| 最小角回归算法(LAR)结合采样误差分布分析(SEPA)建立稳健的近红外光谱分析模型 |
| |
| 引用本文： | 熊芩,张若秋,李辉,陈万超,杜一平.最小角回归算法(LAR)结合采样误差分布分析(SEPA)建立稳健的近红外光谱分析模型[J].分析测试学报,2018,37(7):778-783. |
| |
| 作者姓名： | 熊芩 张若秋 李辉 陈万超 杜一平 |
| |
| 作者单位： | 华东理工大学化学与分子工程学院上海市功能性材料化学重点实验室;德宏师范高等专科学校理工系 |
| |
| 基金项目： | 上海市科委科研计划项目（17142201100） |
| |
| 摘 要： | 结合采样误差分布分析(SEPA)框架和最小角回归(LAR)算法,提出了一种SEPA-LAR变量逐步筛选方法用于波长选择,并建立了稳健的近红外光谱分析模型。利用蒙特卡洛采样(MCS)获得多个数据集划分建立多个模型,对光谱各变量(波长)在所有模型的LAR系数进行统计分析,按其回归系数绝对值总和由大到小排序,选择排序靠前的波长建立偏最小二乘(PLS)模型,以未参与SEPA-LAR和建模的独立验证集对该模型进行评价。将玉米湿度、柴油密度以及奶酪脂肪的近红外光谱数据用于SEPA-LAR的性能检验,独立验证集的预测均方根误差(RMSEP)分别为0.001 44%(湿度指标)、0.001 58 g/mL(密度指标)以及1.13 g/100 g(脂肪含量指标)。结果表明,相较于竞争自适应重加权采样法(CARS),该方法具有更优异的稳定性;相较于移动窗口偏最小二乘(MWPLS)以及蒙特卡洛无信息变量消除(MCUVE)方法,该方法选择的变量更少,预测误差更低,预测性、可解释性和稳定性更优异。
|
| 关 键 词： | 最小角回归 回归系数 蒙特卡洛采样 采样误差分布分析 变量选择 近红外光谱 |
A Robust Near Infrared Modeling by Least Angel Regression and Sampling Error Profile Analysis |
| |
| XIONG Qin,ZHANG Ruo qiu,LI Hui,CHEN Wan chao,DU Yi ping.A Robust Near Infrared Modeling by Least Angel Regression and Sampling Error Profile Analysis[J].Journal of Instrumental Analysis,2018,37(7):778-783. |
| |
| Authors: | XIONG Qin ZHANG Ruo qiu LI Hui CHEN Wan chao DU Yi ping |
| |
| Abstract: | |
| |
| Keywords: | |
| 本文献已被 CNKI 等数据库收录！ |
| 点击此处可从《分析测试学报》浏览原始摘要信息 |
| 点击此处可从《分析测试学报》下载免费的PDF全文 |
|
