偏最小二乘法用于近红外漫反射光谱测定异福片

应用近红外漫反射光谱结合偏最小二乘法(NIR PLS)对异福片中利福平和异烟肼的含量进行定量分析， 所建立的定量分析模型对校正集样品中利福平和异烟肼的含量预测回归系数分别为0.992　77，0.989　01，交互验证均方根误差(RMSECV)分别 为0.006　65，0.004　23.对预测集样品利福平、 异烟肼的含量预测均方根误差(RMSEP)分别为0.005　73，0.003　79；加样平均回收率分别为99.376%和98.243%；重现性实验相对标准偏差(RSD)分别为0.679　3%和0.639　8%.结果表明， 该方法预测精度高， 且具有方便快捷、 非破坏、 无污染、 可在线检测、 重现性好等优点， 可作为异福片原位质量检测和在线质量监控的方法予 以推广.     

用近红外光谱法实时监测蛹虫草发酵中胞内多糖的质量浓度

应用近红外光谱(NIR)结合偏最小二乘法(PLS)建立一种实时监测蛹虫草发酵中胞内多糖质量浓度的新方法.对39个批次的蛹虫草在3个不同条件的5L发酵罐中进行蛹虫草深层发酵,发酵过程中间隔一定时间取样,采集样品的近红外光谱,并按常规方法测定样品中胞内多糖质量浓度,再采用PLS法建立样品的近红外光谱与胞内多糖质量浓度间的模型,所建模型经过选择最适光谱预处理方法和最适隐变量数进行优化,其留一交互验证预测值与化学测定参考值间的相关系数R=0.8750,交互验证均方根误差RMSECV=0.3052.采用最优PLS模型对样品中胞内多糖质量浓度进行预测,校正集预测均方根误差RMSEC=0.1670,预测集预测均方根误差RMSEP=0.3650,表明模型的稳健性和预测性能较好。     

便携式光谱仪对樱桃糖度检测的研究

利用600~1 100 nm波段的便携式可见-近红外光谱仪,以烟台大樱桃为研究对象,进行了樱桃糖度可见-近红外光谱的特征提取的实验研究.利用小波滤波对樱桃可见-近红外光谱进行预处理,运用偏最小二乘回归法建立了樱桃糖度的定量分析模型,并对模型进行了验证.实验结果显示:樱桃中糖度的可见-近红外光谱校正样本集的相关系数(R)为0.939 6,校正均方根误差为0.138 2;预测样本集的相关系数(R)为0.907 4,预测均方根误差为0.149 2.结果表明:利用便携式可见-近红外光谱技术在600~1 100 nm范围内检测樱桃糖度是可行、可靠的,为樱桃内部品质的野外在线检测提供了理论依据.     

基于近红外与拉曼光谱的甲醇汽油定量分析

利用近红外和拉曼光谱法定量分析了甲醇汽油中甲醇的含量,采用偏最小二乘法(partial least squares,PLS)建立甲醇的定量模型.近红外光谱法测定甲醇定量模型的预测集相关系数RP为0.998,预测均方根误差(RMSEP)为0.289%;拉曼光谱法测定甲醇定量模型的预测集相关系数RP为0.982,预测均方根误差(RMSEP)为1.141%.实验表明,近红外与拉曼光谱技术均可用于甲醇汽油中甲醇含量的快速检测.     

近红外光谱结合蚁群算法检测花茶花青素含量

花青素是花茶中的主要质量指标,为了快速准确的检测花茶中花青素的含量,提出一种基于蚁群算法(ACO)结合区间偏最小二乘法(iPLS)的近红外光谱检测方法.原始近红外光谱经过预处理采用ACO-iPLS优选花青素含量对应的特征子区间.当全光谱划分为12个子区间时,ACO-iPLS优选出第1,9,10共3个子区间,在此基础上建立的近红外光谱模型最佳.模型对校正集和预测集相关系数分别为0.901 3和0.864 2;交互验证均方根误差(RMSECV)和预测均方根误差(RMSEP)分别为0.160 0 mg·g-1和0.202 0 mg·g-1.研究结果表明:与常规的iPLS相比,ACO-iPLS不但可以有效选择近红外光谱特征谱区,而且建立的模型具有更高的精度和鲁棒性.     

