分类 号 ：

＿ ＩＰ ２ ７
 单位代码 ：
１０３３ ５



岔 级 ：
— 公 开 学 号 ： ２ １５３２ ０４４



Ｍ ＾  ＃


硕 士学位论文



中 文 论文题 目 ：
分子振动 光谱 的 新型 智 能 建摁 筧法研 究 及 其



应用



央文 论文题 目 ： ＡＮ ｅ ｗ Ｉ ｎ ｔｅ ｌ ｌ ｉ
ｇ ｅ ｎ ｔｍ ｏ ｄ ｅ ｌ ｉ ｎ ｇａ ｇ ｏ ｌ ｒ ｉ ｔ ｈ ｍｒ ｅ ｓ ｅ ａ ｒｃ ｈａ ｎ ｄ



ａ ｐｐ ｌ ｉ ｃａｔ ｉ ｏ ｎ ｆ ｏ ｒ ｍ ｏ ｅ ｃ ｕ ａｌ ｌ ｒ ｖ ｂ ｒ ａ ｔ ｏ ｎｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ
ｉ ｉ



申 请人姓 名 ：


鄢悦 



指 导 教 师 卢 津 刚 教授

 ：

专 业 名 称 控 制科学 与 工 稈

 ：

研 宄 方 向 工 业数据 分析

 ：

所 在 学 院 ：

控制科学与 工稈学 院



论文提交 日 期 ： ２ ０ １ ８ 年 ３ 

月
 分子振 动 光 谱 的 新 塑 智 能 建樽覚法研 究 及 其 应 用





參
论 文 作 者签 名 ：

％ 
ｋ 

，

指 导 教 师签名 ：



ｆ
论文评 阅 人 ｉ ：
 董辉 ４桴 ／ 淅江工 业大学



评阅人 ２ ：

  匿 名 



评阅人 ３ ：  －

 ，


匿名 ？  


．

评阅人 ４
：
  



评阅人 ５ ：

 
匿名 



答 辩委 员 会主 席 耿 卫 东
：
／ 教授 ／ 浙江 大学计算机 学 院



委员 １ ：
陈 金水 ／ 副教授 ／ 浙江大 学控制 学 院



委员 ２ ：
叶 炜 ／ 副 教授 ／ 浙江 大 学控制 学 院



委员 ３ ：
徐 正 国 ／ 副 教授 ／ 浙江大 学控制 学 院



委员 ４ ： 卢 津 刚 ／ 教授 ／ 浙江 大 学 控 制 学 院



委员 ５ ：

 



答辩 日 期 ： ２０ １８ ． ０３ ０９
． 

 ＡＮ ｅ ｗ Ｉ ｎｔｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔＭ ｏ ｄ ｅ ｌ ｉ ｎ ｇ Ａ ｇ ｏ ｒ ｔ ｈ ｍＲ ｅ ｓ ｅ ａ ｒ ｃ ｈ ａ ｎ ｄＡ ｐ ｐ
ｌ ｉ ｌ ｉ ｃａｔ ｉ ｏ ｎＦ ｏ ｒ



Ｍｏ ｌ ｅｃ ｕ ａ ｌ ｒ Ｖ ｂ ｒａ ｔ ｏ ｎＳ ｐ ｅ ｃｔ ｒ ｕ ｍ
ｉ 
 ｉ

 Ｙｕ ａ 
＇

Ａｕｔｈｏ ｒ ｓｓ ｉ
ｇｎａｔｕ ｒｅ ：






參
＇

Ｓ ｕ ｐ ｅ ｒｖ ｓ ｏ ｒ ｓｓ ｇ ｎ ａ ｔ ｕ
ｉ ｉ ｒｅ 

：

Ｅｘｔ ｅ ｒ ｎａ Ｒ ｅｖ ｅｗ ｅ ｒｓ
Ｐ
ｌ ｉ ：

ｒ ｏｆ ．  Ｈｕ ｉ  Ｄｏｎｇ ．  Ｚｈ ｅ ｊ
ｉ ａ ｎ ｇＵ ｎ ｖ ｅ ｉ ｒｓ ｉ ｔ ｙ  ｏ ｆ  Ｔｅ ｃ ｈ ｎ ｏ ｏ ｇｙ ｌ





Ａ ｎ ｏ ｎ ｙ ｍ ｏ ｕ ｓＲ ｅｖ ｉ ｅｗ 




Ａ ｎ ｏ ｎ ｙ ｍ ｏ ｕ ｓＲ ｅｖ ｉ ｅ ｗ  ； 




Ａ ｎ ｏ ｎ ｙ ｍ ｏ ｕ ｓＲ ｅ ｖ ｉ ｅｗ 



Ｃｏｍ ｍ ｉ ｔｔ ｅ ｅ Ｃ ｈ ａ ｉ ｒ
ｐ ｅ ｒｓ ｏ ｎ ：

ｐ ｒ Ｑ ｆ Ｈｕ ｉ  Ｄｏｎｇ Ｚｈｅ ｉ ａ ｎ ｇ Ｕ ｎ ｖ ｅ ｉ ｒｓ ｉ ｔ ｙ  ｏ ｆ  Ｔｅ ｃ ｈ ｎ ｏ ｏ ｇｙ ｌ
ｒ  ｊ 



Ｃｏ ｍ ｍ ｉ ｔｔ ｅ ｅ Ｍ ｅ ｍ ｂ ｅ ｒｓ Ａ ｓ ｓ ｏ ｃ ：  ｉ ａ ｔ ｅＰ ｒ ｏｆ ． Ｊ ｉ ｎｓｈｕ ｉ  Ｃｈ ｅ ｎ ．  Ｚｈ ｅ ｊ
ｉ ａ ｎ ｇ Ｕ ｎ ｖ ｅ ｉ ｒｓ ｉ ｔ


ｙ

Ａｓｓ ｏ ｃ ｉ ａ ｔ ｅＰ ｒ ｏｆ ．  Ｗｅ ｉ  Ｙｅ ．  Ｚｈｅ ｉ ｉ ａ ｎ ｅ Ｕ ｎ ｉ ｖｅ ｒｓ ｉ ｔｙ 




Ａｓｓｏ ｃ ｉ ａ ｔ ｅＰ ｒ ｏ ｆ ．  Ｚ ｈ ｅ ｎ ｇ ｇ ｕ ｏＸ ｕ ．  Ｚｈｅ ｉ ｉ ａ ｎ ｅ Ｕ ｎ ｖ ｅ ｉ ｒｓ ｉ ｔｙ




Ｐ ｒ ｏｆ ａ ｎ ｐ ａ ｎ ｇ Ｌ ｕ Ｚｈｅ ａ ｎ ｇＵ ｎ ｖ ｅ ｒｓ ｔ
． Ｊ ｉ ． 
ｊ
ｉ ｉ ｉ

ｙ 



Ｄ ａ ｔ ｅｏ ｆ ｏ ｒ ａ  ｌ ｄ ｅ ｆｅ ｎ ｃ ｅ ： ２ ０ １８ ． ０３ ０９ ．




 独创性声 明



本人声 明 所呈交 的 学 位论文 是本人在 导师指导 下 进 行 的 研 宄 工 作 及取 得 的 研 宄成



果 。
据我所知 ， 除 了 文 中 特 别 加 以标 注和 致 谢的 地方 外 ， 论文 中 不 包含其 他人 已经发表 或



撰 写 过 的 研 究成果 ， 也不包 含 为获 得 浙 江 大 学 或其 他教育 机构 的 学 位 或证 书而 使用 过




的 材料 与我 同 工 作 的 同 志 对 本研 究 所 做 的 任 何 贡 献均 已 在 论 文 中 作 了 明 确 的 说 明 并 表


一

示谢 意 

。

学位论文 作 者签 名 ： 签字 日 期 ：

＆年 Ｍ月 ＾日



学 位 论文 版 权 使 用 授 权 书



本 学 位 论 文 作 者 完全 了 解 浙江 大学 有关保 留 、 使用 学位 论 文 的 规 定 ， 有 权保 留



并 向 国 家 有 关部 门 或 机 构 送 交 论 文 的 复 印 件 和 磁 盘 允 许 论 文 被查 阅 和 借 阅 本 人授 权 浙

 ， 。

江 大 学 可 以 将 学 位论 文 的 全 部 或 部 分 内 容 编 入 有 关 数 据 库 进 行 检 索 ， 可 以采用影 印 、 

缩


＇

印 或 扫 描 等 复 制 手 段保 存 、 汇编 学 ＆论文 
：

（ 保密 的 学位 论 文在 解密 后 适用 本授权 书 

）

学位论 文 作 者鮮

签字 曰 期 ：
：

年
象私
ｗ月 丨
＾
４

 日 签 字 日 期 ： 呔年 ５ 月 丨
ｒ日


 



摘 要



进入新世纪 以 来工业生产过程进
一

步 向 着大型化 、 连 续化 、 综 合化 的 方 向 发展 ， 对工



业 生产过程实现实 时 、 准确 的检测要求也越来越严格 。 随着化 学计量 学 的 发展 ， 分子振动




光 谱 检测 技术广 泛应 用 于 多 种 不 同 领域 的在 线 实 时检测 

。

本文针对分 子振 动 光谱 的 特 性 ， 提 出 多 种 结合变 量投影重要性 （ ＶＩＰ ） 系 数 与 粒 子群




算法 的 波长选择算法 ， 以 及 提 出 将 Ｃ ＮＮ 模型 、 基于不 同 相似性 的局部模型 、 局部模型结




合新 波长 选择方 法 等 作 为 定 量 分析模 型 应 用 于 分 子振动 光 谱 。 结果表 明 ， 本文提 出 的新波




长 选 择算 法 以 及 定 量 分 析模 型 能 够 有 效 、
快速 、 更 高精度地分析 出 样 品 的属 性值 ， 在降低



计算 复 杂 度 方 面 也表现优 秀 。 本文 主 要 内 容可 以概括 为 

：

提 出 种新的基于 Ｖ Ｐ 系数的 自 适应 粒 子群算 法 ＶＡ Ｐ Ｓ Ｏ 解决 Ｂ ＰＳ Ｏ 等算法的学



一

１ ． Ｉ
（ ） ，



＇

习 速率难 以 控制 ， 粒 于群 收敛快 ， 容易陷入局 部最优 点 中 很难跳 出 等缺点 ， 能够 寻找到更



＾

优的波长子集 ， 并且速 度 更 快 。 
２ ．
提出结合 间 隔 偏 最小 二乘 的 ｉ ＶＡ Ｐ Ｓ Ｏ 算法 。 先探索最优波长点 区 间 组合 ； 第 二 轮筛



选最优 区 间 组合 中 的优质 波长 点 ， 以 减少 迭代 中 粒 子长度 ， 以 较少 的 时 间 即 可 达 到 较高 


、

并 且更稳定 的 预 测 性 能 

。

３ ．
由 于 分 子振 动 光谱 的特 性 ， 提 出 将深度学 习 领域常应用 于 图 像领域的 Ｃ ＮＮ 樸型 

，

应用 于 维光 谱 定 量 分析 中 从 生物柴油 Ｎ Ｒ 光谱 的应用 结果得到 当 Ｃ ＮＮ 应用 于



一

。 ＣＮ Ｎ Ｉ
，

合适 数据集 时 ， 迭 代 收敛速度快 ， 预测精度高 ， 相 比较与 ＰＬ Ｓ ， 将 ＲＭ Ｓ Ｅ Ｃ 降低 ５９％ ， 


将

Ｒ ＭＳＥＰ 降低 １９ ％ ， 优 于其他模型 。 若 收集 的 数据 数越 多 ，
Ｃ ＮＮ 将 会 比 其 他模 型表现更 优 

。

４ ．
探索 基于 欧 氏 距离为相似性 ， 基 于 净信 号 为 样本相 似 性度 量 ， 和基于光谱信息散



度作为 相似性度量三种局 部模型 ， 提 出 局部模 型结合 Ｖ Ｉ Ｐ 自 适 应 粒 子 群算 法 ， 同 时筛选波




长 子 集 与 样本 子 集 （
Ｌ〇 ｃ －

ＶＡ Ｐ Ｓ Ｏ ）
。 该 方法耗 时短 ， 效果优于局 部模型和 ＶＡ Ｐ Ｓ Ｏ 算法 ， 在分



子 振 动 光 谱 定 量 分 析 领 域有 着 很 好 的 前 景 

。

５ ．
对于提 出 的 多 种 不 同 的新波长 选择算 法 以 及新定量 分析模 型 ， 应用 于检测 生物柴



油调和油的调合 比 。
对 于调 和 油 样本 分别 检测 近 红 外 光 谱 和 拉 曼 光 谱 ， 并分别 进行预处理



与 样本划 分 。 将提 出 的新光谱 特征 波 长 筛选 方 法 （ ＶＡ Ｐ Ｓ Ｏ 、 ｉ ＶＡ Ｐ Ｓ Ｏ ） ， 新 的 定 量 分析模




型 （ Ｃ ＮＮ 模型 、 Ｌｏ ｃ ＰＬ Ｓ－

以及 Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ －

方法 ） 应 用 于 生 物柴 油 光 谱 。 实验结果表明 

，

本文提 出 的特征波长 筛选新方法及新光谱 定量 分析模型 ， 在提高 生物柴油调 合 比检测精



 摘 要 



度 、 降低模型复杂度 而言 ， 有着 很好 的 应 用 效果 

。

关键 词 ：
分子振动光谱 ； 变量投影重要性系数 （ Ｖ Ｉ Ｐ ） ； 自 适 应 粒子群 ； 局 部 建模 策 略 

；

卷积神经 网 络 ； 生物柴油



？ ？




？ 

＇

 ？



．

＿
 Ａ ｂ ｓ ｔ ｒａ ｃ 

ｔ

Ａｂ ｓ ｔ ｒ ａ ｃ ｔ

ｉ ｎ ｇ  ｔ ｈ ｅ  ｎ ｅ ｗ  ｃ ｅ ｎ ｔ ｕ ｒ ｙ  ｔｈ ｅ  ｎ ｄ ｕ ｓ ｔ ｒ
Ｅ ｎ ｔ ｅｒ ｉ ａ ｌ  ｐ ｒ ｏ ｄｕ ｃ ｔ ，
ｉ ｉ ｏｎ
 ｐｒｏ ｃ ｅ ｓ ｓ ｉ ｓ  ｄｅｖｅ ｌ ｏ
ｐ ｎ ｇ ｏ
ｔ ｉｗ ａｒｄ ｓ



