基于偏最小二乘的土壤重金属铜含量高光谱估算

为探究高光谱数据估算土壤重金属铜含量的可行性,以石家庄市水源保护区褐土为研究对象,对不同光谱变换数据与重金属铜含量做了相关分析,建立了土壤重金属铜的单光谱变换指标偏最小二乘模型和多光谱变换指标偏最小二乘模型。结果表明：光谱反射率（R）经倒数一阶微分（RTFD）变换后与铜含量的相关性有所提高;光谱敏感波段为418、427、435、446、490、673、1 909、1 920和2 221 nm,基本位于土壤氧化铁、粘土矿物的特征吸收区域;对土壤重金属铜含量估算效果最好的单光谱变换指标偏最小二乘模型为RTFD模型,其模型决定系数（R²）为0.649,均方根误差（RMSE）为1.477;多光谱变换指标偏最小二乘模型R²和RMSE分别为0.751和1.162,建模效果优于单光谱变换指标模型。研究结果可为北方地区褐土类型土壤重金属铜的高光谱估算提供借鉴。     

基于偏最小二乘的土壤重金属铜含量高光谱估算

为探究高光谱数据估算土壤重金属铜含量的可行性，以石家庄市水源保护区褐土为研究对象，对不同光谱变换数据与重金属铜含量做了相关分析，建立了土壤重金属铜的单光谱变换指标偏最小二乘模型和多光谱变换指标偏最小二乘模型。结果表明：光谱反射率（R）经倒数一阶微分（RTFD）变换后与铜含量的相关性有所提高；光谱敏感波段为418、427、435、446、490、673、1 909、1 920和2 221 nm，基本位于土壤氧化铁、粘土矿物的特征吸收区域；对土壤重金属铜含量估算效果最好的单光谱变换指标偏最小二乘模型为RTFD模型，其模型决定系数（R²）为0.649，均方根误差（RMSE）为1.477；多光谱变换指标偏最小二乘模型R²和RMSE分别为0.751和1.162，建模效果优于单光谱变换指标模型。研究结果可为北方地区褐土类型土壤重金属铜的高光谱估算提供借鉴。     

基于核的偏最小二乘特征提取的最小二乘支持向量机回归方法

提出了用核的偏最小二乘进行特征提取．首先把初始输入映射到高维特征空间，然后在高维特征空间中计算得分向量，降低样本的维数，再用最小二乘支持向量机进行回归．通过实验表明，这种方法得到的效果优于没有特征提取的回归．同时与PLS提取特征相比，KPLS分析效果更好．     

基于偏最小二乘的支持向量机多分类方法

该文提出了一种基于偏最小二乘（PLS）的支持向量机（SVM）多分类方法,该算法利用偏最小二乘思想对样本进行预处理,消除了样本属性之间的相关性,而且得到的综合属性与类信息的相关程度达到最大。通过实验可以看出,该方法不仅可以减少用支持向量机进行分类过程中的支持向量数目,而且当样本属性较多时,可以提高一定的识别率。     

一种基于主元选择的偏最小二乘回归方法

为更有效地分析和处理小样本多元数据,提出了一种基于主元选择的偏最小二乘回归方法,并阐述了该方法的基本原理和计算步骤。该方法首先根据相关系数矩阵选取数据样本中的主元,然后对主元进行主成分分析、典型相关分析和多元线性回归。实例分析表明,与偏最小二乘回归方法相比,该方法在分析存在多重线性相关的小样本多元数据方面回归次数更少,精确度更高。     

非线性偏最小二乘建模方法及在近红外光谱建模上的应用

偏最小二乘算法(PLS)是常用的线性光谱建模方法。针对汽油在线调合中具有非线性特点的辛烷值、干点等属性应用PLS方法建立模型误差较大问题,本文提出了残差-递阶偏最小二乘的建模方法,该方法对已经提取成分后的自变量中剩余的信息再提取主成分,并将该主成分作为新的自变量参与回归建模。仿真验证结果表明:残差-递阶偏最小二乘方法建立的模型中验证集的样本数据误差均在正负0.2之间。残差-递阶偏最小二乘方法与偏最小二乘、递阶偏最小二乘叫-PLS)两种方法比较,残差-递阶偏最小二乘建立的模型有的更高的精度和模型适应性。     