基于降噪处理的蒙古栎木材气干密度NIRS定标模型

分别采用卷积平滑法、小波变换法对蒙古栎木材近红外光谱(NIRS)做去噪处理,并讨论两者混合去噪时,处理顺序变化对光谱去噪效果的影响,最后应用偏最小二乘法(partial least squares regression,PLS)和主成分回归法建立蒙古栎木材气干密度近红外定标模型。结果表明,当平滑点数为3,db5小波分解层数为2时,以平滑+小波方式去噪效果最好,其信噪比(SNR)为18.546,均方根误差为0.04。平滑+小波去噪后,基于PLS的蒙古栎木材密度近红外校正模型决定系数由0.767提高到0.902,校正均方根误差降低了35.32%,预测集决定系数为0.860,内部交叉验证和预测均方根误差分别达到最低,剩余预测偏差为2.67。因此,近红外光谱技术可实现蒙古栎木材气干密度快速预测,合理选择处理参数和建模方法可以有效提高模型精度。     

偏最小二乘法-可见/近红外光谱测定南丰蜜桔糖度的研究

研究了南丰蜜桔糖度的快速测定方法,选择漫反射原始光谱采用偏最小二乘法(PLS)建立了南丰蜜桔糖度的校正模型,并对模型的预测性能进行了验证.在糖度预测模型中,预测集的相关系数为0.9133,预测均方根误差为0.5577,平均预测偏差为-0.0656.结果表明:可见/近红外漫反射光谱结合PLS方法对南丰蜜桔糖度的快速测定是有效的.     

基于近红外技术快速检测青金桔果粉中β-胡萝卜素含量

以青金桔原粉为研究对象,采集不同时间热处理的青金桔果粉近红外光谱(900～1700nm)信息,经不同预处理,运用偏最小二乘回归(partial least square regression,PLS)法建立β-胡萝卜素含量的预测模型,实现靑金桔果粉中β-胡萝卜素含量的快速无损检测。试验结果显示,经标准正态变换(standard normal variate,SNV)预处理在1300～1700 nm范围内光谱信息构建的PLS模型,预测效果较好,模型均方根误差(RMSEC)、交叉验证均方根误差(RMSECV)、预测均方根误差(RM-SEP)分别为0.08、0.14和0.05,校正集决定系数(R2c)、交叉验证集决定系数(R2cv)和预测集决定系数(R2p)分别为0.95、0.87和0.95。由此表明,利用近红外光谱技术可潜在实现对青金桔果粉中β-桔胡萝卜素含量的快速检测。     

基于偏最小二乘法的土壤有机碳高光谱预测研究

对86个土壤样品高光谱数据进行平滑去噪、一阶微分变换以及多元散射校正处理,在此基础上,建立土壤有机碳含量的偏最小二乘法(PLS)反演模型.结果表明,获得的五种PLS模型均具有较高的模型精度.其中,主成份个数为10时,R+MSC的PLS模型效果最好.校正模型的决定系数R2=0.95,校正均方根误差RMSEC=0.95.验证模型的决定系数R2=0.78,预测均方根误差RMSEP=2.03.利用PLS模型对预测集进行预测,实测值与预测值的决定系数R2=0.83,预测均方根误差RMSEP=1.71,预测标准差SEP=1.73.PLS模型可以对土壤有机碳含量进行预测.     

MW-PLS法对雷尼替丁粉末药品的定量分析

结合可移动窗口偏最小二乘法（MW PLS）, 利用近红外漫反射光谱建立雷尼替丁粉末药品质量分数无损快速检测方法. 对模型进行优化时选择一阶导数、 二阶导数、 卷积平滑和快速Fourier变换预处理方法, 并优化隐变量数等模型参数. 以逼近度Da作为建模参数的优化评价标准, 最终得到测定雷尼替丁粉末药品的最佳模
型. 用该模型进行预测, 其校正集和验证集的预测值和真实值间的相关系数（Rc）分别为0.984 5和0.977 5, 校正集的均方根误差（RMSEC）为0.003 1, 验证集均方根误差（RMSEP）为0.003 3. 与高效液相色谱(HPLC)测定结果比较, 其相对误差≤2.422%.     

