制浆材木质素含量近红外分析模型传递研究

为研究制浆材中木质素含量近红外分析模型在两台便捷式近红外光谱仪间的传递，对制浆材木质素样品近红外光谱数据集进行代表性样本的选取、光谱预处理和界外样本的剔除，建立了源机的优化偏最小二乘（PLS）校正模型。分别采用斜率截距算法（S/B）、直接校正算法（DS）和典型相关分析算法（CCA）进行源机与目标机间的模型传递并比较了预测效果。结果表明，S/B算法模型传递效果较差，而经DS算法和CCA算法模型传递后的预测效果均有大幅提升。DS算法模型传递后决定系数（R2）、预测标准差（RMSEP）和相对标准差（RPD）分别为0.9643、1.0370%和5.3513；CCA算法模型传递后R2为0.9540、RMSEP为1.1766%、RPD为4.7711。因此，DS算法和CCA算法均可实现制浆材木质素含量近红外分析模型在两台便携式近红外光谱仪之间的传递。     

PSO-LSSVM用于近红外光谱预测混合制浆材Klason木质素含量

为优化混合制浆材中Klason木质素含量的近红外分析模型，收集了5种常见制浆材的82个原木样品，将样品粉碎预处理后在便捷式近红外光谱仪上采集其近红外光谱信号，对原始光谱数据进行多元散射校正（MSC）预处理，利用粒子群寻优（PSO）算法对最小二乘支持向量机（LSSVM）算法中的参数进行优化，然后利用最优参数建立混合制浆材Klason木质素的LSSVM定量分析模型。将结果与偏最小二乘（PLS）和主成分降维后的BP神经网络（PCA-BPNN）算法进行比较。结果表明，PCA-BPNN和PSO-LSSVM模型均优于PLS模型，且PSO-LSSVM模型预测结果最优，预测结果的相关系数（R _v）最大为0.9857；预测标准差（RMSEP）为0.7498%，比PLS模型和PCA-BPNN模型分别降低了0.2767%和0.1455%；相对标准偏差（RPD）最大为5.6174，比PLS模型和PCA-BPNN模型分别提高了1.5144和0.9138；真实值与预测值间的绝对偏差（AD）范围最小，为0.0065%~1.8449%。