ａｒ
ｇｅ
ｃ ａｌ ｅ
 ｃ ｏ ｎ ｔ ｉ ｎ ｕ ｏ ｕ ｓ  ａ ｎ ｄ  ｉ ｎ ｔ ｅ ｇ ｒ ａ ｔ ｅ ｄ  ｄ ｉ ｒ ｅ ｃ ｔ ｉ ｏ ｎ ，  ａ ｓ  ａ  ｒ ｅ ｓ ｕ ｌ ｔ  ｔ ｈ ｅ  ｒｅ ｑ ｕ ｉ ｒｅ ｍ ｅ ｎ ｔ ｓ  ｆｏ ｒ  ｒ ｅ ａ ｌ ｍ ｅａｎ ｄ


－ －
ｌ ｓ ，
ｔｉ

ａ ｃ ｃ ｕｒａ ｔｅ  ｄ ｅ ｔ ｅ ｃ ｔｉ ｏ ｎ  ｏ ｆ  ｉ ｎ ｄｕ ｓ ｔ ｒｉ ａ ｌ
ｐ
ｒｏ ｄ ｕ ｃ ｔ ｉ ｏｎ
 ｐ ｒｏ ｃ ｅ ｓ ｓ  ｉ ｓ ｂ ｅ ｃ ｏ ｍ ｎ ｇ  ｍ ｏ ｒ ｅ  ａ ｎ ｄ  ｍ ｏ ｒｅ  ｓ ｔ ｒ
ｉ ｉ ｎ ｇ ｅｎ ｔ ．  Ｗ ｉ ｔ 

ｈ

ｈ ｅ  ｄ ｅｖ ｅ ｏ ｐ ｍ ｅｎ ｔ  ｏ ｆ ｃ ｈ ｅ ｍ ｏｍ ｅ ｔｒ
ｉｃｓ， ｍ ｏｌ ｅｃｕ ａ ｒ  ｖ ｉ ｂ ｒａｔｉ ｏ ｎ  ｓ ｅ ｃｔｒｏ ｓ ｃ ｏ ｓ ｗｉ ｄｅｌ
ｙ ｕ ｓ ｅ ｄ  ｆｏ ｒ ｒｅ ａ ｌ ｍｅ


－
ｔ
ｐｙ
ｌ ｌ ｉ ｔｉ
ｐ 


ｏｎ ｎ ｅ  ｄ ｅ ｔ ｅ ｃ ｔ ｉ ｏ ｎ  ｉ ｎ ｎｕ ｍ ｅ ｒ ｏ ｕ ｓ  ｄ ｉ ｆ ｆｅ ｒ ｅ ｎ ｔ  ｆ ｉ ｅ ｄ ｓ
－

ｌ ｉ  ｌ 

．

ｎ  ｔ ｈ ｉ ｓ  ｐ ａｐ ｅ ｒ ｃ ｃ ｏｒ ｄ ｉ ｎ ｈ ｅ  ｃ ｈ ａ ｒａ ｃ ｔ ｅ ｒ
ｉ ｓ ｔｉ ｃ ｓ  ｏ ｆ ｍ ｏ ｅ ｃｕ ｌ ａ ｒ  ｖ ｉ ｂｒａｔ ｉ ｏ ｎ  ｓ ａ  ｖ ａｒ
ｉ ｅｔ
ａ ｇｔ ｏ ｐ ｅ ｃｔｒｕｍ ｙｏ ｆ


Ｉ ｔ  ｌ
， ，

ｗ ａｖ ｅ ｌ ｅｎ
ｇｔ ｈ  ｓ ｅ ｌ ｅ ｃｔｉ ｏ ｎａ ｌ
ｇ ｏｒ ｉ ｔ ｈ ｍ ｓ  ｗ ｈ ｃｈ  ｃ ｏ ｍ ｂ ｎ ｅ  Ｉ ｍ ｏ ｒｔ ａｎ ｃ ｅ  Ｃ ｏ ｅ ｆｆ
ｐ
ｉ ｉ ｉ ｃ ｉ ｅｎ ｔｏ ｆ Ｖａ ｒ
ｉ ａｂ ｌ ｅ  Ｐ ｒｏ ｅ ｃ ｔ ｉ ｏ ｎ


ｊ

（
Ｖ Ｉ Ｐ ）  ａ ｎ ｄ  Ｐ ａｒｔｉ ｃ ｅ  Ｓ ｗ ａｒｍ  Ｏ ｐ ｔ ｍ ｉ ｚ ａ ｔ ｏ ｎ  ａ ｇ ｏ ｒｉ ｔｈｍ （ Ｐ Ｓ Ｏ ）
ｌ ｉ ｉ ｌ
， 
ａｎｄ Ｃ ＮＮ  ｍ ｏ ｄｅ ｌ
， ｌ ｏｃ ａｌ ｍ ｏ ｄｅ ｌ ｂ ａｓ ｅ ｄｏｎ



ｄ ｆｆｅ ｒ ｅ ｎ ｔ  ｓ ｍ ｉ ｌ ａ ｒ ｔ ｈ ｅ  ｃ ｏ ｍ ｂ ｎ ａｔ ｏ ｎ  ｏ ｆ  ｏ ｃ ａ ｌ  ｍ ｏ ｄ ｅ ｌ  ａ ｎ ｄ  ｗ ａｖ ｅ ｅ ｎ ｔ ｈ  ｓ ｅ ｅ ｃ ｔ ｉ ｏ ｎ  ａ ｒ ｅ ｒｏ ｏｓｅｄ
ｔ
ｙ  ｇ
ｉ ｉ ｉ ｉ ｌ ｌ
ｐ ｐ
ｉ ｌ
， 

，

ａ
ｐｐ ｌ ｉ ｅ ｄ  ｔ ｏ  ｔｈ ｅ  ｍ ｏ ｌ ｅ ｃ ｕ ｌ ａ ｒ  ｖ ｉ ｂ ｒａ ｔ ｏ ｎ  ｓ ｐ ｅ ｃ ｔ ｒｕ ｍ
ｉ ．  Ｔｈ ｅｒｅｓｕ ｌ ｔｓｓ ｈ ｏ ｗ  ｔ ｈ ａｔ  ｔ ｈ ｅ  ｎ ｅ ｗ ｗ ａｖ ｅ  ｌ ｅｎ
ｇｔｈ  ｓ ｅ ｌ ｅ ｃ ｔｉ ｏ ｎ



ａ ｇ ｏ ｒ ｉ ｔ ｈｍ  ａ ｎ ｄ ｑ ｕ ａ ｎ ｔ
ｌ

ｉ ｔａｔ ｉ ｖ ｅ  ａｎ ａ ｙ ｓ ｌ ｉ ｓ ｍ ｏ ｄ ｅ  ｐ ｒ ｏｐ ｏ ｓ ｅ ｄ  ｉ ｎ  ｔ ｈ ｉ ｓ  ｐ ａｐ ｅ ｒ  ｃ ａ ｎ  ｅ ｆ ｆｅ ｃ ｔ ｖ ｅ ｌ ｙ  ｎ ｏ ｔ  ｏ ｎ ｙ
ｌ

 ｉ
，
ｌ

ｑｕ ｉ ｃｋｌ
ｙ  ｂｕ
ｔａ ｌ ｓ ｏ  ａｃ ｃ ｕｒａ ｔ ｅ ｌ
ｙ  ａｎ ａ ｌ ｙ ｚ ｅ
 ｔ ｈｅ  ａ ｔ ｔ ｉ ｂ ｕｔｅ  ｖ ａ ｕ ｅ ｓ  ｏ ｆ
ｒ ｌ  ｓ ａｍ
ｐｌ ｅ ｓ ，  ａ ｎ ｄ  ａ ｌ ｓ ｏ  ａ ｃ ｈ ｉ ｅ ｖ ｅ  ｅｘ ｃ ｅ ｌ ｌ ｅ ｎ ｔ



ｐ ｅ ｒ ｆｏ ｒ ｍ ａ ｎ ｃ ｅ  ｉ ｎ  ｒ ｅ ｄｕ ｃ ｉ ｎ ｇ  ｃ ｏ ｍ ｐ ｕ ｔ ａ
ｔｉ ｏｎ ａ  ｃ ｏ ｍｐ ｌ ｅ ｘ ｉ ｔ ｙ  Ｔ ｈ ｅ  ｍ ａｉ ｎ  ｃ ｏ ｎ ｔ ｅ ｎ ｔ ｓ  ｏ ｆ  ｔ ｈ
ｌ ． ｉ ｓ
ｐ
ａ
ｐ ｅ ｒ  ｃ ａｎ  ｂ ｅ



ｓｕ ｍ ｍ ａ ｉｚｅｄ
ｒ  ａ ｓ  ｆｏ ｌ ｌ ｏ ｗ ｓ 

：

 Ｔｈ ｓ ａ
ｐ ｅ ｒ ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｓ  ａ  ｎ ｅ ｗ  ａ ｄ ａ ｐ ｔ ｖ ｅ ｐ ａｒ ｔ ｃ ｌ ｅ  ｓ ｗ ａ ｒ ｍ  ｏ ｐ ｔ ｍ ｉ ｚ ａｔ ｉ ｏ ｎ  ａ ｌ
ｇｏｒ ｔ ｈｍ  ｂ ａｓ ｅ ｄ  ｏ ｎ  Ｖ ＩＰ


ｐ
１ ． ｉ ｉ ｉ ｉ ｉ
  

ｃ ｏ ｅ ｆｆ
ｉ ｃ ｉ ｅ ｎｔ  ｃ ａ ｌ ｌ ｅ ｄ  ，
ＶＡ Ｐ Ｓ Ｏ ， 
ｔ ｏ  ｓ ｏ ｌ ｖ ｅ  ｄ ｉ ｆｆ
ｉ ｃｕ ｌ ｔｃ ｏ ｎｔｒ ｏ ｌ ，  ｆａ ｓ
ｔｃ ｏ ｎｖ ｅ ｒｇ ｅ ｎ ｃ ｅ ， 
ｅ ａｓ
ｙ  ｔ ｏ  ｆａ ｌ ｌ ｉ ｎ ｔ ｏ  ｔ ｈ ｅ  ｌ ｏ ｃ ａ ｌ

ａ ｄ ｖ ａ ｎ ｔａ
ｇ ｅ ｓ  ｂｕ ｔ  ｕ ｎ ａ ｂ ｅ  ｔ ｏ  ｊ ｕ ｍ ｐ  ｏ ｕ ｔ ｏ ｒ  ｏ ｔ ｈ ｅ ｒ  ｐ ｒ ｏ ｂ ｌ ｅ ｍ ｓ  ｎ  Ｂ Ｐ Ｓ Ｏ
ｌ
，
ｉ ．  Ｒ ｅ ｓｕ ｌ ｔｓ ｈ ｏ ｗ ｓ  ｔ ｈ ａｔ  ＶＡ Ｐ Ｓ Ｏ  ｃ ａ ｎ



ｆｉ ｎ ｄ  ａ  ｓ ｕ ｂ ｓ ｅ ｔ  ｏ ｆ ｗａ ｖ ｅ ｅ ｎ ｇ ｔ ｈ ｓ  ｂ ｅ ｔ ｔ ｅ ｒ ａ ｎ ｄ  ｆａ ｓ ｔ ｅ ｒ  ｌ  

．

２ ．  Ｔｈ ｅ ｉ ＶＡ Ｐ Ｓ Ｏ  ａｌ
ｇ ｏ ｒ ｉ ｔ ｈｍ  ｉ ｓ  ｐ ｒ ｏｐ ｏ ｓ
ｅ ｄ ｗ ｈｉ ｃ ｈ  ｃ ｏｍ ｂ ｉ ｎ ｅ ｓ  ｉ ｎ ｔ ｅ ｒ ｖ ａｌ
，  ｐ
ａｒｔｉ ａ ｌ  ｌ ｅ ａ ｓ ｔ  ｓ
ｑ
ｕ ａ ｒｅ ｓ ．  Ｆｉｒｓｔ ｙ ｌ


