近红外光谱结合模式识别方法用于食盐溯源研究

应用近红外光谱分析技术,结合偏最小二乘辨别分析(PLS-DA)和支持向量机(SVM)两种模式识别方法用于5种食盐的品种追溯识别研究.将5种食盐250个样品分别在波长范围400~1 198 nm光谱条件下扫描并获取数据.从得到的每种食盐的光谱数据中随机选取34个样品利用SVM建立模型,用模型对其余16个样本进行预测,用网格寻优的方法选择最优参数,然后进行分类预测,5种食盐的准确识别率分别达到100%、93.8%、87.5%、100%和93.8%.通过PLSDA方法构建模型时采用二阶求导对近红外光谱数据进行预处理,并用留一法交互检验确定PLS模型的隐变量数,该模型对5种食盐的预测准确率分别达到93.75%、100%、100%、100%和100%,结果表明PLS-DA预测效果较SVM稍好.该研究为实现不同品种食盐的鉴定以及成品食盐的品种溯源提供了一种参考方法.     

紫外-可见-短波近红外漫反射光谱结合化学计量学对丙氨酸的手性进行快速的定性定量分析研究

以D-、L-和DL-丙氨酸为对象,首次研究了紫外-可见-短波近红外漫反射光谱结合化学计量学快速、无损地定性、定量分析固体手性化合物的可行性。在粒度过100目、样品与光纤探头距离5.6mm的最优条件下测量漫反射光谱,经预处理后,采用主成份分析法（PCA）和判别偏最小二乘法（PLS-DA）建模进行定性分析,结果预测判别准确率为100%。定量分析上,16个不同比率的L-/D-丙氨酸二元混合粉末样的光谱经波长选择、光谱数据预处理后,以偏最小二乘回归法（PLR）和支持向量回归法（SVR）建模,校正集和预测集的最优决定系数（R2）均在0.99和0.98以上,绩效偏差率（RPD）值远高于2。研究表明,采用紫外-可见-短波近红外漫反射光谱法结合化学计量学可应用于手性固态丙氨酸的快速、无损分析,并有望于运用到手性药物的质量检测上。     

结合PLS-DA与SVM的近红外光谱软测量方法

为了提高近红外光谱分析精度,提出结合偏最小二乘判别分析（PLS-DA）与支持向量机（SVM）的软测量方法（PLS-DA-SVM）.该方法利用一组由不同类别组成的训练样本,引入二叉树进行多重分类,节点分类器由PLS-DA方法建立;利用偏最小二乘支持向量机（PLS-SVM）建立每类样本的定量模型.预测时,用PLS-DA分类树对待测样本进行分类,选择相应的PLS-SVM模型进行定量分析.实验利用PLS-DA-SVM方法和近红外光谱数据建立汽油的研究法辛烷值软测量模型,针对2个批次共计57个成品汽油样本进行蒙特卡洛交叉检验.结果表明,对汽油牌号进行识别,平均分类错误率为0.07%,低于其他常用分类方法;对研究法辛烷值进行预测,均方误差达到0.243,复相关系数达到0.991,较PLS、LS-SVM等方法有显著提高.     

近红外光谱无损检测技术中数据的分析方法概述

近红外光谱无损检测技术可用于品种鉴别与农产品的定性或者是定量的分析工作. 本文介绍了近红外光谱的基本原理及各类近红外光谱分析方法. 近红外光谱无损检测技术中数据分析方法是通过光谱定量分析找到光谱以及对应浓度的内在关系,建立相应的数学模型. 这些方法主要有偏最小二乘回归、主成分分析法、BP神经网络算法、支持向量机、K最近邻分类算法和线性判别分析法等. 通过这些分析模型的对比,研究表明:支持向量机将是近红外光谱数据分析方法未来一个重要的研究方向.     

