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.     

傅里叶变换近红外光谱法测定榨菜酱油成分

基于傅里叶变换近红外光谱技术,通过主成分分析(PCA),可较好地区分不同品牌的榨菜酱油样本.利用偏最小二乘法(PLS)建立了测定榨菜酱油成分的定量分析模型,校正集样本中总酸、氨基酸态氮和食盐的分析模型决定系数(R2)分别为98.44,98.74和98.48,交叉验证均方差(RMSECV)分别为0.001 3,0.008 44和0.355.预测集样本中总酸、氨基酸态氮和食盐的外部验证决定系数(R2)分别为96.04,95.90,96.27,预测集标准偏差(RMSEP)分别为0.017 4,0.012 9,0.48.实验结果具有较高的预测精度,可以用于测定榨菜酱油主要成分的质量浓度.     

近红外光谱-偏最小二乘法无损定量分析异烟肼片

应用近红外漫反射光谱结合偏最小二乘法, 对异烟肼片中异烟肼的含量进行分析, 建立了近红外光谱数学校正定量分析模型, 其对校正集样品的交互验证均方根误差(RMSECV)为0.00632. 对预测集样品的预测均方根误差(RMSEP)为0.00603; 回归系数为0.99456;加样平均回收率为99.772%. 重现性实验相对标准偏差(RSD)为0.526%. 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、 可在线检测和重现性好等优点.     

近红外光谱分析中的一种基于XY变量联合的异常样本剔除算法

在近红外光谱分析中,异常样本的存在会影响所建预测模型的性能.为了剔除异常样本,提高预测模型的预测能力,首先提出并证明了XY距离关系定理;在此基础上,设计了一种新型的基于XY变量联合的ODXY异常样本剔除算法.本次研究对102个羊肉样本的近红外光谱及其含水率进行了测定,在此样本集上分别采用常用的马氏距离剔除法、蒙特卡洛采样法和本文提出的ODXY算法对异常样品进行判别和剔除,并用剔除后的样本建立偏最小二乘预测模型;然后采用预测均方差RMSEP和决定系数R~2来检验模型的性能;最后,通过重新分配训练集和验证集检验算法的泛化能力.实验结果表明,在利用ODXY算法剔除预测样本的基础上建立的预测模型性能最佳,且具有更好的泛化能力.     

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.     

基于 siPLS 法建立藤茶中二氢杨梅素近红外定量分析方法

目的:建立藤茶中二氢杨梅素近红外定量模型,用于其快速定量分析.方法:采集45批藤茶样品的近红外光谱,以高效液相色谱法测定样品中二氢杨梅素的含量,并作为参照,以组合区间偏最小二乘法(si PLS法)对特征谱段进行优化,建立二氢杨梅素的定量模型并对模型进行评价.结果:光谱预处理选用矢量归一化法(VN),确定9000~8500 cm-1、8000~7000 cm-1、6000~5500 cm-1为建模谱段.内部交叉验证中,校正均方差(RMSECV)为2.38%,决定系数(R2)为92.16%;外部验证中,模型对训练集预测均方差(RMSEE)为0.993%,对验证集预测均方差(RMSEP)为2.87%,其决定系数为90.67%,相对预测偏差(RPD)为3.27.当样品中二氢杨梅素的含量范围为9.77%~46.13%时,平均预测回收率为97.57%.结论:所建模型预测能力好,可用于藤茶中二氢杨梅素的快速定量分析.     

近红外光谱奇异样本剔除方法研究

采用近红外光谱分析技术建立面粉校正模型,对面粉中灰分含量进行定量分析,并对异常样本进行剔除.试验中采用马氏距离法和蒙特卡洛采样法分别对异常样本进行了剔除,结果表明：用马氏距离法剔除异常样本,当权重系数为1.5,剔除样本数为3时,得到最好结果,相关系数（R2）为92.67,交互验证均方差RMSECV为0.048 5;MCCV法剔除异常样本,剔除样本数为3,得到最好结果,相关系数（R2）为94.64,交互验证均方差RMSECV为0.041 1.故马氏距离法剔除异常样本能在一定程度上提高校正模型的精度和预测精度,但MCCV法剔除异常样本后模型精度和预测精度优于马氏距离法.     

