有植物性填充物牛奶的快速定性、定量鉴别。     

基于近红外光谱和最小二乘支持向量机的聚丙烯酰胺类型鉴别

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法,能够快速、无损鉴别聚丙烯酰胺的三种类型。获取非离子,阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱,用主成分分析方法对样本光谱数据进行降维,并提取主成分。基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析,并将主成分作为最小二乘支持向量机的输入。通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。每种类型聚丙烯酰胺各采集60个样本,共采集180个样本,每种类型样本随机选取45个样本,共135样本作为训练样本集,剩余45个样本作为测试集。为了验证该方法能否鉴别掺假样本,制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。结果表明,预测测试集时,准确率为100%。预测10个混和样本时,所有混合样本都被准确识别出。说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力,为聚丙烯酰胺类型的快速鉴别提供了一种新方法。     

Discussion About Nonlinear Time Series Prediction Using Least Squares Support Vector Machine

The least squares support vector machine (LS-SVM) is used to study the nonlinear time series prediction. First, the parameter γ and multi-step prediction capabilities of the LS-SVM network are discussed. Then we employ clustering method in the model to prune the number of the support values. The learning rate and the capabilities of filtering noise for LS-SVM are all greatly improved.     

最小二乘支持向量机方法对冬小麦叶面积指数反演的普适性研究

冬小麦叶面积指数(leaf area index, LAI)是进行作物长势判断和产量估测的重要农学指标之一,高光谱遥感技术为大面积、快速监测植被LAI提供了有效途径。在探讨利用最小二乘支持向量机(least squares support vector machines, LS-SVM)方法和高光谱数据对不同条件下冬小麦LAI的估算能力。在用主成分分析法(principal component analysis, PCA)对PHI航空数据降维的基础上,利用实测LAI数据和高光谱反射率数据,构建LS-SVM模型,采用独立变量法,分别估算不同株型品种、不同生育时期、不同氮素和水分处理条件下的冬小麦LAI,并与传统NDVI模型反演结果对比。结果显示,每种条件下的LS-SVM 模型都具有比NDVI模型更高的决定系数和更低的均方根误差值, 即反演精度高于相应的NDVI模型。NDVI模型对不同株型品种、不同氮素和水分条件下冬小麦LAI估算精度不稳定,LS-SVM则表现出较好的稳定性。表明LS-SVM 方法利用高光谱反射率数据对于不同条件下的冬小麦LAI反演具有良好的学习能力和普适性。