，

ｗ ｅ  ｅ ｘ ｐ ｏ ｒ ｅ  ｔｈ ｅ  ｂ ｅ ｓ ｔ  ｗ ａ ｖ ｅ ｌ ｅ ｎ ｇ ｔｈ  ｎ ｔ ｅ ｒ ｖ ａ  ｃ ｏ ｍ ｂ ｎ ａ ｔ ｏ ｎ  Ａ ｎ ｄ  ｎ  ｓ ｅ ｃ ｏ ｎ ｄ  ｒ ｏ ｕ ｎ ｄ  ｂ ｅ ｓ ｔ  ｗ ａ ｖ ｅ ｅｎ
ｇｔｈ


ｌ ｉ ｌ ｉ ｉ ． ｉ ｌ

ｐ ｏ ｎｔ ｓ ｎ
ｉ  ｔｈ ｅ ｓ ｅ  ｉ ｎ ｔ ｅ ｒｖ ａ ｌ  ａ ｒｅ  ｓ ｅ ｌ ｅ ｃ ｔ ｅ ｄ
ｉ ． Ｉ ＶＡ Ｐ Ｓ Ｏ  ａ ｌ
ｇ ｏ ｒ ｉ ｔ ｈ ｍ  ｒ ｅ ｄｕ ｃ ｅ ｓ  ｔ ｈ ｅ  ｐ ａ ｒ ｔ ｉ ｃ ｌ ｅ  ｌ ｅ ｎ ｇ ｔ ｈ  ｉ ｎ  ｉ ｔ ｅ ｒ ａ ｔ ｏ ｎ ｉ


，

ａｎ ｄ  ａ ｃ ｈ ｉ ｅ ｖ ｅ  ｈ ｉ
ｇｈ ｅ ｒ  ａ ｎ ｄ ｍ ｏ ｒ ｅ  ｓ ｔ ａ ｂ
ｅ
ｐｒｅ
ｄ  ｌ

ｉ ｃｔｉ ｏ ｎ ｐ ｅｒ
ｆｏ ｒ ｍ ａ ｎ ｃ ｅ  ｉ ｎ  ｌ ｅ ｓ ｓ  ｔ ｍ ｅ

ｉ 

．

３ ．  Ｄ ｕ ｅ  ｔ ｏ  ｔｈ ｅ  ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｒ
ｉ ｓｔ ｉ ｃ ｓｏ ｆ  ｔ ｈ ｅｍ ｏ ｌ ｅ ｃ ｕｌ ａ ｒ  ｖ ｉ ｂ ｒ ａ ｔ ｏ ｎ  ｓ ｉ
ｐ ｅ ｃ ｔｒｕ ｍ ， 
ｔ ｈ ｅＣＮ Ｎ  ｍ ｏｄｅｌ ， 
ｗｈ ｃ ｈ  ｉ ｉ 

ｓ

ａｌｗａ ｓ  ｕ ｓ ｅ ｄ  ｉ ｎ  ｔｗ ｏ  ｄ ｉ ｍ ｅｎ ｓ ｏｎ ｍ ａ ｅ  ｄｏ ｍ ａｉｎ ｃ ａｎ  ａｌ ｓ ｏ  ｂ ｅ  ａ ｅ ｄ  ｉ ｎ  ｏ ｎ ｅ  ｄ ｉ ｍ ｅ ｎ ｓ ｉ ｏｎ ｕ ａｎ ｔ ａｔ ｉ ｖｅ



ｙ
ｉ
ｇ ｉ
，  ｐｐ ｌ ｉ
 ｑ
ｉ ｔ

ａｎ ａ ｌ
ｙｓ ｉ ｓ ． Ｆ ｒ ｏ ｍ  ｔ ｈ ｅ  ｒ ｅ ｓ ｕ ｌ ｔ ｓ  ｏ ｆ  Ｎ Ｉ Ｒ  ｓ
ｐ ｅ ｃ ｔ ｒ ｕｍ  ｏ
ｆｂ ｉ ｏ ｄｉ ｅ ｓ ｅ ｌ  ，
ｉ ｔ  ｉ ｓ  ｆｏ ｕ ｎ ｄ  ｔ ｈ ａ ｔ  Ｃ Ｎ Ｎ  ｓ ｈ ｏ ｗ ｓ  ｇｒ ｅ ａ 

ｔ

ｐ ｅ ｒ ｆｏ ｒ ｍ ａ ｎ ｃ ｅ  ｗ ｈ ｅ ｎ  ｉ ｔ  ｉ ｔ  ａ ｐ ｐ ｌ ｉ ｅ ｄ  ｔｏ  ｓ ｕ ｉ ｔａ ｂ ｌ ｅ  ｄ ａ ｔ ａ ｓ ｅ ｔ  ｓ ｕ ｃ ｈ  ａ ｓ  ｆａ ｓ ｔ ｅ ｒ  ｃ ｏ ｎｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ  ｓ ｅ ｅ ｄ  ｈ ｉ ｈ ｅ ｒ
，
ｐ ｇ 
 ，

ｐｒｅ ｄ ｃ ｔ ｉ ｏ ｎ  ａ ｃ ｃｕ ｒａ ｃ ｅｔ ｃ  Ｃ ｏ ｍ ｄｗ ｉ ｔ ｈ Ｐ Ｌ Ｓ ｈ ｅ ＲＭ Ｓ Ｅ Ｃ  ｓ  ｒｅ ｄｕ ｃ ｅ ｄ  ｂ
ｙ５ ０ ％ ａｎ ｄ  ｔ ｈ ｅ  Ｒ Ｍ Ｓ ＥＰ


ｐ ａｒｅ
ｔ
ｉ
ｙ 
ｉ
．

， ，  ， 

ｉ ｓ ｒｅ ｄｕｃ ｅｄｂ

ｙ ９
％ １
？ ｓ
ｕ
ｐ
ｅｒ
ｉ ｏｒ  ｔ ｈ ａｎｏｔｈ ｅｒｍ ｏ ｄ ｅ ｌ ｓ  ． Ｗ ｉ ｔ ｈ ｔｈ ｅ  ｃ ｏ ｌ ｌ ｅ ｃ ｔ ｉ ｏ ｎ  ｏ ｆ ｄ ａ ｔ ａ  ｓ ｅ ｔ ｓ ，  ｔｈ ｅ 

 ｐ
ｅ ｒ ｆｏ ｒ ｍ ａ ｎ ｃ ｅ



ｏｆ  ＣＮＮ ｗ  ｉ ｌｌ ｂ ｅ  ｍ ｏ ｒ ｅ ｐ ｒｏ ｍ ｎ ｅ ｎ ｔ 
ｉ 

．

４ ． Ｔ ｈｒ ｅ ｅ ｄ ｉ ｆｆｅ ｒ ｅ ｎ ｃ ｅ  ｓ ｉ ｍ ｉ ｌ ａ ｒ ｉ ｔ ｉ ｅ ｓ  Ｅ ｕ ｃ ｌ ，
ｉ ｄｅ ａｎｄ ｉ ｓ ｔ ａｎ ｃ ｅ ，  Ｅ ｕ ｃ ｌ ｉ ｄ ｅ ａ ｎ  ｄ ｉ ｓ ｔ ａ ｎ ｃ ｅ  ｂ ｅ ｔ ｗ ｅ ｅ ｎ  ｔ ｈ ｅ  ｎ ｅ ｔ

ｓｉ
ｇｎ ａ ｌ
，  ａ ｎ ｄ  ｔ ｈ ｅ  ｓ ｐ ｅ ｃ ｔ ｒ ａ ｌ  ｎ ｆｏ ｒ ｍ ａ ｔ ｏ ｎ  ｄ ｖ ｅ ｒ ｇ ｅ ｎ ｃ ｅ  ａ ｒ ｅ  ｅ ｘ ｐ ｏ ｒ ｅ ｄ  ｎ  ｏ ｃ ａ  Ｐ Ｌ Ｓ  ｍ ｏ ｄ ｅ
ｉ ｉ ｉ
，
ｌ ｉ ｌ ｌ ｌ ． Ｔｈ ｅｎ
ｐ
ｕ ｔ

ｆｏ ｒ ｗ ａ ｒ ｄ  ｔ ｈ ｅ  ｌ ｏ ｃ ａ ｌ  ｍ ｏ ｄ ｅ ｌ  ｃ ｏ ｍ ｂ ｉ ｎ ｅ  ｗ ｉ ｔ ｈ  ＶＡ Ｐ Ｓ Ｏ  ａ ｌ
ｇ ｏ ｒ ｉ ｔ ｈｍ  ｔ ｏ  ｓ ｅ ｅ ｃ ｔ  ｗ ａｖ ｅ ｌ ｅ ｎ ｇ ｔ ｈ  ｓ ｕ ｂ ｓ ｅ ｔ  ａ ｎ ｄ

ｌ
 Ａｂｓ ｔ ｒａ ｃｔ



ｓ ａｍ
ｐ
ｌ ｅ  ｓｕ ｂ ｓ ｅ ｔ
（
Ｌｏｃ －

ＶＡ Ｐ Ｓ Ｏ ）
．  Ｔｈ ｉ ｓ ｍ ｅ ｔ ｈ ｏ ｄ  ｃ ｏ ｓ ｔ ｓ  ｓ ｈ ｏ ｒ ｔ ｅ ｒ  ｔ ｍ ｅ ｂ ｕ ｔ ｈ ａ ｓ  ｂ ｅ ｔ ｔ ｅ ｒ ｐ ｅ ｒ ｆｏ ｒ ｍ ａ ｎ ｃ ｅ  ｔ ｈ ａｎ  ｔ ｈ ｅ
ｉ   



ｌ ｏ ｃ ａ ｍ ｏ ｄ ｅ
ｌ ｌ  ａ ｎ ｄ  ＶＡ Ｐ Ｓ Ｏ  ａ ｇ ｏ ｒ
ｉ ｔ ｈｍ  Ｇ ｏ ｏ ｄ  ｐｒ ｏ ｓ ｐ ｅ ｃ ｔ  ｎ  ｔ ｈ ｅ  ｆ
ｌ ．
ｉｅ ｉ ｌ ｄｏ ｆ
ｑ
ｕ ａｎ ｔ ｉ ｔ ａ ｔ ｉ ｖ ｅ  ａ ｎ ａ ｙｓ ｉ ｓ  ｏ ｆ

 ｌ

ｍｏ ｌ ｅ ｃ ｕ ｌ ａｒ  ｖ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ  ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ  ｉ ｓ  ｆｏ ｒ ｅ ｓ ｅ ｅ ａｂ ｌ ｅ 

．

５ ．  Ｔ ｈ ｅ  ｎ ｅｗ  ｗ ａ ｖ ｅ ｌ ｅｎ
ｇ ｔｈ  ｓ ｅ ｌ
ｅｃｔｉ ｏｎａｌ
ｇ ｏ ｒ ｉ ｔ ｈ ｍ ｓ  ａ ｎ ｄ  ｑ ｕ ａｎ ｔ ｉ ｔ ａ ｔ ｉ ｖ ｅ  ａ ｎ ａ ｌ ｙｓ ｉ ｓ ｍｏ ｄｅ ｌ ｓ
ｐ
ｒｏ
ｐｏ ｓｅ ｄ



ｂ ｅ ｆｏ ｒ ｅ ，  ａｒｅ  ａｐｐ ｌ ｉ ｅ ｄ  ｔ ｏ  ｄ ｅ ｔ ｅ ｃ ｔ  ｔｈ ｅ  ｂ ｌ ｅｎ ｄ ｉ ｎ ｇ  ｒ ａ ｔ ｉ ｏ  ｏ ｆ  Ｂ ｉ ｏ ｄ ｉ ｅ ｓ ｅ ｌ  Ｂ ｌ ｅｎ ｄ ｅ ｄ  Ｏ ｉ ｌ ．
 Ｔ ｈ ｅ  ｎ ｅ ａ ｒ  ｎ ｆｒ ａｒ ｅ ｄ  ａｎ ｄ
ｉ 


Ｒ ａ ｍ ａｎ  ｓ ｐ ｅ ｃ ｔｒ ａ  ｗ ｅ ｒ ｅ  ｄ ｅ ｔ ｅ ｃ ｔ ｅ ｄ  ｆｏ ｒ  ｔ ｈ ｅ  ｍ ｉ ｘ ｅ ｄ  ｏ ｉ ｌ  ｓ ａｍ
ｐｌ ｅｓ ，  ａｎ ｄ  ｔ ｈ ｅ  ｐ ｒｅｐｒ ｏ ｃ ｅｓ ｓｉ ｎ
ｇ  ａｎ ｄ  ｄ ｅ ｖ ｉ ｓ ｉ ｏｎｏ ｆ