高光谱遥感反演土壤重金属含量研究进展

土壤重金属污染是当今重要的世界性环境问题之一。如何快速高效地获取土壤重金属含量及分布信息是进行污染风险评价及预测研究的前提。高光谱遥感具有无损、实时获取信息的优势,利用高光谱技术反演土壤重金属含量仍处于探讨阶段,对其反演机理和建模方法的研究成果进行了介绍和分析。认为充分研究不同类型土壤对重金属的吸附特性,是深入理解重金属含量反演机理的基础。加强不同土壤类型、不同污染程度的案例对比分析,发展光谱信号处理方法,引入非线性建模算法,构建重金属形态量反演模型,是土壤重金属含量遥感估算研究的重要研究方向。     

偏最小二乘方法的财务预警模型研究的应用

财务预警模型的建立可以为企业管理者及其利益相关者提供重要的参考依据,对于企业预防和化解财务危机,提高危机预警管理水平有着重要的意义。文章通过运用偏最小二乘方法 (Partial Least Square)确定了影响因素中若干指标权重,并且对企业财务危机进行了很好的分类和预测。     

偏最小二乘回归模型的泛化能力改进研究

为了提高模型的泛化能力,提出了嵌入缩放思想的偏最小二乘回归(Partial Least-Squares Regression,PLS)建模方法。该方法通过对输入向量的缩放处理,将训练样本模糊化,缩小测试误差,从而提高了PLS的泛化能力。对原有的缩放法进行了改进,提出r算法。该算法可以找到合适的缩放因子,得到泛化能力更强的模型。仿真实验证明了所提方法的有效性。     

二维非负偏最小二乘在人脸识别中的应用

传统的基于统计的子空间学习算法如主成分分析,通过学习只能得到一系列特征脸,忽略了人脸识别中重要的局部信息（如眼睛、鼻子）。而利用到类别信息的算法如线性判别分析,也会因为小样本问题而有所影响。为了解决这些问题,结合二维偏最小二乘与非负矩阵分解的非负性思想提出二维非负偏最小二乘(Two-Dimensional Nonnegative Partial Least Squares,2DNPLS)算法。其核心思想是在提取人脸特征时加入了非负性约束,使得2DNPLS不仅拥有偏最小二乘算法加入类别信息带来的分类效果,还保留了图像矩阵的内部结构信息,而且还使得到的基矩阵具有非负的局部的可解释性。在ORL,Yale人脸库中的实验结果表明,该算法从时间上和识别率上均优于人脸识别的主流算法。     

一种基于偏最小二乘法的室外光照估计算法

针对固定视点下的室外场景在线视频光照求解问题,提出一种基于偏最小二乘室外场景实时光照估计算法.在离线阶段提取场景中对光照变化较为敏感的区域,并将这些区域像素值的均值与方差的无偏估计作为场景图像的统计参数,再利用偏最小二乘回归分析建立场景的光照参数与图像统计参数之间的模型;在在线阶段使用所建立的模型实时估计视频每一帧的光照条件.实验结果表明,使用该算法所求解的光照参数对虚拟物体进行绘制并将其融入视频中后,合成场景真实感很强.     

基于核偏最小二乘的锌层重量预测模型

为了给带钢热镀锌生产的质量控制提供必要的决策支持和分析手段,针对气刀对锌层重量的控制工艺,提出了基于核偏最小二乘回归的锌层重量预测模型。利用核函数将低维空间的非线性回归转化为高维空间的线性回归,克服了实际生产工艺中非线性因素对预测模型的不利影响。应用鞍山钢铁集团公司带钢热镀锌的生产实际数据进行验证,结果表明,基于核偏最小二乘的锌层重量预测方法与线性偏最小二乘、BP神经网络等方法相比,具有更好的预测精度。     

一种改进的模糊PLS模型在软测量中的应用

针对石油化工过程的特点,提出一种改进的模糊部分最小二乘的建模算法。该算法先用减法-模糊C均值聚类进行模糊结构辨识,然后用高斯核函数实现非线性PLS并且用其进行后件参数辨识,即得到多个子模型,再将各模型输出的数据进行隶属度加权求和得到最终的估计输出。最后,将该方法应用于航煤干点的估计,仿真结果表明该算法更有效,预测精度更高。     