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。     

基于高光谱图像技术和波长选择方法的羊肉掺假检测方法研究

针对肉类掺假的定量检测问题,建立了基于高光谱图像技术结合波长选择方法以及偏最小二乘(PLS)法的羊肉掺假无损检测方法.试验搭建了羊肉-猪肉的高光谱图像采集系统,对选取的99个样本进行高光谱图像(390~1040nm)采集并提取感兴趣区域光谱.比较了多种预处理方法对全波长模型的影响,标准正态变量校正(SNV)为最优光谱预处理方法,校正决定系数R2CV达到0.93,预测决定系数R2P达到0.96,校正均方根误差RMSECV为8.33%,预测均方根误差RMSEP为6.18%.采用多种波长选择方法对光谱全波段520个变量进行变量选择,最终确定基于竞争性自适应重加权算法(CARS)的简化模型最优,其R2C=0.96,R2CV=0.94,R2P=0.96,RMSEC=6.55%,RMSECV=7.66%,RMSEP=6.10%.高光谱图像技术结合CARS能够对掺假羊肉进行准确的定量检测,可为羊肉掺假的在线无损检测提供理论依据.     

短波近红外光谱-偏最小二乘法对食醋中总酸含量的无损定量分析

将短波近红外光谱技术与偏最小二乘法（PLS）结合,对食醋中的总酸含量进行快速、无损定量分析,建立了最佳数学校正模型．讨论了光谱预处理方法和主成分数对PLS模型预报精度的影响．研究表明,采用一阶导数预处理光谱建立的数学校正模型能够得到最佳的预报结果,在对预测集8个样本中总酸的含量进行预报时,所得的集相对标准偏差为1．386％．实验结果表明,该方法方便快捷,并且具有较高的预报精度,可以用于食醋中总酸含量的测定．     

基于粒子群优化算法的相关向量机边坡稳定性分析模型

为快速获取边坡稳定性系数,及时对边坡进行稳定性评价,提出一种基于粒子群优化算法(particle swarm optimization,PSO)的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。该模型通过选取影响边坡稳定性安全系数的6个主要因素,并对这6个主要影响因素产生的30组数据进行拟合训练,利用粒子群算法对相关向量机模型参数进行优化,选取最优参数值,根据这30组训练样本来对剩余4组样本进行精准预测。结果表明：与实际值进行对比,基于PSO-RVM模型预测的平均相对误差仅为5.64%,且建立的PSO-RVM预测模型的边坡稳定性安全系数的平均相对误差均明显优于利用BP(back propogation)神经网络和协调粒子群(coordinated particle swarm optimization,CPSO) -BP模型预测得到的平均相对误差,进一步为边坡稳定性预测及评价提供一种新方法。     

PLS-近红外漫反射光谱法非破坏分析安乃近

比较了偏最小二乘（PLS）法在常规和一阶导数近红外漫反射光谱法分析安乃近的定量预测能力；讨论了校正集样品数和波长间隔对PLS预测的影响．在常规光谱法中，校正样品和预测样品的预测结果的相对标准误差分别为0．9891％和1.4630％．而在一阶导数光谱法中，校正样品和预测样品的预测结果的相对标准误差分别为0.1102％和1.0429％．     

近红外光谱在印刷品颜色检测中的应用

为了对印刷品颜色进行快速、准确检测,应用近红外光谱技术(NIR)并结合偏最小二乘法(PLS)建立印刷品颜色检测模型.对近红外光谱获取的144个样本光谱曲线,应用主成分分析方法进行降维,维数为5.选取的主成分作为光谱优化特征子集以替代原来复杂的光谱数据.随后,将144个样本数据随机分为定标集和预测集,利用偏最小二乘法在103个定标集样本数据基础上建立印刷品颜色预测模型,应用此模型对41个预测集样本颜色进行预测.研究结果表明:利用PLS模型得到样本的实测值和预测值之间的预测决定系数(R~2)为99.74%,预测平均相对误差为0.636%,表明利用近红外光谱技术检测印刷品颜色是可行的.     