ｅ  ｃ ａｒｒ
ｉ ｅ ｄ  ｏ ｕｔ  ｒ ｅ ｓ
ｓ ａｍ
ｐ ｌ ｅ ｗ ｅ ｒ ｐ ｅ ｃ ｔ ｉｖ ｅ ｌ ｙ  Ｔ ｈ ｅ  ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ  ｎ ｅｗ  ｓｐ ｅ ｃｔｒ ａ ｌ  ｃ ｈ ａｒａ ｃ ｔ ｅｒ
． ｉ ｓ ｔｉ ｃ  ｗ ａｖ ｅ ｌ ｅｎ
ｇ ｔｈ



ｓ ｃｒｅｅｎ ｉ ｎ
ｇ
ｍ ｅｔｈ ｏ ｄ
（
ＶＡ Ｐ Ｓ Ｏ ，  ｉ ＶＡ Ｐ Ｓ Ｏ ）  ａ ｎ ｄ  ｔｈ ｅ  ｎ ｅ ｗ  ｑ ｕ ａ ｎ ｔ ｉ ｔ ａ ｔ ｉ ｖ ｅ  ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ  ｍ ｏ ｄ ｅ ｌ  （ Ｃ ＮＮ  ｍ ｏ ｄ ｅ ｌ 

，

Ｌ ｏ ｃ Ｐ Ｌ Ｓ  ａ ｎ ｄ  Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ ）  ｗ ｅ ｒ ｅ  ａｐ ｐ
－ －

ｌｉ ｅ ｄ  ｔ ｏ ｂ ｉ ｏ ｄ ｉ ｅ ｓ ｅ ｌ  ｓ
ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐｙ  Ｔ ｈ ｅ  ｅ ｘ ｐ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ  ｒｅ ｓ ｕ ｌ ｔ ｓ
．



ｓ ｈ ｏ ｗ  ｔ ｈ ａｔ  ｔ ｈ ｅ  ｎ ｅ ｗ  ａｌ
ｇ ｏ ｒ ｉ ｔ ｈ ｍ  ｐ ｒ ｏ ｐ ｏ ｓ ｅ ｄ  ｉ ｎ  ｔ ｈ ｉ ｓ  ｐ ａ ｐ ｅ ｒ  ｈ ａｖ ｅ  ａ  ｇ ｒ ｅ ａ ｔ  ｍ ｐ ｒ ｏ ｖ ｅ ｍ ｅ ｎ ｔ  ｉ ｎ  ｔ ｈ ｅ  ｄ ｅ ｔ ｅ ｃ ｔｉ ｏ ｎ

 ｉ

ｅ ｄｕ ｃ ｔ ｉ ｏ ｎ  ｏ ｆ ｃ ｏ ｍ ｆ ｂ ｏｄ ｅ ｓ ｅ ｌ  ｂ ｌ ｅｎ ｄ ｎ
ａ ｃ ｃ ｕｒ ａ ｃ
ｙ  ａｎ ｄ ｐｕ ａ ｏ ｎ ａ ｃ ｏ ｍ ｐ ｅｘ ｉ ｙ ｏ ｒ ａｔｉ ｏ
ｒ ｔ ｔ ｌ ｌ ｔ
 ｉ  ｉ ｉ ｉ
ｇ 


．

Ｋ ｅ ｙｗ ｏ ｒ ｄ ｓ  Ｍ ｏ ｌ ｅ ｃ ｕ ｌ ａ ｒ  Ｖ ｂ ｒ ａ ｔ ｉ ｏ ｎ  Ｓ ｐ ｅ ｃ ｔ ｒ ｕ ｍ  Ｖａ ｒ ａ ｂ ｌ ｅ  Ｐ ｒ ｏ ｉ ｃ ｉ ｅｎ ｔ  （ ＶＩＰ ）
： ｉ
ｊ ；
ｉ ｅ ｃ ｔ ｉ ｏｎ  Ｉｍ
ｐ ｏ ｒ ｔ ａｎ ｃ ｅ  Ｃ ｏ ｅ ｆ 

；

Ａ ｄ ａｐ ｔｉ ｖｅ
ｐ
ａ ｒ ｔ ｉ ｃ ｌ ｅ  ｓ ｗ ａｒ ｍ  ａ ｌ
ｇ ｏ ｒ ｉ ｈｍ
ｔ
；  Ｌｏ ｃａ ｌ Ｍ ｏｄｅ ｌｉ ｎ
ｇ
Ｓ ｔｒａｔ ｅ
ｇ ｙ  Ｃ ｏ ｎｖ ｏ ｕ ｔ ｉ ｏ ｎ ａ ｌ  Ｎ ｅ ｕ ｒ ａ ｌ  Ｎ ｅ ｔ ｗ ｏ ｒ ｋ
；
ｌ


；

Ｂ ｉ ｏ ｄｉ ｅ ｓ ｅ ｌ 

．
 



目 

录

胃 ＃■
一

 

１

１ － １
引 言  


１

１ ． ２ 分 子振 动 光 谱 分析 原 理介 绍    

２

１ ． ２ ． １ 近红 外光 谱 原 理介绍  

２

１ ． ２ ２ ．
拉曼 光谱分析原理  

２

１ ． ３ 国 内 外应 用 及研 究现状    

３

１ ．
３ ． １ 近红外光谱 研 究 现状  

３

１ ． ３ ２ ．

拉曼光谱研究现状    

４

１ ． ４ 波长选择意义     

５

１ ． ５ 本文主要 内 容 


，
 

５

第 二章 分 子振 动 光谱 技术
、 中 化 学计量方法        

９

２ ． １ 引 百  

９

２ ２ ．

光谱样本预处 理技术  

９

２ ２ ． ． 〗 异常样本处理    

９

２ 上２ 数据集划 分方法  
   １ 

０

２ ２ ３ ． ．
基线校正技术 

 ，  １ 

０

２ ２ ４ ． ．
平 滑算 法  ：  ：   １ １  

．

２ ２ ５ ． ．

标准正态变换   １ 

１

２ ． ３ 定 量 分析建模 方 法   １ 

１

２ ３ ． ． １
多 元 线 性 回 归 Ｍｕ （
ｌｔ ｉ ｖ ａｒｉ ａ ｔ ｅ  Ｌ ｉ ｎ ｅ ａ ｒ  Ｒ ｅ ｇｒ ｅ ｓ ｓ ｉ ｏｎ ， 
ＭＬ Ｒ） ．    “ ＂ １ 

２

２ ３ ２
． ．
主成分 回 归 （
Ｐｒ ｎｃ
ｉ
ｐａ
ｉ ｌ  Ｃ ｏ ｍｐ ｏ ｎ ｅ ｎ ｔ  Ｒ ｅ ｇｒｅ ｓ ｓ ｉ ｏｎ ，
Ｐ ＣＲ ）  
   １ 

２

２ ３ ３ ． ．
偏 最小 二乘 回 归 （
Ｐ ａｒ
ｔ ｉ ａ ｌ  Ｌ ｅ ａ ｓｔ  Ｓ
ｑｕ ａ
ｒｅ Ｒ ｅ ｇｒｅ ｓ ｓ ｉ ｏｎ ，
Ｐ Ｌ Ｓ Ｒ）  １ 

２

２ ３ ４
． ．
最小二乘支持 向量机 （
Ｌ ｅ ａ ｓ ｔ Ｓ ｑｕ ａ ｒ ｅ 
－

Ｓｕ
ｐｐ ｏ ｒ ｔ  Ｖｅ ｃ ｔ ｏ ｒ Ｍ ａ ｃ ｈ  ｉ ｎｅ ，
Ｌ Ｓ Ｓ ＶＭ ）  １ 

３

２ ３ ５． ．

局部 建模 策略      ， … ． …  
 
   １ 

３

２ ４ ．

波长选择算法      １ 

３

２ ４ ．
． １ 间 隔 偏最小二乘波长选择 （
ｉ ｎ ｔ ｅｒｖ ａ ｌ  ＰＬ Ｓ ， ｉ ＰＬ Ｓ ）  

 １ 

４

２ Ａ ２遗 传 算 法 （ ｇ ｅ ｎ ｅｔ ｉ ｃ  ａ ｇ ｏ ｒ
ｌ ｉ ｔ ｈｍ ， 
ＧＡ ）
   
 １ 

４

２ ４ ３
．
．
竞争 自 适应重 加权采样法 （
Ｃｏｍｐｅ ｔｉ ｔ ｉ ｖｅａｄａ
ｐ
ｔｉ ｖｅ  ｒｅｗ ｅｉ
ｇｈ ｔ ｅ
ｄ  ｓ ａｍ
ｐ ｌ ｉ ｎｇ ， 
ＣＡＲＳ ）    １ 

４

２ ４ ４
． ．

变量 投影重要系数 （
Ｖａ ｒ ｉ ａｂ ｌ ｅＩ ｍ
ｐｏｒ
ｔ ａ ｎ ｃ ｅ  ｎ  ｔ ｈ ｅ  Ｐ ｒ ｏ ｅ ｃ ｔｉ ｏ ｎ
ｉ

ｊ ， 
Ｖ Ｉ Ｐ） ． 
 １ 

４

２ ５ ．
基 本粒 子群算 法     

   
 １ 

５
 ａ ｍ





２ ６ ．
定量模型 的 评价指标  １ 

６

２ ７ ．

本章小 结  －  １ 

７

第 三 章 基于 粒 子群算 法 的 新 型 光谱 特征 波 长 提取 方 法探 索  １ 

９

３ ． １ 引 言  １ 

９

３ ２ ．
基本二 进制 粒 子群算 法  ２０



３ ． ２ ． １ 基本二进制 粒 子群算 法  ２０



３ ２ ２
． ． ＢＰ Ｓ Ｏ 应 用 效果  ２ 

］

３ ３ 改 进 Ｂ Ｐ Ｓ Ｏ Ｂ Ｐ Ｓ Ｏ Ｖ ＩＰ  算 法 ２４


—

．
 
＿

３ ． ３ ． １ ＢＰ Ｓ Ｏ ＶＩＰ ＿
 ２４



３ ． ３ ２  ＲＥ ．

＿
ＢＰ Ｓ Ｏ ＿
ＶＩＰ  ２７



３ ． ４ Ｖ ＩＰ 自 适应粒子群算法 （
ＶＡ Ｐ Ｓ Ｏ ）
 ３ 

２

３ ４ ． ． １  ＶＡＰ Ｓ Ｏ 应 用   ３５



３ ４ ２ Ｒｅ
． ．

＿
ＶＡ Ｐ Ｓ Ｏ ． ．  ：   
 ；  
 ３９



３ ５ｉ ． ＶＡＰ Ｓ Ｏ  算 法         ４ １

３ ５ ．
． １ 基 本  ＶＡＰ Ｓ Ｏ ｉ  算法  ４ 

１

３ ５ ２ ． ．  Ｒｅ —
ｉ Ｖ ＡＰ Ｓ Ｏ  算法      ４５



３ ．
６ 与 其他方 法 的 对 比  ５０



３ ６ ．
． １ 全光谱偏 最小 二 乘 回 归  
 ５０



３ ６ ２间 ． ．

隔 偏 最小 二 乘 … … ：  
，
 ： ． ． ．
． ． ． ．  ． ． ． ． ． ５ 

１

３ ． ６ ３  Ｃ ＡＲ Ｓ．  ：  ５２



３ ． ６ ４ ．
遗传算法  
 ５２



３ ． ７ 本章小 结  ５４



第 四 章 深度 学 习 与 局 部 建模应 用 于 光谱 定量 分析  ５７



４ ． １   ５７



４ ２ ．
传统校正方 法    ５８



４ ． ２ ． １ Ｐ Ｃ Ｒ  
 ５ ８



４ ２ ２ ＰＬＳ ． ．     
 ５９



４ ２ ３  Ｌ Ｓ ＳＶＭ
． ．  ５９



４ ３  Ｃ ＮＮ ．
应 用 于 近红外 光谱 定量 分析  ６０



４ ．
３ ．
１ Ｌ ｅＮ ｅ ｔ ＞

５２ ｄ 情况 




 ６ 

１

４ ． ３ ． ２Ｌ ｅＮ ｅｔ ５Ｉ ｄ －

 ６３



４ ３ ３ ． ．
 Ａ ｌ ｅ ｘｎ ｅ ｔ  Ｉ ｄ  情况    ６４


 



４ ４ ．
局部 ＰＬ Ｓ 模型探索   ６６



４ ４ ． ． １  ＥＬ －

ｌ ｏ ｃ ＰＬ Ｓ －

 