基于Reflected Sigmoid径向基函数插值的温度场重建算法

声学法测温在特殊的温度场环境中有良好的应用,主要是利用有限的超声波传播路径上的飞行时间重构出连续分布的温度场.现有的温度场重建算法中最小二乘法是最常用的方法,但其重建后的温度场会出现边缘信息缺失的现象.针对这一问题,提出在最小二乘法确定温度矩阵的基础上,结合Reflected-Sigmoid函数进行插值,实现了二维平面温度场的无缺失重建.通过两种典型的单峰温度场模型的重建结果及误差分析表明,在补全温度场边缘的条件下,单峰对称温度场的均方根百分误差在1.6%,单峰偏斜温度场的均方根百分误差在3.5%,取得了很好的重建效果.     

长江口水质MERIS卫星数据遥感反演研究

【目的】获取准确的水质参数分布情况,进而对水质参数与动力作用复杂的河口水域环境进行综合评价。【方法】利用2011年5月30组长江口水域的遥感反射率数据,在尝试多种波段组合以及不同函数形式后,针对叶绿素a浓度和总悬浮物浓度分别建立最优经验反演模型。【结果】对总悬浮物浓度,波段差值(634~644nm)的二次函数形式最优,决定系数R~2为0.837,均方根误差(RMSE)为0.226mg·L~(-1),利用独立的验证样本得到平均绝对百分比误差(MAPE)为58.2%。对叶绿素a浓度,波段比值(650nm/644nm)的二次函数形式最优,R~2为0.552,RMSE为0.486mg·m~(-3),利用独立的验证样本得到MAPE为66.2%。将模型运用于2011年5月MERIS卫星数据,反演出长江口水域叶绿素a浓度与总悬浮物浓度空间分布图,叶绿素a浓度呈现出从河口向外海逐渐减少的趋势,最大值出现在舟山群岛附近。总悬浮物浓度呈阶梯状向外海减少。【结论】通过评价参数可看出,总悬浮物浓度反演模型对总悬浮物浓度反演效果较为准确,而叶绿素a浓度反演模型显示对叶绿素a的反演浓度较低。     

BP神经网络在ATR-FTIR技术微量农药溶液 检测中的应用

利用衰减全反射傅里叶变换红外光谱(ATR-FTIR)技术分别对毒死蜱、炔螨特的微量溶液进行了检测,采用差谱、基线校正和矢量归一化对谱图进行预处理,利用BP神经网络分别使用自适应调整学习率并附加动量因子的梯度下降反向传播算法训练函数和SCG反向传播算法训练函数建立了毒死蜱和炔螨特农药溶液的定量分析模型,并对校正集和预测集进行了定量分析.毒死蜱溶液模型的分析结果为:R=0.998 6,RMSEC=0.100 0,RMSEP=0.220 1;炔螨特溶液模型的分析结果为:R=0.997 4,RMSEC=0.391 8,RMSEP=0.624 1.结果表明,BP神经网络结合ATR-FT-IR技术检测微量农药溶液含量具有快速、精度高、泛化能力强的优点,可用于农药溶液含量的快速、准确鉴定.     

利用神经网络预测阴离子共偶碱金属卤化物二元系的相图特征

利用Kohonen自组织特征映射神经网络来判定二元碱金属卤化物体系是否可以形成共晶体 ,对三个体系(其中一个体系不形成共晶体 ,两个体系形成共晶体 )的预测结果完全正确。在预测共晶温度和共晶体的组成时 ,使用了 6 5 1拓扑结构的误差反向传播神经网络 ,训练算法为自适应逆传播算法 ,对四个二元体系中共晶体的组成预测表明 ,均方根误差为 0 .0 5 35 ,平均相对误差为 1.77% ,对四个体系共晶温度的预测显示 ,均方根误差为 13 .48℃ ,平均相对误差为 1.11%。     