可见-短波近红外光谱用于血红蛋白分析及其稳定性

基于随机性、相似性和稳定性,通过定标集、预测集、检验集的建模过程,采用可见-近红外(NIR)光谱结合偏最小二乘(PLS)方法建立人类溶血液样品的血红蛋白(Hb)的分析模型。将全谱扫描区(400—249 8 nm)分成可见区(400—780nm)、短波近红外区(780—110 0 nm)、长波近红外区(1100—249 8 nm)、可见-短波近红外区(400-1100 nm)、全近红外区(780—249 8 nm)。经过比较、检验,结果表明,可见-短波近红外区达到了最好的模型效果和稳定性,最优PLS因子数为7,检验的预测均方根误差(V-SEP)和预测相关系数(V-RP)分别为4.42 g.L-1、0.967,达到了高的预测精度和稳定性。     

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。     

不同矫正位置对落叶松分位数削度方程预测精度的影响

【目的】基于非线性分位数回归方法构建大兴安岭落叶松(Larix gmelinii)树干削度方程,并分析比较基本模型与不同分位数(τ=0.1、0.2、0.3、0.4、0.5、0.6、0.7、0.8、0.9)模型,利用树干不同高度的上部直径进行矫正分位数组合模型预测精度,为落叶松天然林干形的精准预测提供理论依据。【方法】以大兴安岭壮志林场212株落叶松树干干形数据为研究对象,基于非线性分位数回归方法和Max and Burkhart分段削度方程,利用SAS软件中NLP过程拟合各分位数分段削度方程,把树干相对高20%、30%、40%、50%、60%、70%处的直径以及胸径到树尖的中间位置(50%^*)的树干上部直径引入到分段削度方程中进行矫正,并以平均误差(MAB)和相对误差(MPB)为评价指标对削度方程进行对比分析。【结果】Max-Burkhart分段削度方程在9个不同的分位点都可以得到参数估计值,因此分位数回归削度模型可以评价在不同分位数的预测能力。未矫正的分位数(τ=0.5、0.6)模型的预测精度略优于基本模型。准确地选择矫正位置至关重要,与未矫正的基本模型相比,利用树干相对高20%和70%处的直径进行矫正不能提高各分位数组合模型的预测精度,利用树干相对高30%、40%、50%、60%处的直径以及胸径到树尖中间位置的树干上部直径进行矫正的大多数分位数组合(3、5、7、9个分位数组合)模型的预测精度都能得到提高,总体使用矫正位置分位数组合模型的预测精度顺序为40%>50%^*>50%> 60%>30%>20%>70%。最佳的矫正位置为树干相对高40%处,并以3个分位数的组合(τ=0.3、0.5、0.7)模型预测精度最高,与未矫正的基本模型相比,MAB和MPB均下降13.5%。【结论】在削度方程中引入一个合理的矫正位置可以提高模型的预测精度,其中,最佳矫正位置为树干相对高40%处,最优模型为3个分位数组合(τ=0.3、0.5、0.7)模型。在实际应用中,如果不考虑矫正时,建议采用分位数τ=0.5削度方程的参数估计值。     

基于BP神经网络检测面粉中滑石粉含量的研究

利用近红外光谱技术对掺杂滑石粉的小麦面粉进行了检测,采用多元散射校正对谱图进行预处理,利用BP神经网络中的SCG反向传播算法训练函数建立了面粉中滑石粉的定量分析模型,并对校正集和预测集进行了定量分析,分析结果为R2=0.997 3,RMSEC=0.436 7,RMSEP=1.708 8.结果表明,BP神经网络结合近红外光谱技术检测面粉中滑石粉含量具有快速、精度高、泛华能力强的优点,可用于面粉中滑石粉含量的快速准确检测.     

时钟校准过程中的组合钟差预报模型

时间同步技术在分布式系统中应用广泛,时钟校准是时间同步的前提。针对时间校准过程中所需的时间信号可能出现传递失效等问题,在时间校准过程中引入钟差预报技术。同时为提高钟差预报模型的预报精度,提出一种GM-BP神经网络的钟差预报组合模型,首先利用已测钟差数据建立多个不同维数的GM(1,1)钟差预报模型,并对某时段的钟差进行预报,发挥多个不同GM(1,1)模型的优点;然后利用训练好的BP神经网络对预报结果进行非线性组合,最终的预报结果为BP神经网络非线性组合后的钟差。利用衰减器模拟对流层散射信道,设计对流层散射单向时钟校准试验,利用试验过程中实测的钟差数据进行组合模型精度验证。仿真结果表明,组合模型较单一预报模型,预报误差更加平稳,精度上提高53%~95%。