 ６７



４ ４ ２Ｓ ＩＤ ． ．
－

ｌ ｏｃ ＰＬＳ －

   ６７



４ ４ ３Ｎ Ａ Ｓ ． ．
－

ｌ ｏ ｃ ＰＬ Ｓ
－

 ６９



４ ４ ４ ．
．  Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ －

 
 ７０



４ ５ ．
本章小结    ７３



第 五 章 生 物 柴油 调 和 油 光谱 定 量 分析  ７５



５ ． １ ｆ ｌ
ｆ    ７５



５ ． ２ 分子振动 光谱数据采 集  ７５



５ ． ３ 调 和油 近红外光 谱 分析  ７７



５ ． ３ ． １ 近红外光谱样本选择与 预处理  ７７



５ ３ ． ． １ ． １ 异 常样本分析 

 ７７



５ ３ ． ．
１ ．
２ 基线校正  
；
 ，  ７８



５ ：３ ． １ ． ３ 平滑算 法  
 
 ７９



５ ． ３ ． ２ 近红 外光谱 定量 分 析模 型    ８ 

１

５ ．
３ ． ２ ． １ ＰＣＲ  模型  ８ 

１

５ ３ ２ ２ ．
． ． ＰＬＳ 模型  ８ 

１

５ ３ ２ ３ Ｌｓ ｓｖｍ
．
． ．
        ８ ２



５ ３ ．
２ ４  Ｃ ＮＮ
．
    


 ： ：      
 ： ＂ ■ ？
？ ？ ？ … … ．
８２



５ ３ ． ． ２ ５ ．
局部 建模策略          ８ ５



５ ．
３ ．
３ 特征波长 点筛选    －    
 
   ８６



５ ３ ． ． ３ ． １ ＶＡ Ｐ Ｓ Ｏ         ８６



５ ３ ． ３ ．
２ ｉ ＶＡ Ｐ Ｓ Ｏ ．
   ． ． ． ．
８ ７



５ Ｊ ． ３ ．
３ 局 部 模 型 结 合 Ｖ ＰＡ Ｓ Ｏ 寻 找 最 优 波 长 点  ８ ９



５ ３ ４ ． ．
近红外光谱分析小结  ９ 

１

５ ． ４ 调 和 油拉曼光 谱 定量 分析  ９ 

１

５ ．
４ ． １ 拉 曼 光谱 样本选择 与 预处理  ９２



５ ４ ． ． １ ． １
样 本 选 择      ９２



５ ． ４ ． １ ． ２ 基线 校正  ９３



５ ． ４ ． １ ． ３ 平滑算法  ９４



５ ４ ２
． ．

模型选择      ９５



５ ． ４ ２ ． ．
１ 传统校正 模 型  ９５


 



５ Ａ ．
２ ２Ｃ
． ＮＮ   ９６



５ ． ４ ２ ３
． ．
局 部 建模策 略  
 ９７



５ ． ４ ３
．
波长选择      ９８



５ ．
３ ． ４ ．
１ ＶＡ Ｐ Ｓ Ｏ    ９８



５ ． ４ ． ３ ．
２  ｉ ＶＡ Ｐ Ｓ Ｏ  ９９



５ ． ４ ． ３ ３  Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ －

 １ ０ 

１

５ ４ ４
． ．
生 物柴 油 拉曼光谱分析小结  １ ０３



５ ． ５ 本章 小 结  １ ０４



第 六 章 总 结 与 展望  １ ０５



６ ． １ 总 结    １ ０５



６ ２．
展望  １ ０７



参考文献  １ ０９



致谢  ： ． … …   ：         ：  １ ０９



攻读 硕 士 学位期 间 主要的研究 成果  ： 

－

． ． １ １ 

７
 第 章 绪论
一

 



第
一

章 绪论



１ ． １ 引言



２０ 世纪 以来工业 生产过程 向着大型化 、 连续化 、 综 合化的 方 向 发展 ， 形成 了 复杂的




生产过程 ， 这对产 品 质 量 控 制 与 成 产 速度 的 要求 也越来 越 严 格 ， 推动 了 工业 自 动 化技术的




快速发 展 ， 同 时也带来 了 巨 大 的挑战 。 在生产过程 中 ， 对工业 生产 过程实现实 时检测 ， 


对

于其过程控制 、 优化 、 调度 、 管理和决策方面有着 重 要 的作用 ， 是整 个工业 生 产 过 程 非 常




重要 的组成部分 

。

在过去 ， 传 统 的 检 测 方 法 通 常 需 要 破坏检测 样本 ， 而 且分析所需 的 时 间 较长 ； 无损检




测是指 在检测 过 程 中 不损坏被检测样 品 的物质性能 ， 通过检测样 品 的 物理原 理 等 ， 实现快




速 可靠 的 检测 光 谱 分析 技术就是 种 非 侵入 在线 并 行 分析 的 无损检测技术 

分
一

、 。 、 、 。

＿ ＇

子 振 动 光 谱 是 光 谱 分析 技 术 的 重 要 分 支 。 分 子振动 光谱 的 原 理是 ， 当 光谱 电磁辐射照射 

、

透过物质分子时 ， 将会产 生 的 不 同 物理现象 ， 比如吸收 、 反射或散射 等 ， 根据不 同 的 电磁




辐射可 以 分为 ： 荧光 光谱 、 红外 光谱 、 拉曼 光谱 和 近红外 光谱 等 ［
２ ３］ ，

。 其 中 ， 拉 曼和 近红外



光 谱 是研 究 的 热 点 方 向 

。

拉曼光谱 由 于 其特 性 ， 今年 来 在 多 个 领 域应 用 越 来 越 广 泛 ， 如石袖化工 、 食 品 、 高分



子 、 材料 等 ， 发挥着 非 常 重要 的作用 。 拉 曼 光 谱 作 为 光谱 分 析技 术 ， 它 的特点 是对于非 极




性或极性很小 的基 团 （ Ｃ ＝
Ｎ 、
Ｓ －

Ｓ 、 Ｃ Ｃ －

、 Ｎ Ｎ －

、 Ｓ Ｃ －

） ， 以 及物质 中 脂肋族化 合物 Ｃ Ｈ －



伸

缩振动等 ， 会产 生较强 的 特征峰 。 拉曼光谱 作 为

一

种 无损检测 技术 ， 对于样品 的处理简单 


，

而且检测只 需 要很少 的样 品 ， 能 以 很快 的 速度 分析 出 其 性 质 成 分 ， 被广 泛应 用 于在 线 实 时



监测 。 但在 某 些 方面拉曼 光谱 也存在 不足Ｗ 。 相 比 较 与 近红外 光 谱 ， 拉曼光谱 的信号 强度




较弱 ， 通 常情况下 只 能 用 于检 测 Ｏ ． ｌ ｔ ｎｏ ｌ／Ｌ 以 上的 样 品 浓度 。 除此以外 ， 由 于拉曼 光谱 是散




射光谱 ， 散射强度极弱 ， 容易 受荧光 、 温度 、 光程 、 激光功 率 、 固 体颗 粒大小 等 影响 干扰 


，

强 的荧光干扰 甚 至可 能会覆盖拉曼信号 

。

近红 外 光谱 主 要检测 含 氢基 团 （
－

ＮＨ 、
－

ＣＨ 、
－

ＯＨ 、
－

ＳＨ 等 ） ， 广 泛存在与 多 种物质 当



中 。 随着 Ｎ Ｒ 仪器的 不 断 改进
Ｉ ， 化 学 计 量 学 数据处 理 方 法 的 发 展 与 应 用 ，
Ｎ ＩＲ 在 工 业 应 用



中 的 优势逐渐被人们 认识 ， 迅速的被应用 到 多 个领 域的 现场 分析 、 在 线 分析和 快 速 分析 当




为 企业带来 丰厚的效益 但近红外光 谱本 身 也存 在弱 点 如物 质对吸 收 系 数小

４
中 ， 了
［ ］
。 ， 

、



１
 第 章 绪论
一






灵敏度 低 检测 极 限 般要求 不低于 ％ ７］

信号 强度弱 谱 图 比较复杂 另外 与拉


一

（ 〇 ． １
［

） 、 、
， ，

曼光谱 不 同 的是 ， 近红外光谱 容易 出 现严 重 的 波峰严 重 现象 、

没有 明 显 的特征峰 ， 而导致



解析难度 大 ［
５ 】
。 近红外 光谱 实 际应 用 中 需 要采 集 足够 多 的校 正 样本 ， 才 能得到较高 的 检测



精度 并不适用 于少量样 品 的 检测任务 随着 多 元校正技术 以及化学计量 学技术的发展

［
６］
， 。 

，

近红外 光谱 才 开始被 广 泛 的 应 用 ［
８
］


。

由 于 分子振 动 光谱分析是 种 间 接分析技术 依赖 于 多 元校正技术的 发展 才使其在



一

， ，

定量 分析领 域有 了
一

定的地位 。 以 多 元校正技术 为 核心 的化学计量 学方法 的 发展 ， 使得科




学 家 能 够从 复杂 的 难 以 直 接辨 识 的 光谱数据 中 ， 提取 出低维的 ， 少 干扰 的特征 ， 由 此光谱




分析 逐渐 发展成 为 个热 领域 由 于 多 元校正技术的快速发展 使得拉 曼和 近红 外 光谱



一

门 。 ，

分析技术应用 领域不断拓 宽 ［
９ ， Ｍ 

。

１ ． ２ 分 子振动 光 谱 分析 原 理 介 绍


＇

＂



近 ｋ 外 光 谱 原 瑝 介 绍
＇

１ ． ２ ． １

近红外 光 谱 （ ＮＩＲ ） 是介于紫外线 可见光 －

（ ＵＶ Ｖ－

ｉ ｓ ） 和 中 红外光 （ Ｍ ＩＲ ） 之 间 的 电 磁



波 ， 其波长 范 围 为 ７００ ？
２ ５ ０ ０ ｎｍ 。 近红外 光谱 主 要 检测 的 是含氢 官 能 团 （ Ｘ Ｈ －

） 。 分子振



动 的 非谐振性使分 子振动 从基态 向 高 能 级跃迁 时产 生 近 红 外 光谱 主要原理是 当 红外



一

：
，

单色或符合光照射穿 过样 品 时 ，
Ｉ
样 品 中 的 分 子选择性 的 吸 收 辐射 光 中 某 些 频 率 波段 的 光 

，

引 起分 子 中 化学键 的振动 ， 产 生 吸 收 光谱 ［
４］
。 因 而 入射光损失 了
一

部分能量 ， 因 此透过 的



光强减弱 这 现象可 由 郎 伯 比 尔 定律描述 该定律表达式如下

一

， ， 

：

Ａ 
＝
 ｓＬ ｃ  （ １ ． １ 

）

上式 中 ，
ｄ 即 吸光度 ，
ｓ 为摩尔吸收系数 ， 同 神 物质 时是
一

个常数 ，
Ｉ 即光程 ， ｃ 

即

待测物质 浓度 。 因 此入射光被 吸 收的 强弱 与 光程和 吸 收物 质 浓度 成 正 比 ， 而 与 光强无关 


。

拉曼 光谱和 近红外光谱 都 与 分子振动 有 关而 产 生 的 光谱 ， 统

一

为 分 子振动 光谱 。 不 

同

物质 分 子振动 会有 多 种 形 式 ， 因 此 需 要 根据实 际物 质 特 性 选 择不 同 的 光谱 分析 方 法 

。

１ ． ２ ２ ．
拉曼 光谱 分析 原 理



与近红外光谱 不 同 的是 ， 近红外光谱是吸 收光谱 ， 而拉曼光 谱 为 散射光谱 。 当 物质被



一

束频率 为 单色 光照射时 ， 会 出 现反射 、 透射现 象 ， 除此 以 外还有

一

现象是 光 的散射 

，

会 向 不 同 方 向 辐射 。 散射光 中 的 大部 分 频 率 和 入射 光相 同 ， 称 为 瑞利 散射 （ Ｒ ａｙ ｌ ｅｉ
ｇｈ





２
 第 章 绪论
一

  