基于连续小波变换参数选择的小麦近红外光谱模型优化方法研究

为了提高模型预测精度,结合连续小波变换（CWT）的最优参数选择,优化小麦蛋白质光谱模型。对原始光谱进行CWT,利用主成分分析（PCA）选出5种小波db1、sym2、sym5、sym7、coif1;在不同尺度参数下利用偏最小二乘法（PLS）建模,确定尺度参数为15;在此基础上,利用CWT结合多元散射校正（MSC）及支持向量机（SVM）建模确定最优小波db1;在最优参数下用CWT结合无信息变量消除算法（UVE）和连续投影算法（SPA）及SVM建立预测模型,预测均方根误差为0.3930,优于CWT-UVEPLS-SVM的0.4558和CWT-SPA-SVM的0.4415,研究结果表明,CWT参数选择可有效优化近红外光谱模型。     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。     

紫外-可见-短波近红外漫反射光谱法对丙氨酸手性的定性定量分析

以D-、L-和DL-丙氨酸为对象,首次研究了紫外-可见-短波近红外漫反射光谱结合化学计量学快速、无损地定性、定量分析固体手性化合物的可行性。在粒度过100目、样品与光纤探头距离5.6 mm的最优条件下测量漫反射光谱,经预处理后,采用主成分分析法(PCA)和判别偏最小二乘法(PLS-DA)建模进行定性分析,结果预测判别准确率为100%。定量分析上,16个不同比率的L-/D-丙氨酸二元混合粉末样的光谱经波长选择、光谱数据预处理后,以偏最小二乘回归法(PLR)和支持向量回归法(SVR)建模,校正集和预测集的最优决定系数(R2)均在0.99和0.98以上,绩效偏差率(RPD)值远高于2。研究表明,采用紫外-可见-短波近红外漫反射光谱法结合化学计量学可应用于手性固态丙氨酸的快速、无损分析,并有望于运用到手性药物的质量检测上。     

污水化学需氧量近红外光谱分析的波段选择

采用近红外透射光谱和移动窗口偏最小二乘（MWPLS）方法,建立污水化学需氧量（COD）近红外光谱分析的优化模型最优模型的对应波段为820-850nm,采用波长点个数为16,PLS因子数、RMSEP、RP分别为13,25.5mg/L,0.968,预测相关很高,其预测效果明显优于全谱模型,并且采用的波长点个数远远优于全谱波长点的个数,大大降低模型的复杂性,可为设计专用近红外光谱仪器提供参考.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

近红外光谱-偏最小二乘法测定三元混合物中各组分的含量

为了提高近红外光谱定量分析的预测精度和建模效率,提出了一种基于峰纯度值的变量优选方法,结合偏最小二乘建模,用于近红外光谱多组分同时测定。对庚烷、氯苯和甲苯三组分混合体系进行分析,只选择其中的10个波长变量建立校正模型,与全谱范围的定量校正模型比较。结果表明该方法可使最终所得的模型中变量数大大减少,可通过波长变量优选最小化冗余信息,提高预测精度及建模效率。     

基于多光谱图像的不同品种绿茶的纹理识别

为了提高茶叶加工的智能化水平,提出一种基于多光谱图像纹理分析的快速识别不同品种绿茶的方法.通过3CCD成像仪同时获得绿茶样本的红光、绿光和近红外三个通道的图像,采用灰度共生矩阵和纹理滤波相结合来提取图像纹理特征,分析了不同品种绿茶的各个通道图像的纹理特征.非监督聚类分析表明,基于组合方法提取的纹理特征优于仅依靠灰度共生矩阵得到的纹理特征.优化和筛选后得到10个特征参数作为支持向量机模型的输入,建立模式识别模型.结果表明,对于126个建模样本的识别正确率达到94.4％,对于未知64个预测样本的识别正确率达到93.8％,说明提出的组合纹理特征提取和模式识别方法能够较好地识别不同品种的绿茶.     

牛奶中硫氰酸钠的检测方法研究

牛奶中非法添加硫氰酸钠会对人体产生危害,但是目前的检测方法检出限偏高,探讨新的检测方法颇为重要。本文建立了牛奶中硫氰酸钠的高效液相色谱检测方法,先在样品中加入不同含量量的硫氰酸钠。样品经乙醇提取,然后过固相萃取柱,以十六烷基三甲基溴化铵(2 mmol/L)和柠檬酸(2 mmol/L)为流动相,用二极管阵列检测器检测,检测波长218 nm,该方法线性范围为0.2～100 ug/mL,所加硫氰酸钠的回收率为95%以上。所以这种方法准确可靠,精密度高。     

散乱数据的曲面拟合及其在汽车车身外表面造型设计中的应用

根据车身外形曲面测量和拟合的要求，分析了散乱数据曲面拟合的Ｓｈｅｐａｒｄ、三角形剖分、Ｂ－ｓｐｌｉｎｅ最小二乘及Ｔａｙｌｏｒ逼近方法的各自特点，推导了计算模型并建立了软件系统，给出了用于车身外表面造型的实例     

