近紅外光譜維數(shù)約簡(jiǎn)和特征波長(zhǎng)選擇方法研究及應(yīng)用.pdf

1、隨著現(xiàn)代電子技術(shù)的發(fā)展，近紅外光譜儀器的精密程度越來(lái)越高，采集的光譜數(shù)據(jù)包含的信息也越來(lái)越豐富，但這給化學(xué)計(jì)量學(xué)精確模型的構(gòu)建帶來(lái)了挑戰(zhàn)。為了獲得更為精確的光譜定性定量分析模型，本文針對(duì)近紅外光譜特征變量或特征波長(zhǎng)的優(yōu)選方法進(jìn)行了系統(tǒng)研究。具體研究工作如下:
　　(1)近紅外光譜數(shù)據(jù)維數(shù)約簡(jiǎn)方法研究。針對(duì)蛋白飼料固態(tài)發(fā)酵過(guò)程光譜數(shù)據(jù)，采用譜回歸判別分析(SRDA)法代替?zhèn)鹘y(tǒng)的主成分分析法(PCA)和線性判別分析法(LDA)法對(duì)經(jīng)S

2、NV方法預(yù)處理后的數(shù)據(jù)進(jìn)行維數(shù)約簡(jiǎn)，并結(jié)合最近鄰分類算法建立發(fā)酵狀態(tài)識(shí)別模型。為了進(jìn)一步提高識(shí)別模型的精度，研究將自適應(yīng)提升算法(Adaboost)與SRDA-NN方法相結(jié)合，提出了Adaboost-SRDA-NN集成學(xué)習(xí)算法，并與單一的LDA-NN與SRDA-NN兩種模型進(jìn)行比較。研究結(jié)果顯示:經(jīng)SRDA維數(shù)約簡(jiǎn)后的變量個(gè)數(shù)為1，SRDA-NN模型對(duì)測(cè)試集樣本的識(shí)別準(zhǔn)確率達(dá)到了94.28％;從第2輪開(kāi)始，Adaboost-SRDA-N

3、N模型的識(shí)別率就達(dá)到并超過(guò)SRDA-NN模型，從第4輪開(kāi)始，其識(shí)別準(zhǔn)確率達(dá)到了100％且保持到整個(gè)過(guò)程結(jié)束。研究結(jié)果表明:SRDA能夠有效地對(duì)光譜數(shù)據(jù)實(shí)行維數(shù)約簡(jiǎn)，降低了模型的復(fù)雜度，提高了模型的識(shí)別率;Adaboost方法具有很好的提升效果，進(jìn)一步提高了SRDA-NN模型的識(shí)別率。
　　(2)近紅外光譜數(shù)據(jù)特征波長(zhǎng)選擇方法研究。針對(duì)蛋白飼料固態(tài)發(fā)酵過(guò)程光譜數(shù)據(jù)，采用基于穩(wěn)定性競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣法(SCARS)代替常用的連續(xù)投影

4、法(SPA)、蒙特卡羅無(wú)信息變量篩選法(MC-UVE)和競(jìng)爭(zhēng)自適應(yīng)重加權(quán)采樣法(CARS)對(duì)經(jīng)MSC方法預(yù)處理后的數(shù)據(jù)進(jìn)行特征波長(zhǎng)篩選，結(jié)合PLS方法建立發(fā)酵過(guò)程參數(shù)pH參數(shù)檢測(cè)模型，并對(duì)測(cè)試集樣本進(jìn)行預(yù)測(cè)。為了進(jìn)一步驗(yàn)證SCARS方法的泛化能力，分別結(jié)合支持向量機(jī)(SVM)以及最小二乘支持向量機(jī)(LSSVM)兩種非線性方法進(jìn)行建模，并比較不同變量篩選方法下的SVM和LSSVM模型效果。研究結(jié)果顯示:SCARS方法挑選出21個(gè)波長(zhǎng)參與檢

5、測(cè)模型構(gòu)建，與其他PLS模型相比，SCARS-PLS模型具有最佳的預(yù)測(cè)效果，其預(yù)測(cè)均方根誤差（RMSEP）為0.0543，相關(guān)系數(shù)Rp為0.9908。SCARS結(jié)合SVM和LSSVM模型的預(yù)測(cè)效果均優(yōu)于其他三種變量篩選方法的SVM和LSSVM模型，其中SCARS-SVM模型的預(yù)測(cè)效果最佳，其預(yù)測(cè)均方根誤差（RMSEP）為0.0501，相關(guān)系數(shù)Rp為0.9926。研究結(jié)果表明，SCARS策略能有效篩選近紅外光譜特征波長(zhǎng)變量。
　　本