Ｓ ｃ ａｔｔ ｅ ｒ
ｉｎｇ 而另 小 部 分强 度 比 瑞利 散射 弱 的 多 频率不 同 于入射 光 的 散射光 就称为


一

） ；
、 ，

拉 曼散射 即本文研 究 的另 种 分 子振 动 光谱
４］
Ｒ ａ ｍ ａｎ ｃ ａｔ ｅ ｒ
ｉｎ 
一

 Ｓ ）
［
（
ｇ ，


。

Ｒａｙ ｌ ｅｉ ｇ ｈ Ｆ ｌ ｕ ｏ ｒｅｓ ｃ ｅｎ ｃ ｅ



Ｓｔｏｋｅｓ Ａｎｔ ｉ Ｓｔ ｏ ｋｅｓ





Ｅｘｃ ｉｔ ｅ ｄ  Ｅ ｌ ｅ ｃ ｔｒ ｏ ｎ ｉ ｃ  Ｓ ｔａ ｔｅ  

个

Ｖ ｉ ｒｔｕ ａ ｌ  Ｓ ｔ ａ ｅ ｓ二
ｔ 二 二 二 二 二 二 ２  ３１  二 二 ＝ 二 

二


Ａ

Ｖ ｉ ｂ ｒ ａ ｔｉ ｏ ｎ ａ ｌ  Ｓ ｔ ａ ｔ ｅ ｓ   ＾  Ｈ Ｚ ＩＩＺ Ｉ  ｊ 

，

＊
Ｇｒｏ ｕ ｎ ｄ Ｅ
  ■




 ｌ ｅ ｃｔ ｒ ｏ ｎ ｉ ｃ  Ｓ ｔ ａ ｔｅ
；  ；

Ｇ ｒｏｕｎ ｄ Ｖ  ｉ ｂ ｒ ａ ｔ ｏｎ ａ ｉ ｌ Ｓ ｔ ａ ｔｅ



图１ ． １ Ｓｔ ｏ ｋ ｅ ｓ 、 Ａｎ ｔｉ
－

Ｓ ｔ ｏ ｋｅ ｓ 、 Ｒａｙ ｌ ｅ ｉ
ｇ
ｈ 、 Ｒ ａｍ ａｎ  和  Ｆ ｌ ｕ ｏ ｒｅｓ ｃ ｅ ｎ ｃ ｅ  产 生的 能级 图


 ．
 ？ －

 －


入射光 子 和 物 质分 子 间 发 生 的 非 弹性碰撞 产 生 了 拉曼光谱 。 不 同 的物质分子的化学




鍵 、 转 动 能级或振动 都不相 同 ， 由 此决定 了 碰撞过程 中 能量交换 的大小 ， 而 与 之相 对应 体




现 出 来 的 就是拉曼位移和 拉曼 强度 。 拉曼 位移 与 入射光频 率 无 关 ， 拉曼强度和物 质浓度 与




入射光 强 度有 关 ， 关 系 可用 式 （ １ ． ２ ） 表示 

：

／
＝
ｃ物 ／入 
ｆ （ １ ． ２ 

）

式 中 ，
／ 是拉曼 强度 ， 是 物 质 浓度 ，
Ｉ ，

． 是入射 光 的 强度 。 ＆ 是 参数 ， 通 常 仪器 的 参



数 、 光 学 参数等 会影 响 这个参数 的 大小 。 由 此看出 ， 拉曼光谱可用 于定量分析 


。

１ ． ３ 国 内 外应 用 及研 究现状



１ ． ３ ． １ 近红外光 谱 研 究 现状



分子振动光谱 般包含 关于物 质组成或性 质 的 丰 富 信息 但也会受到 嗓声 背景等



一

了 ， 、

无 关信 息 的 干 扰 所 以 用 以 建 立 定量 校正模 型 的 多 元 校正 技 术在 近红外 光 谱 分析 中 直深


一

Ｕ
受重视 ， 是分子振 动光谱分析技术 的 核心 内 容 ［
１



气

近红外光谱 分析技术是 种无损快速 方便 的 分析 方法 不需要消 耗样 品 与 特殊处理

一

， 

，

能够 实现连续分析 与 在线 监测 ， 广 泛 地应 用 于 各 种 领域 中 

。

在石油 领域 王宗 明等 使用 元线性回 归 Ｍ ＬＲ 和偏最小二乘 等化学计



２］
多 ＰＬ Ｓ
１
［
，
（ ） （ ）



３
 第 章 绪论
一

 



量方法 建立预测模型 用 来 检测 汽 油 的 辛 烷 值 年史 月 华 等 将主成分 回 归 残差



１ ３
， ， 。 ２００ １
［ ］

神经 网 络校正算 法用 于 近红外光谱 预 测 汽油 辛烷值 的 模 型 校正 ， 该 方法结合 了 主成分 


回

与 经典 的 线 性校正 方法 及非线性 预测 能力 明 显提 高 褚小立等 ４ ］

归 Ｐ Ｌ Ｓ Ｐ Ｃ Ｒ 以 ＰＬ Ｓ
１
［

， ， ， 。

采 用 支 持 向 量 回 归 的 方 法用 于 建 立 汽 油 标号 校正 模 型 ， 并证明 其预测 能 力 优于 对应 的 最小



二 乘法 。 另外 ， 文献 ［
１ ５
］
中 提 出 建立局 部 最小 二 乘支持 向 量机来 克 服参 数和 光谱数 据 间 的



非线性 ， 使模型 的 参数 对 于 不 同 的训 练 样本 具有 自 调整功 能 


。

在 其他 方 面 ，
Ｐｌ ｅ ｉ ｔ ｅｚ 等〃 于
６］
２０ 〗 ２ 年 通 过分析体 内 和 体外 的组织 液的 近红外光谱 ， 

提

出 了 结 合傅 立 叶 变 换 Ｎ Ｒ 光 谱 分析和 脉冲 量 子级 激光器 的 无损 血糖 分析 方 法 Ｉ 。 Ｗ ｉ ｌ ｌ ｉ ａｍ ｓ



〃
等 ［ ］

通 过 分析农 作物溶液 的 Ｎ Ｉ Ｒ 光谱 ， 准确 地 分析 出 农作物 中 氨基酸的组成浓度 ； 孙耀




人 对 于 茶叶 中 的各种 有 效组分浓度 的 浓度 检测 利 用 傅 里 叶 变换 Ｎ Ｒ 光谱技术

８］
国 等
１
［

，
Ｉ 

，

将 Ｎ Ｒ 光谱 分成不 同波段 Ｉ ， 分 别试验 了 相 应 的建模 效果 


。



＇

＇ 


拉 曼 光 谱 研 究 现 状
’
＇

２
？

１ ． ３ ．

由 于 拉曼 光 谱 能 够 比 较有 效 的 检 测 出 物 质 的 振 动 ， 相 比 较近红外 光 谱 ， 特 征 峰更 加 尖



锐 ， 分析灵敏 ， 对 于样本 的 要 求 低 ， 在许 多 领域 中 也逐渐得到 了 应用 


。

在石 油相 关产 品 检测 中 ， 拉曼光谱有 着很强 的 能力 。 油 产 品 主 要 是各种 复杂 的 烷烃 


、

环烷烃和 芳香烃 的 混 合物 ， 拉曼光谱 对于 这 些 基 团 非 常 灵敏 。 Ｐｈ ｉｌｉ

ｐ 等 ［
１ ］
］
运用 拉曼光谱技


＇


术测 定 了 汽 油 的 抗爆指 数 、 Ｍ ＯＮ 、 ＲＶ Ｐ 和 Ｒ ＯＮ 值 。 ：
０ ＆ 等 ［
２（ ）
］

人针 对 汽 油 牌 号 分类 时 ， 主 

成 分分析 对样本 重 叠 无 效 的 情 况 提 出 拉 曼光谱 结 合 改进 的 基于 Ｒ 权 重 的 偏 最小 二 乘 支 持


 ，

向 量机的 方法来提高 分类精度 。 国 内 近几年研 究 成果 明 显增 多 ， 王拓等 人在文献 ［

２２］
中 利用



最小 二 乘支持 向 量机建模 并开发 套在线拉曼分析 系 统 提 出 该系 统可 以 为 工艺 装置



一

， 了 ，

的 操作优化提供准确 而 重 要 的 检测 参数 

。

生物柴油 方面 ，
Ｇｈ ｅ ｓｔ ｉ
等 ［
２３ ］

人通 过拉 曼光谱 对 于 在大豆 油 和 乙 醇醋 反应 制 备 生 物柴油




过 程 中 的 大豆 油 与 乙 醋 的 混 合 物 进 行 了 定量 分析检测 。 Ｍ ｉ ｒ ａ ｎｄ ａ 等 人通过拉曼 光谱 ， 对大



豆生物柴油 中 所含有 多 种 不 同 类型 的酯 ， 以 及未知 生 物柴 油 的 组 成进行 分 析 ［

２４ ］


。

拉曼 光谱 不止广 泛应用 于石 油 产 业 ， 在 生物医药方面 ， 拉曼 光谱 能 准确 分析 出 生 物 细




胞或组织 的 结构 信 息 对诊断癌 症等 细胞结构病 变导致 的 疾病有 着重 要 意义 郭萍等



［
２５］
， 。

在 对 比 正 常 人和 不 同 部 位 患 癌 症 的 患 者 血清 的 拉 曼 光 谱 时 发现 ， 不 同于正常人 ， 癌症患者



的血清在特定波段 其 拉曼 光 谱 会 出 现 特 征 峰 而这 领域的研 究 直 在持续 Ｓ ｃ ａｌ ｆ

ｉ ｈ ａｐｐ
一
一

，
。 ，



等 研究 不 发展 阶段的 癌 细 胞的 拉曼光谱 发现从拉曼 光 谱 中 能够准确 地检测 出 癌



２７
： 了 同
［ ］
＜
，



４
 第 章 绪论
一


 



细胞 的 发展 阶段 以 及其物质结构信息 ， 拉 曼光 谱 检测 癌 细胞情况 的 灵 敏度 比 传 统 方 法更



高 

。

１ ． ４ 波长 选择意 义



在 光谱 定量分析领域 ， 随着检测 器精 度 的 不 断 提 高 ， 光 谱 仪 能采集 到 的 波长 点 越来越




密集 。
一

般情况下 ， 近红外或拉曼 等 分 子振动 光 谱 的 光谱 波长 点 能达 到 上 百甚 至 上 千个 


，

以 条谱 图 的 形 式来进行校正 分析 传统观点认 为 全光 谱 作 为 多 元校正模型 的输入会带有



一

更多 的信息 并且 良好 的 多 元校正 模 型 是 具有 抗 干扰 能 力 全光谱 会有 更好 的预测 性 能

［
２ ８］
， ， 

。

随 着研 究 深入 逐 渐发现存在 些 共性 问 题 比 如拉曼光谱信 号强度 弱 易 受荧 光 嗓声 干



一

， ， 、

扰 、 可能存 在光谱盲 区 、 原 光 谱 谱 带过 宽 等 问 题 非 常 不 适 合全光 谱 建模 ； 而近红外光谱则




存在 吸 收峰严重 重 叠 、
．

吸 收强度 弱 、 谱 带宽等 问 题 。 因 此对全光谱 进行 波长 选择 ， 选 取 适 


｜



？

合建 模 的 波 长 点 进 行 建 模校 正 是 十 分有 必 琴 的  。

Ｂ Ｍ ａｄ ｌ ｅｒ 等 ［
２ ９］
通过波长选择方法 ， 大幅提高 了 Ｃ Ｌ Ｓ Ｒ 模型和 ＰＬ Ｓ Ｒ 模 型 的 预测 能 力 

，

并数学 方法证 明 了 光谱特征波长 点 选择 的 重要性 。 ２ ＾ （ 等 ［

３ ２］
以 近红外 光 谱 为 例 ， 认为 波长



筛 选在 多 个 方 面 都有 重 要 意义 。 发现泥土 的 漫反射光谱 存 在 高 度 共线性的 问




题 ， 通 过有 序 预测 组合波长 筛 选 方 法 进行波长 点 的 筛 选 后 ， 发现 筛 选 后 的 波长 子集进行建



＇

模 预 测 效 果 均 优于 全 光 谱 波 长集 的 建模 效果 通常 个好的波长筛选 方法 筛选出优质的


一

。 ，

波长 子集不仅可 以 提 高 模 型 的预测 精度 ， 还 能 降 低模 型 的 复 杂 性 、 提高抗干扰性能 


。

世界 范 围 内 众 多 学者 已经提 出 很 多 种光谱 波长选择方法 主要分为 两类 类 是根据



一

， ：

数据本身 特 性 得 到 些 评价指标对 光 谱 波长 进 行排序 然后进行波长选 择 另 类是在对



一
一

，
；

光 谱 数 据 建模 过 程 中 ， 根据所建模型输 出 得到 光 谱 波 长 重 要 性评 价指标 ， 进行波长选择 


。

类 包括 相 关 系数法 等 类 包括 遗 传算 法 偏 最小 二 乘
３ ４］
第 第 二 ＧＡ Ｐ Ｌ Ｓ ） 变量投


一

［
３ ５
［ － － ］
： ：
，
；
（

影重要系数 Ｖａ ｒ Ｖ ＩＰ  竞争 适应 重加权采祥 法


３ ６］
（ ｉ ａｂ ｌ ｅ  Ｉｍ
ｐ ｏ ｒ ｔ ａ ｎ ｃ ｅ  ｎ  ｔ ｈ ｅ  Ｐ ｒ ｏｊ ｅ ｃ ｔ ｉ ｏ ｎ
ｉ
，
）
［

， 自

（ Ｃ ｏｍ ｐ ｅ ｔ ｉ ｔ ｖ ｅ  ａ ｄ ａｐ ｔ
ｉ ｉｖｅ  ｒｅｗ ｅ ｉ
ｇ ｈｔ ｅ ｄ  ｓ ａｍ ｐ ｌ ｉ ｎｇ ，
Ｃ ＡＲ Ｓ  ）
［
３ ７
］
和无信息变 量消 除法 （ ｅ ｌ ｉ ｍ ｉ ｎ ａ ｔｉ ｏ ｎ ｏ ｆ



ｕ ｎ ｉ ｎ ｆｏ ｒ ｍ ａ ｔ ｉ ｖ ｅ  ｖ ａ ｒ
ｉ ａｂ ｌ ｅ ， 
ＵＶ Ｅ 〉
［
３８ 】

等 

。

１ ． ５ 本文 主 要 内 容



随 着 多 元校正 技 术 的 快速发 展 ， 分 子振动光谱广 泛应用 于 多 种领域 当 中 。 但是 由 于光






５
 第 章 绪论
一

 