稀疏最小二乘支持向量机

针对大规模数据集的回归和分类问题，改进了最小二乘支持向量机.以再生核希尔伯特空间中的线性分析为基础，把样本集映射到再生空间中，然后张成再生空间的一个线性子空间，并求出这个子空间的基.利用基线性表示子空间中的其他元素，减小了求解矩阵的维数，通过求解规模相对较小的线性方程组完成对支持向量机的训练.采用该方法对较大规模的数据样本进行了回归和分类仿真试验，并与普通的最小二乘支持向量机进行比较.结果表明，采用该方法解决复杂非线性函数的回归和分类问题，不但可以得到稀疏解，而且计算速度比普通最小二乘支持向量机提高了约20％.     

一种基于聚类的过抽样算法

在过抽样技术研究中,为了合成较有意义的新样本,提出一种基于聚类的过抽样算法ClusteredSMOTE_-Boost。过滤小类的噪声样本,将剩余的每个小类样本作为目标样本参与合成新样本。对整个训练集聚类,根据聚类后目标样本所在簇的特点确定其权重及合成个数。将所有目标样本聚类,在目标样本所在的簇内选取K个近邻,并从中任选一个与目标样本合成新样本,使新样本与目标样本簇内的样本尽量相似,并减少由于添加样本而造成的边界复杂度。试验结果表明,ClusteredSMOTE_-Boost算法在各个度量上均明显优于SMOTE_-Boost、ADASYN_-Boost和BorderlineSMOTE_-Boost三种经典算法。     

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression, LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptive particle swarm optimization weighted least squares support vector regression, APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squares support vector regression, WLSSVR),实现对样本数据“重近轻远” 的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。     

离子色谱法快速测定原料乳中硫氰酸盐含量的研究

建立了以离子色谱快速检测原料乳中硫氰酸盐的方法.该方法采用三氯乙酸-乙腈法对样品进行前处理并离心,上清液经C18固相萃取小柱净化后,利用阴离子色谱柱分离、检测.试验结果表明：该方法的线性范围在0-100 mg/L,相关系数为0.999 5,检出限为0.1 mg/L,加标回收率为90.5%-95.4%,相对标准偏差（RSD）为4.7%-6.6%.本方法快速、准确、灵敏度高,精密度好,适用于原料乳中硫氰酸盐含量的测定.     

玄武岩类形成的大地构造环境Ta、Hf、Th、La、Zr、Nb比值对比判别

玄武质岩浆见于板块构造演化的全过程和各个重要阶段,是所有火成岩中最主要的构造地球化学指示剂,因此,玄武岩类相关元素图解和比值成为研究火成岩成岩作用和形成构造环境判别的首选对象。Ta、Hf、Th、La、Zr、Nb都是高场强元素和较强不相容元素,由于地球化学性质的相似性和在玄武岩类成岩过程中的规律性变化,所以它们是玄武岩类成因研究和构造环境判别图解中使用频率最高的元素,而且两两元素含量之间的比值能较好地区分其形成时的构造环境。在前人发明的玄武岩类Th/Hf-Ta/Hf、Th/Zr-Nb/Zr及La/Zr-Nb/Zr双对数判别图解基础上,运用这6个元素两两组对的Ta/Hf、Th/Ta、Th/Hf、Nb/Zr、Th/Nb、La/Nb值,建立比值判别表,极好地区分了几乎最常见的各种构造环境中有关的玄武岩类。该比值判别表是对双对数判别图解的极好补充。     

可见光谱结合偏最小二乘法对混合染料浓度的同时测定

采用偏最小二乘法建立测定混合染料浓度的可见光谱定量分析模型,应用多种光谱预处理方法对光谱进行信息提取和分析,分别建立定量分析模型;讨论了光谱的预处理方法和主成分数对PLS模型定量预测能力的影响;比较各个模型的内部交互验证均方根误差(RMSECV),校正均方根残差(RMSEC),校正相关系数R,预测均方根误差(RMSEP)选取最优模型.结果表明:所建立的校正模型稳健性好和预测精度高,为混合染料浓度的快速、准确和同时测定提供了新的途径,对于连续在线监测混合染料浓度具有指导意义.