近紅外光譜維數(shù)約簡和特征波長選擇方法研究及應用.pdf

1、隨著現(xiàn)代電子技術的發(fā)展，近紅外光譜儀器的精密程度越來越高，采集的光譜數(shù)據(jù)包含的信息也越來越豐富，但這給化學計量學精確模型的構建帶來了挑戰(zhàn)。為了獲得更為精確的光譜定性定量分析模型，本文針對近紅外光譜特征變量或特征波長的優(yōu)選方法進行了系統(tǒng)研究。具體研究工作如下:
　　(1)近紅外光譜數(shù)據(jù)維數(shù)約簡方法研究。針對蛋白飼料固態(tài)發(fā)酵過程光譜數(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)法對經(jīng)S

2、NV方法預處理后的數(shù)據(jù)進行維數(shù)約簡，并結合最近鄰分類算法建立發(fā)酵狀態(tài)識別模型。為了進一步提高識別模型的精度，研究將自適應提升算法(Adaboost)與SRDA-NN方法相結合，提出了Adaboost-SRDA-NN集成學習算法，并與單一的LDA-NN與SRDA-NN兩種模型進行比較。研究結果顯示:經(jīng)SRDA維數(shù)約簡后的變量個數(shù)為1，SRDA-NN模型對測試集樣本的識別準確率達到了94.28％;從第2輪開始，Adaboost-SRDA-N

3、N模型的識別率就達到并超過SRDA-NN模型，從第4輪開始，其識別準確率達到了100％且保持到整個過程結束。研究結果表明:SRDA能夠有效地對光譜數(shù)據(jù)實行維數(shù)約簡，降低了模型的復雜度，提高了模型的識別率;Adaboost方法具有很好的提升效果，進一步提高了SRDA-NN模型的識別率。
　　(2)近紅外光譜數(shù)據(jù)特征波長選擇方法研究。針對蛋白飼料固態(tài)發(fā)酵過程光譜數(shù)據(jù)，采用基于穩(wěn)定性競爭自適應重加權采樣法(SCARS)代替常用的連續(xù)投影

4、法(SPA)、蒙特卡羅無信息變量篩選法(MC-UVE)和競爭自適應重加權采樣法(CARS)對經(jīng)MSC方法預處理后的數(shù)據(jù)進行特征波長篩選，結合PLS方法建立發(fā)酵過程參數(shù)pH參數(shù)檢測模型，并對測試集樣本進行預測。為了進一步驗證SCARS方法的泛化能力，分別結合支持向量機(SVM)以及最小二乘支持向量機(LSSVM)兩種非線性方法進行建模，并比較不同變量篩選方法下的SVM和LSSVM模型效果。研究結果顯示:SCARS方法挑選出21個波長參與檢

5、測模型構建，與其他PLS模型相比，SCARS-PLS模型具有最佳的預測效果，其預測均方根誤差（RMSEP）為0.0543，相關系數(shù)Rp為0.9908。SCARS結合SVM和LSSVM模型的預測效果均優(yōu)于其他三種變量篩選方法的SVM和LSSVM模型，其中SCARS-SVM模型的預測效果最佳，其預測均方根誤差（RMSEP）為0.0501，相關系數(shù)Rp為0.9926。研究結果表明，SCARS策略能有效篩選近紅外光譜特征波長變量。
　　本