双层PLS算法及其在近红外光谱分析中的应用

针对近红外光谱数据局部效应显著,变量个数多,且彼此间常存在严重的复共线性,并与样品组分含量呈非线性关系,构建了一种双层非线性偏最小二乘回归 (DNPLSR)算法。它将非线性回归和偏最小二 乘(PLS)相结合,先在外层由PLS从样本数据中提取成分,并实现每对成分间的非线性映射,再在内层实施PLS算法,将外层因变量成分的拟合误差反馈计算转换权向量的增量,进一步修正转换权向量,以使外层所提取的成分对因变量具有更优的解释能力。最后,将该法应用于80个谷物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他方法。     

基于3种建模法的食源性 ACE抑制二肽 QSAR 研究

以自组建的食源性血管紧张素转化酶（angiotensin I‐converting enzyme ,ACE）抑制二肽为研究样本,采用氨基酸描述子VHSE（principal component score vector of hydrophilicity ,steric ,and electronic properties）对ACE抑制二肽进行表征后,比较偏最小二乘（partial least square regression ,PLS）、支持向量机（support vector machine ,SVM）及主成分分析（principal component analysis ,PCA）‐SVM相结合的3种建模方法对ACE抑制二肽的QSAR（quantitative structure‐activity relationship）建模。结果显示,对于食源性ACE抑制二肽,3个模型的拟合能力无明显差异,SVM模型的预测能力略强;对其进行权重投影分析发现,C末端氨基酸较N末端氨基酸对其活性的影响更为明显。     

样条变换集成罚函数偏最小二乘方法用于光谱数据重构和定量分析

针对高维小样本光谱数据所显现的函数型数据(Functional data)特性、与性质参数的非线性关系及变量间存有的严重共线性,采用了样条变换集成罚函数偏最小二乘回归新技术.它首先以三次B基样条变换实现非线性光谱数据的线性化重构,随后将重构的新光谱矩阵交由罚函数偏最小二乘法(Penalized PLS)构建其与性质参变量间的校正模型,其中罚函数中的光滑因子由交叉验证优化确定以调控模型的拟合精度.最后,通过小麦样品水分含量的近红外光谱定量分析,结果显示该技术光谱数据重构稳健,去噪明显,并有效解决高维小样本的过拟合和变量间的共线性,而预测集的均方根误差(RMSEP)为0.1808%,方法的非线性校正模型预测能力得到了明显提高.     

山药多糖提取工艺响应面法优化

为优化山药多糖提取工艺,以山药多糖得率为指标,在单因素考察基础上,根据Box-Behnken中心组合方法进行三因素(提取温度、提取时间、水物质量比)三水平的试验设计,以得率为响应值,进行响应面(RSM)分析。得到的优化工艺参数为:提取温度为71.1℃,提取时间为4.12 h,水物比为23.3。在此条件下,山药多糖的理论得率为6.846%,实际得率为6.75%。     

混合液中Ni（Ⅱ）和Co（Ⅱ）的快速测定与应用

采用分光光度法测定混合液中的Ni2+和Co2+质量浓度,考察了Ni2+和Co2+测定及相互的干扰影响,并将分光光度法应用于分离过程的质量浓度分析.结果表明:分光光度法可以在720 nm和510 nm下分别快速测定混合液中的高质量浓度Ni2+和Co2+,720 nm下Co2+不影响Ni2+的测定,510 nm下Ni2+对Co2+的测定影响呈线性;分光光度法分析完全达到分离效果测定的需要.     

RBF-LVLS方法用于甲醇合成反应器的软测量建模

及时、准确地测定化工过程变量,对确保生产过程稳定、有效控制产品质量具有重要意义。RBF-LVLS是在分析RBF-PLS的基础上提出的新方法,它保留了RBF-PLS的优点,采用非线性的神经网络结构,又用数学方法直接求解,免去了ANN冗长的训练过程和其他诸多欠缺,同时,它所集成的LVLS方法将PLS的多个目标函数整合为因变量成分拟合误差一个,以此循环迭代求解自变量和因变量的成分及它们间的回归系数,从而使建立的模型既具有很高的预报精度和良好的稳定性,又有简洁的解析形式,便于优化等进一步的计算和处理。RBF-LVLS方法成功应用于甲醇合成反应器的软测量建模。     

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。     

构建支持向量机-偏最小二乘法为药物构效关系建模

为研究药物构效关系积累样本数据的过程中,需为小样本建模。此时较易造成过拟合,影响模型的预测性能和稳定性。为此可用偏最小二乘(PLS)法从样本数据中成对地提取最优成分,消除自变量间的复共线性,并有效的降维,然后应用最小二乘支持向量机对成对成分进行非线性回归,并以基于误差修正的策略调整,使之更有效地表达自、因变量间的非线性关系。由此构建为EB-LSSVM-PLS算法,所建模型的预报精度高,稳定性良好。将其应用于新型黄烷酮类衍生物的QSAR建模,效果令人满意,其泛化性能优于其它方法。     

核分段逆回归集成线性判别分析用于质谱数据分类

针对高维小样本质谱数据在构造模型时易产生的过拟合现象、变量间的严重共线性、及结构与性质间的非线性关系,采用了核分段逆回归(KSIR)特征提取集成线性判别分析(LDA)新技术。首先以KSIR算法完成质谱数据的非线性特征提取,然后在由新特征矢量张成的低维空间构造样本类别的线性判别函数,负责各样本个体类别的判定。将KSIR-LDA方法应用于软饮料的质谱数据分类,结果表明:该方法不仅适应质谱数据与性质间的非线性关系,而且可以更少、解释能力更强的特征变量取得更高的分类精度,并能实现在低维特征空间对数据的解释及可视化。     

近红外透射光谱结合规范变量分析用于化学模式分类

应用近红外透射光谱,实施规范变量提取-线性判别分析(CVA-LDA)技术,对其分属不同药物剂量类型进行鉴别。针对药物近红外透射光谱频道变量个数多,彼此间存在严重的复共线性,富有冗余信息,样本类(模式)内的离散度矩阵为奇异,由传统CVA方法提取规范变量的计算不稳健,提出了改进的规范变量分析ICVA方法。它通过嵌入偏最小二乘(PLS)算法,完成规范权矢量的稳健估计,进而用于提取出若干个规范变量。而后,基于规范变量张成的低维空间,构造样本类别的线性判别函数,负责各样本个体类别的判定。实验结果表明,改进的ICVA-LDA方法,克服了LDA对高维小样本数据建模的局限性,模型的判别能力明显优于其他方法。