一类相依回归系统参数的根方估计

本文提出了一类相依回归系统回归参数的根方估计,证明了当设计矩阵呈病态时,根方估计的均方误差小于协方差改进估计的均方误差。     

基于二次修正的短时行程时间预测模型

为了提高高速公路短时行程时间预测模型的精度和鲁棒性,同时缓解过度训练带来的过拟合效应,构建了基于小波神经网络和马尔可夫链的组合预测模型,并采用平均绝对误差、平均绝对百分比误差、均方根误差三个指标评价模型的预测效果.分析结果表明,在行程时间突变之后,组合预测模型较其他模型都有着更高的预测精度;同时,该模型在预测行程时间突变点时不存在延迟,说明其在高峰时段内有着更高的预测精度和更强的预测鲁棒性.     

相关向量机模型在边坡稳定性预测中的应用

近年来,边坡稳定性预测得到了广泛的研究,及时、准确的预测可以有效的预防边坡破坏灾害的发生。本文提出了一种基于相关向量机(RVM)的边坡稳定性预测模型,结合京-新高速公路高堑边坡工程实例,通过对比支持向量机（RVM）模型、RBF神经网络模型和支持向量机(SVM)模型的拟合及预测结果来分析其可行性。结果表明:相较于SVM模型和RBF神经网络模型,RVM模型的三种预测指标值均是最小的。其中,平均绝对误差（MAE）分别降低了86.02%和22.11%,均方根误差（RMSE）分别降低了72.05%和1.09%,相对均方误差（RRMSE）也分别降低了75.89%和21.13%,表明RVM是一种预测边坡稳定性的稳健工具,该方法能较为准确地预测出不同指标下的边坡安全系数。     

基于VMDLSTNet的水质预测模型

针对水质时序预测中存在长期信息和短期信息混合导致预测精度低的问题,采用变分模态分解（Variational Mode Decomposition,VMD）和长短期时间序列网络（Long- and Short-term Time-series network,LSTNet）组合使用以期望解决该问题得出更准确的水质预测。LSTNet网络中使用卷积神经网络（Convolutional Neural Networks,CNN）提取短期局部水质信息,使用循环神经网络（Recurrent Neural Network,RNN）提取长期水质信息,并且通过Skip-RNN利用序列周期特性,提取更长期信息,同时模拟自回归（Autoregressive model,AR）,为水质预测增添线性成分来达到输出能够响应输入尺度变化的目的。采用珠江流域老口站隔日采样的溶解氧数据验证模型效果,结果表明,VMDLSTNet网络处理水质预测问题的能力,不仅优于传统的BP神经网络（Back Propagation Neural Network,BPNN）、支持回归机（Support Vector Regression,SVR）模型,而且优于深度学习中时域卷积网络（Temporal Convolutional Network,TCN）模型、门循环网络（Gate Recurrent Unit,GRU）、增加注意力机制的长短时记忆网络（Long Short-Term Memory Add Attention,LSTM-AT）模型,溶解氧的预测平均绝对误差（Mean Absolute Error,MAE）为0.0931,预测均方误差（Mean Square Error,MSE）为0.0146,预测均方根误差（Root Mean Square Error,RMSE）为0.1208,水质类别的预测准确率为95%。     

基于EWT-PSO-Elman耦合模型在径流预测中的应用

由于径流序列的非线性和非平稳性,单一预测模型能力有限,难以做出准确预测。因此,论文基于澄碧河流域坝首站1979-2019年共41a的实测月径流序列,引入经验小波变换分解(EWT)、粒子群算法(PSO),建立一种基于Elman神经网络的组合月径流预测模型(EWT-PSO-Elman),并采用纳什效率系数(NSE)、平均相对误差绝对值(MAPE)和均方根误差(RMSE)对测试集的预测结果进行评价与分析,并将预测结果与EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型进行比较。结果表明：EWT-PSO-Elman模型的纳什效率系数为0.9135,均方根误差为19.4511,预报等级为甲级,具有较好的预测精度和泛化能力;EWT-PSO-Elman模型的预测精度优于EWT-PSO-BP、PSO-Elman、PSO-BP、Elman、BP模型。可见,EWT-PSO-Elman模型具有更好的预测精度,可应用于径流预测研究中。