时变参数的一种快速跟踪最小二乘估计方法

给出时变参数的一种快速跟踪最小二乘估计方法．该方法对测量数据同时引入指数加权因子和矩形窗，综合了渐消记忆法和限定记忆法的优点．利用抗病态的正交变换法求解估计值，以减小权固子和窗长度，提高了估计值的跟踪速度．     

时变参数的一种快速跟踪最小二乘估计方法

给出时变参数的一种快速跟踪最小二乘估计方法，该方法对测量数据同时引入指数加权因子和矩形窗，综合了渐消记忆法和限定记忆法的优点，利用抗病态的正交变换法求解估计值，以减小权固子和窗长度，提高了估计值的跟踪速度。     

偏最小二乘回归模型在EEG特征选择的应用

为了克服主成分分析（PCA）对共空间模式（CSP）提取脑电信号特征进行降维时,仅考虑主成分对输入变量的表征能力,而忽略了对输出变量进行解释的这一个缺点,提出偏最小二乘回归（PLS）进行降维,通过CSP对数据增强后的信号进行特征提取,采用PLS进行降维,将提取的主成分信息包含对因变量解释程度高的特征作为特征向量,使用PSO-SVM进行分类,用2005 BCI竞赛的数据集IIIa进行分类测试,结果得到3位被试的想象运动平均分类正确率91.71%,通过与CSP-LDS、WL-CSP和CSP等算法的比较,3位被试的平均分类正确率最高,验证了该算法的有效性。     

最小二乘法联合光学与雷达遥感数据估算玉米叶面积指数

针对单源数据经验模型估算精度较低等问题,提出采用最小二乘法联合光学和雷达遥感数据构建联合估算模型,以中国科学院河北怀来遥感综合实验站为研究区,以夏季玉米为研究对象,利用Landsat8和Radarsat2影像实现研究区叶面积指数估算:首先分别建立了多光谱数据和雷达数据与实测叶面积指数之间的回归模型,然后利用最小二乘算法联合不同数据间的回归模型构建估算模型,最后利用迭代法估算叶面积指数并通过验证数据对估算结果进行评价分析,同时与单源数据经验模型、多源数据加权平均模型和基于物理模型查找表估算结果进行对比。通过对研究区59个样本点数据分析表明:基于最小二乘算法联合光学与雷达遥感数据能够提高叶面积指数的估算精度(R2=0.5442,RMSE=0.81),优于单源遥感数据拟合经验模型(DVI经验模型:(R2=0.485,RMSE=1.27))、基于权重的光学微波联合模型(R2=0.447,RMSE=1.36)和物理模型查找表法(R2=0.333,RMSE=1.36),并当叶面积指数大于3时,对其由于信息饱和或误差引起的低估或高估现象具有一定的抑制作用。     

基于EPLS的电力系统谐波源的识别与定位

在电力供电优化控制的研究中,谐波是影响电能质量的重要因素,对谐波进行监测和分析具有重要的意义。为定量识别谐波源,准确估算系统谐波阻抗,提出了一种应用加强的偏最小二乘回归(EPLS)的谐波源识别算法,利用EPLS来估算系统谐波阻抗,并识别系统和用户各自所要承担的责任,达到识别谐波源定位目的;通过与二元线性回归、稳健回归以及偏最小二乘算法的比对表明,EPLS算法具有实现简单,分析精度高的优势。通过在MATLAB/SIMULINK中构建仿真模型,应用改进方法进行仿真分析,结果证明了所提方法的正确性和可行性。     

土壤湿度微波遥感中的植被散射模型进展

植被是影响土壤湿度微波遥感的主要因子之一,土壤湿度微波遥感的主要任务是建立含有地表土壤信息的植被散射模型。植被散射模型的建立可以加深我们对植被和土壤散射机理的理解,定量分析微波后向散射系数对于各散射因子的敏感性,进一步达到从微波信息中反演土壤湿度的目的。植被散射模型可以分为经验模型、理论模型和半经验模型,各种模型都具有自身的优势和局限性。经验模型的建立比较简单,但一般只适用于特定的研究条件;理论模型是建立在一定的理论基础之上,对于散射因子的考虑相对详尽,但一般模型比较复杂,反演相对困难;半经验模型是前两者的折中,它以植被的宏观物理参量为模型参数,模型的建立和反演比理论模型要简单,但同时也具有一定的理论依据,适用性也较经验模型广。