谱分析技术是 种 间 接分析技术 依 赖于化学计量 学 的 发展 好 的 模 型 以 及好 的 波长 选择



一

， ，

算 法 对 于 光 谱 分析 技 术 的 应 用 效果 有 着 非 常 重 要 的 影 响 本 文在研读 前人在这 方面的



一

。 了

研究成果后 ， 结合 Ｖ Ｉ Ｐ 值和 粒子群算 法 ， 探索 了 多 种 波长 选择算 法 ； 在 定量 分析模 型 方 面 


，

研究 了  Ｃ ＮＮ 应 用 于光谱数据分析 ， 以 及 局 部 建模 结 合新 波长 选 择 方 法 等 

。

在第 章 中 主要介绍 了 分子振动 光谱 的 历史与 发展 包括 近红外 光谱 和 拉 曼 光谱 的



一

， ，

原理 光谱 分析 作 为 无损 在 线分析技 术 的 广 泛应 用 国 内 外对这 块的研究进展情况

一

，
、 ， 

；

分子振动 光谱波长选择算法 的必要性 发展情况 国 内 外对这 技术 的 研 究现状 等

一

、 ，


。

在第 二 章节 中 ， 主要介绍 了 光谱 分析 中 涉及 到 的 主 流 的 化 学计 量 方 法 。 光谱 分析 的 主



要 步 骤 有 数据预 处 理 、 波长 选 择和 多 元 校正模型 三 个 部 分 》 对光谱样 本 需 要进行祥本选择




以及预处理 。 样本 选择 中 包括异 常 样 本 处理和样本划 分校 正 集 和 测 试集 。 常用 的数据预处




理 方法有 归 化 标准化 中 心化 平 滑算 法 导数算 法和基线校正 等 化学计量学 当 中



一

、 、 、 、 。

应 用 较 多 的 定 量 回 归 模 型 有 多 元 线 性 回 归 法 ＭＬＲ ） 主成分 回 归法 偏 最小
＇

（ 、 （ ＰＣＲ ） 、


二

乘法 最小 二 乘支 持 量机 回 归 Ｌ Ｓ ＳＶ Ｍ ） ／ 局 部建模等 应用 较 多 的波长 筛选 方


…

（ ＰＬ Ｓ ） 入 向 （ ；

法有 间 隔偏最小 二 乘 、 遗传算 法 、 变 量 投影重要 系 数等 。 同 时 ， 还介绍 了 粒 子群 优 化 算 法




的基本原理 。 最后 介绍 了 模 型 的 评 价指标 ， 如 ＲＭ Ｓ Ｅ Ｃ 、 ＲＭ Ｓ Ｅ Ｃ Ｖ 、 ＲＭ Ｓ Ｅ Ｐ 和 Ｒ２ 

。

本文 的 第 三章 主 要研 究 波长 选择新 方 法 。 在第三章 中 ， 提出 了 新 的面 向 于分子震 动 光




谱特征波长 点 选择方法 ， 结 合了 粒子群算法与 变量投影重要性系 数 Ｖ （

Ｉ Ｐ） ， 从基本粒 子群



算法 ， 到 结 合 Ｖ Ｆ 系 数 的 粒 子群算 法 Ｉ ， 结合 Ｖ Ｉ Ｐ 的 自 适应粒 子群算法 以 及结合 Ｖ Ｉ Ｐ 的 


间

隔偏最小二乘 自 适应粒子群算 法 ， 多 种 算法 层 层 推进 ， 适用 于不 同 的 情况 ， 并且有着更高




的稳定性 。 首 先 本文将基本 二 进 制 粒 子群算 法 （

ＢＰ Ｓ Ｏ ） 的 细 节 改进 ， 并 将其应用 于 近红外光



谱 进行 优 质 波长 点 筛 选 算 法 的 过 程 与 应 用 结 果 。 为 了 更 好地 收敛于 更优 的极值 点 ， 设计 用



Ｖ Ｐ 系数来为 ＢＰＳＯ 算 法指 引 个更好的 方 向 称为 Ｂ Ｐ Ｓ Ｏ Ｖ ＩＰ 算法 不管是 ＢＰ Ｓ Ｏ 还是



一

Ｉ ， 。
＿

Ｂ Ｐ Ｓ Ｏ Ｖ ＩＰ ＿
算法 ， 结 果都有 较大 的 随 机波长 ， 因 此在设计 了
一

个光谱 波 长 点 表现评分 方案 

，

用 于在多次重复 Ｂ Ｐ Ｓ Ｏ Ｖ ＥＰ ＿
算法时 ， 根据训 练 集和 验证集 的 误 差 来 评 估 波长 点 的 表现得



分 另 方面 基 本 二 进制 粒 子群算 法 学 习 速 率难 以控制 粒 子群 收敛快 容易 陷入局 部



一

。 ， ， ，

最优 点 中 很难跳 出 ， 在第三章 中 提 出 基于新的 Ｖ Ｉ Ｐ 值的 自 适 应 粒 子群 算 法 （

ＶＡ Ｐ Ｓ Ｏ ） ， 该算



法较之前 能够寻找到 更优 的 波长子集 ， 并且速度 更快 。 最后 ， 提出结合 间 隔偏 最小 二乘 的




ｉ ＶＡ Ｐ Ｓ Ｏ 算法 ， 通过减少迭 代 中 粒 子长度 ， 以较少 的时间 即 可达到较 高 、 并且 更 稳定 的 预




测性能 ， 其次 ， 也可 以 通过循环评估来筛 选 出 更优的波长 子集 


。

本文 第 四 章 节 主要探 索 更优的 分 子振动光谱 定量 分析模型 。 在本章 中 ， 选取 了 传统的





６
 第 章 绪论
一






多 元校正模 型 （ Ｐ ＣＲ 模型 、 ＰＬ Ｓ 模型 、 Ｌ Ｓ Ｓ ＶＭ 模型 ） 、 深度 学 习 领域常应用 于 图像 领域



的 Ｃ ＮＮ 模型 ， 以 及基于不 同 相 似性的局 部模型进 行对 比 。 其 中 Ｃ＿ 常用 于 图 像分类 、 


图

像分割 等 技术 中 拥有着 出 众 的 图 像识别 能力 我 们 的 光 谱 数据 虽 然是 维 数据 但也同



一

， 。 ，

样拥有 类 似 于 图 像 的 性质 。 除此 以外 ， 由 于分子振动光 谱数据 常 常用 于训 练 的校正 样本分




布广 泛 ， 因 而 导 致对 于 单 个 测 试 样 本 的 预 测 结 果 不 是很 理 想 。 因 此本文尝试 了 基于欧 氏距



离为 相似性 ， 基 于 净信号 为 样本 相 似 性度 量 ， 和 基 于 光 谱 信 息 散度 作 为 相 似 性度 量 三 种 局



部模型 最后 在 比较三种 不 同 局 部 模型 的结 果后 选取 种相似性 函数 结合 Ｖ 


适
一

。 ， ， ，
Ｉ Ｐ 自

应 粒 子群 算 法 ， 进行波长 子集 以 及样本 子集 的 筛选 ， 提 出 结合局部模型 的 Ｖ ＩＰ 自 适应粒子




群算 法 （ Ｌｏｃ －

ＶＡ Ｐ Ｓ Ｏ ） 方法 。 该方法耗 时 短 ， 效果 比仅用 局 部模型 更加好 ， 在 分子振动光




谱 定量 分析领 域有着很好 的 前景 

。

在第五章 中 ，
主 要研 究 前 文提 出 的 多 种 不 同 的 新 波长 选择 算 法 以 及新 定量 分析模 型 应



用 于 检 测 生 物柴 油 调 和 油 的调 合 比
：

。 对 于 所 获 得 的 调 和 油 样本 分别 检测 近红外光 谱 和 拉曼



光谱 ， 获 得光 谱数据 ， 并 分 别 进行 光 谱 数 据 预 处 理 、
光谱定量模型选择 ， 以及特征波长 点



筛选 。 然后 ， 将第 三章 、 第四章 中 所 提 出 的 多 种 光 谱 特征 波 长 筛 选 方 法 （ ＶＴＰ 自 适应粒子




群算法 、 结 合 间 隔偏 最小 二乘 的 Ｖ Ｉ Ｐ 自 适应 粒 子群算 法 、
波 长 表现 得 分 评 估 方 法 ） ， 新的



定量 分析模 型 （ Ｃ ＮＮ 模型 、 基于不 同 相似性 的局 部模型 ） ， 以及结 合局 部模 型 的 Ｖ ＩＰ 自




适应 粒 子群算 法应 用 于 处理好 的 分 子 振 动 光 谱 数据 。 实验结果表 明 ， 本 文 提 出 点 的 特 征 波 


．

长 点 筛 选 新 方 法 以 及 新 光 ｉ普 定 量 分 析 模 型 应 用 ， 在提高生 物柴油调 合 比检测精度而 言 ， 


有

着很好 的应用 效果 ， 提 高检测 精度 、 降 低计算 复杂 度 方 面 也表现优秀 。 该方法相 比较与 前




人关 于 生 物柴 油 调 合 比 的 检测 方 法 ， 拥有检测费用 抵 、
快速 筒 便 、 检测 精度 高 ， 效果好等



优点 ， 拥有 很好的应用 前 景



在第六章 中 ， 对于本文提 出 的 多 种算法进行 了 优缺点 总 结 ， 并分析 了 未来 的应 用 方 式




以 及 改进 方 向 

。



７
 第 章 绪论
一








８
 
第二 章 分 子 振动 光谱 技 术 中 化 学 计 量 方 法 



第 二章 分子振动 光谱技术 中 化学计量方法




２ ． １ 引 

言

化 学计 量 学 方法对 于 分 子振动 光谱 定量 和 定性分析 的 广 泛应 用 有 着 非 常 重 要 的 作用 


，

根据待测 样本 的 性 质 ， 不 同 的模 型 适 合 不 同 的 样本 进 行数据 分析 ， 选择合适 的 化 学计 量 学




方 法 是 非 常 关 键 的 步 骤ｗ 

。

分子振动光谱 般包含 关于物质组成或性质 的 丰 富 信 息 但在分子振动 光谱测量过



一

了 ，

程 中 ， 常 常 会 受 到 高斯 噪声 、 散 粒 噪声 、 荧 光 干扰 等各种 噪声 干 扰 。 因此对于样本 光谱进




行预处 理 ， 去除 噪声 、 提高信噪 比 ， 对 于 之 后 的 光谱 数据建模预测有 着很 重要 的 影响 。 


在

莸得 系 列 样本之 后 常 见 的 处 理手段 有 异 常样 本 分 析 数据集划 分 标准正 态变 换

一

： 、 、 

、
，

基线 校正 、 平 滑 滤 波等 

。

光谱 的 波长 范 围 选择也是非 常 重要的 。 常 见 的 波长 选 择 方法 为 相 关 系 数 法 ， 能够直观




的给 出 信息 最 丰 富 的 光谱 区 间 ； 其他方法如遗传算法 ， 往 往 能 够 得 到 更好 的 校正和 预测 结



果 ， 但是其参数 的 选择较 为 复杂 ， 计算量 也较大 


。

．
除 了 上述光谱 预处理技术与 波长选择 以外 ， 定量 分析模 型决定 了 光谱 的 实 际校正 、
．


预
＇ 

＇

测能力 ， 在实际选用 时 ，
．

需 要根据具体 问 题 ， 选 择 模 式 识 别 或 机器 学 习 方 法还 是 多 元校正

方法 在选择是 线 性校正 方法 还是非 线性校正方 法 如 Ｌ Ｓ Ｓ ＶＭ 等 其 见的 多

４］
，
（
ＰＬＳ ） （ ）
［
。 中 常 


元校正方法包括 ：
多 元线性 回 归 、 主成分 回 归 、 偏 最小二乘 回 归 、 支持 向 量 回 归 、 神经 网



络等 ； 而 模 式 识 别 方 法 包 括 聚 类分析 、 相 似度 分析 、 线性判别分析等 

。

本章 的 主要研究 内 容 即 为 分 子振动 光 谱领 域主 流 的 光谱 预处 理 技 术 、 光谱 范 围 选择 

、

多 元校正 方法 与模式识别 方 法等化学计量 方法 


。

２ ２
．
光谱 样本预处理技术



２ ２
． ． １ 异 常样本处理



当 我 们在测量分子振动光谱数据 时 有 两个重要步骤 其 是样本 数据 的测量 其二



一

， ， ，

是校正样本光谱 的 获取 。 在这 两 方面的操作 中 都可能会 因 为 人为 操作失误 ， 或是测量方法




使用 不 当 ， 或环境 因 素 等影响 而 产 生异 常样本 。 常 见的异常 样本筛选 方 法有 以 下 几种 


：



９
 
第 二 章 分 子 振动 光 谱 技 术 中 化学 计 量 方 法 



１ 、
Ｃｏ ｏｋ 距离



Ｃ ｏ ｏｋ 距离度量 剔 除样本 对整 个模 型 的 变 化影 响 程度 假如针 对 某 个样本 剔 除 前



一

了 ：

后 进行 建模 ， 前 后 建模 的 结 果 以 及模 型 系 数差 异较 大 ， 那 么该样本 为 异 常样本 的概率 也较




大 

。

２ 、
马 氏距离



与 Ｃ ｏ ｏｋ 距离 相 比 ， 马 氏距离 比较 筒 便直接 ， 其 度量 标准 为 某 样本 的 光谱 数据 与 所有



样本 光 谱 数据平均 值 的 差值 

。

３ 、
依据杠杆值和 学 生 化残差 识别 异 常 样 本



在多 元 回 归模型 分析 中 ， 帽 子矩阵的对 角 线 上 的元 素 表示该样 本 的 杠杆值 （ Ｌ ｅｖ ｅ ｒ ａ ｇ ｅ ） 


。

杠杆值 结 合 学 生 化 残差 可 以 综 合评估单 个样本 性 质矩 阵 的 预测 能 力 。 若样本 的 学 生化残差




和 杠杆值都 很大 ， 该 样本 即 为 潜 在 异 常 样本 

。

为 了 防 止对 潜在 异常 样本的 错误判 断 ， 通 常 需 要 对判 断 结 杲进 行验证 ， 采用 留 一

法交


’

叉验证 根 据 交 叉验证结 果来 判 断 是否 要 剔 除 该 样 本


■

，
。

２ ２ ２
． ．

数据集划 分方 法



校正 样本 的 采样 要遵 循 以 下 几 个 要 求 是校正 样本 的 样本性 质 是均 匀 分布 的 二 

是
一

， ；

如 果 样 本有 多 重 形 式 ， 校正集 要囊括所有 形 式 ；
三 是校正 集 中 样本 的 数量 不 能 过少 也 不 能



过多 ， 否 则 无 法 精准衡量 模 型 的 预 测 性 能 。 当 采集 的样本 中 待测 目 标数值 分 布 不均 匀 时 


，

按 比 例 采 样 则 不 够 科 学 ， 这 时采用 Ｋ －

Ｓ 方法 ＇ 不考虑 待测
ｆ
３
目 标值 ， 只 考虑 样 本 的光谱数



据 ， 根据不 同 样本光谱数据的 欧式距离 进行划 分 


。

为 了 验证算 法 的 有 效性 ， 本文将所获 取 的数据集划 分为 校正集 与 测 试集 。 用 校正 集训




练模型 ， 并 应 用 于 测 试集 上 评 估 模 型 泛 化 能 力 。 另 外在训 练 的过程 中 ， 将校正 集 以 ７ ： ３ 


的

比例 划分为 训练集 、 验证集 ， 用 于 波 长 选 择 算 法 评 估模 型 的 拟 合 能 力 与 预 测 能 力 


。

２ ２ ３
． ．

基线校正技术



由 于存在暗光谱 、 荧光 干扰 等 问 题 ， 需 要 对光谱进行基线 校正 。 常 用 的基 线校正方法




有 多 项 式 曲 线拟合基 线 校正 、 不对称 最小二乘等 。 基于最小 二乘 的 多 项式迭代 拟合基 线 校




正 比较简 单常用 缺点 是迭代 次数和 项 式 阶 数 需 要 多 次 调 整 参 数 得 出 最 佳 拟 合 效果

４
多
１
［ ］

， 

。

不 对称 最小二 乘 结合 不 对 称 加 权和 惩 罚 最小 二 乘 方 法 两 者 能 够快速 去 除光谱 背 景

４２ ］
了
［

， 

，

但 同 样也存 在 参数设置 问 题 ， 容易 出现谱 图 失真 


。

１０


 
第 二 章 分 子振动光 谱技术 中 化学 计量方 法 



２ ２ ４
． ．
平滑算法



分子振动光谱 的测量过程 中 会 包 含光谱 仪 的 暗 电流和 随机噪声 ， 会 对光谱 定量 分析模




型产生 定的 干扰 平 滑 去 嗓算 法 能有 效消 除 噪声 干扰 和 毛刺
一

。 

。

常 用 的 信号平滑方 法 包括移动平均平滑 、 Ｓ ａｖ ｉ ｔｚｋｙ －

Ｇｏ ｌ ａ
ｙ
（ Ｓ －

Ｇ ） 卷积平滑 。 Ｓ －
Ｇ 卷积



平 滑方法是 对移动 窗 口 里 的数据进 行 多 项 式 最小 二乘拟合 ， 即 对不 同 的 波长 点 赋 予 不 同 


的

权值然后 统计平滑后 的平均值 。 该 方 法计算速度快 ， 但是多 项 式 阶次以 及窗 口 大小 选择不




当 容 易 导 致平 滑 过渡 信号失真 移动 平 均 平滑是在 定宽度 的 窗 口 内 对窗 口 内 的测量



一

、 。 ，

值取平均值来作 为 窗 口 中 心点平滑后的值 ， 代替原测量值 。 因此 同 样也存在 窗 口 大小 的选




取问题 ， 窗 口 过 大 会造 成 丢 失 高 频信 息 ， 过小则 平滑效果不好 


。

２ ２ ５
． ．
标准正 态 变 换



标准正 态变 量 变换 ＳＮ Ｖ 用 于 消 除样本颗粒大小 不 表 面散射 光程变 化等 因

４４ ］


一

）
［
（ ， ，

素 对近红外漫反射光谱 产 生 的 影响 。 对 于 光 谱 矩 阵 尤 ％  ＳＮＶ 的 计 算 方 法 扣 下 

：

 ？ 
？

 ＿ 
？
 

＊

（ ２ ． １ 

）

ｓ
＇

ｔ ｄ（Ｘ ）

 ｔ

表示第 ／ 条 经标准 正 态 变 换 后 的 光 谱 ， 而ｉ 和 ．

，
幻 奸抑 分 别 是 第 ／ 条光谱 ｘ 的 平 均



值和方差 

。

２ ３
．
定量 分析建模方 法



在 光谱 数据分析 中 化学计量 学 方法是 种 必 需 的 数据 处 理技 术 正确 的定量模型建



一

， ，

立 ， 能够更加准确地预测未知样 本性 质 ， 或组成 成分 ， 拥 有 更好 的 鲁棒性和 稳健性 。 定量




模型分为 线性 回 归 模型和非线性 回 归模型 ， 前 者 包 括 Ｍ ＬＲ ， 要求 自 变 量必须相 互独立 


。

但是光谱 中 存在
一

定程度 的 多 重共线性 ， 由 此 ＰＣＲ 、 ＰＬ Ｓ 得 以 发展 。 非 线性模 型 应 用 广 泛 


，

包括神经 网 络 ，
Ｓ ＶＭ ，
Ｌ Ｓ Ｓ ＶＭ 等 

。

常 见 的 光谱 分析技术定 性 或 定 量 分析 的 流程 如 图 ２ ． １ 所示 

。

Ｉ   ｉ
  ［

：
光 谱数据 输 入 Ｈ 预 处 理  特 征 信 息 提 取 —

？
（
训 练结 果


）

Ｌ  
Ｊ  ：  ｉ
 ｉ

 


？

‘

反馈 优 化参 数



１ １


 
第 二 章 分 子 振动 光 谱 技 术 中 化 学 计 量 方 法 



图 ２ １ ． 分 子振 动 光 谱 定性 或 定量 分析流程



２ ３
． ． １ 多 元 线 性 回 归 Ｍｕ （
ｌｔ ｉ ｉ ａｔ ｅ  Ｌ ｎ ｅ ａ ｒ
ｖ ａｒ ｉ  Ｒ ｅ ｇｒｅ ｓ ｓ ｉ ｏｎ ，
ＭＬＲ 

）

ＭＬ Ｒ 是最 简 单也是最 常 见 的 回 归 模型 求解模 型 的 方 式是最小 二 乘法 当 存在 


个
一

， 。

光 谱数据集矩 阵 不 ｘ
ｐ （ ｎ
－

样本 个数 ；
ｐ
－

波长 个数 ） ， 以 及 需 要检测 的 目 标变量 ｙ？ ｘ ／ ，
ＭＬＲ



模 型 的数学表达式如公式 ２ ３ ． 

：

Ｙ 
＝
 ＸＢ ＋ Ｅ  （ ２ ２ ．


）

其 中 ， Ｂ 是模型 的 回 归 系 数 ， 而 Ｅ 是误差 向量 

。

２ ３ ２
． ．
主成分 回 归 （
Ｐ ｒｉｎ ｃ ｉ ｐ ａ ｌ  Ｃ ｏ ｍｐ ｏｎ ｅ ｎ ｔ Ｒ ｅ ｇ ｒ ｅ ｓ ｓ  ｉ ｏｎ ， 
Ｐ Ｃ Ｒ）



ＰＣＲ 实 际是主 成分分析 （ Ｐｒ

ｉ ｎｃ ｐ ａ ｉ ｌ Ｃ ｏ ｍ ｐ ｏ ｎ ｅｎ ｔ Ａ ｎ ａ ｙ ｓ ｉ ｓ Ｐ Ｃ Ａ  ｌ
，
） 与 Ｍ ＬＲ 的 结 合 ， 求解



过程 中 ， 首先对光谱 数据 进 行分解 ， 获得最 能代表原 光谱里 大部分信息 ， 并且互 相正交 的




少 量 几个主 成分 ， 然后建立这些 主 成分和 检测 目 标 向 量 间 的 ＭＬＲ 模 型 。 光谱 矩 阵 Ｘ ？ ｘ

ｐ 

经

．
ＰＣＡ 分解后 ， 可 以 得 到 如 下 的 表达 式 

：

Ｘ ｍ
ｐ
＝
Ｔ＿ Ｐ
二＋Ｅ 

”  （ ２ ３ ． 

）

其 中 ， 乃＃ 是 主 成 分矩 阵 ， 是载荷 矩 阵 ，
ｍ 是 Ｐ ＣＡ 分解后 的 主 成 分个数 ， 尽％ 是残差



矩阵 

。

ＰＣＲ 有
一

个局 限 ： 主成分求解过程 中 仅仅只 考 虑 分 解 了 光谱 矩 阵 ， 并没有 考 虑 检 测 


目

标 向量 ， 因 而 也无 法 保证分解 得到 的 主 成 分 与 检测 目 标的相 关性 

。

２ ３ ３
． ．

偏 最小 二 乘 回 归 （ Ｐ ａｒ ｔｉ ａ ｌ  Ｌ ｅ ａｓ ｔ  Ｓ ｑ ｕ ａｒｅ  Ｒｅ ｇｒｅ ｓ ｓ ｉ ｏｎ ，
Ｐ Ｌ Ｓ Ｒ ）

ＰＬ Ｓ 是 Ｓ ． Ｗｏ ｒｄ ［
４４］
提 出的
一

种 多 元校正技术 ， 也是 目 前近红 外光谱 分析 中 应用 最为 普




遍的 种 定量 分析模 型建立 方 法 偏 最 小 二 乘 法 可 以 认 为 是 Ｍ ＬＲ 以及典型相

４５ ４ ６］
Ｐ ＣＡ 

一

［ ，

。 、

关 分析 三种思 想 的 组 合 ， 也属 于 因 子分析方法 。 ＰＬＳ 在 建模 过 程 中 ， 与 ＰＣＡ 方法相 同 


，

对 光 谱 矩 阵进行 分解 ， 提取 出少 数几个互不相 关的 变 量 ， 并拥 有 原 光 谱 的 大部 分信 息 ， 

称

之为 潜变 量 ， 也可称 为 主 元 个数 。 但是与 ＰＣＡ 不 同 的是 ，

ＰＬＳ 不仅提取光谱 矩阵 的 主 成



分 ， 还 需 要 提 取检测 目 标的主成分 ， 在提取潜 变 量 的 过 程 中 要使提取 出 的 潜变 量 与 检测 


目

标变量 间 的 协 方差 最 大化 ， 这 就保证 了 两 者 提 取 的 主 成 分有 最 大 的 相 关 性 。 ＰＬＳ 方法是




ＰＣＡ 方法的进 步 改进 在很多 应用 中 结 果证 明 偏 最小 二 乘 回 归 优于 主 成分 回 归

一

， ， 

。

ＰＬ Ｓ 模型建立时 ， 要分别 对样 本 的光谱矩阵 和 目 标 向 量 Ｆ？ ｘ ； 进 行 主 成 分提取 


：

ｔ
Ｘ 
＝
 ＴＰ  ＋  Ｅ （ ２ ４ ．


）

Ｔ
Ｙ 
＝ ＵＱ  ＋ Ｆ （ ２ ５ ．


）

１ ２



第 二 章 分 子 振 动 光谱 技 术 中 化 学 计 量 方 法 



其 中 ，
Ｔ 和 Ｐ 分别 是光谱矩 阵 尤 ｘ
ｐ 的 得 分矩 阵 和 载 荷 矩 阵 ；
Ｕ 和 Ｑ 分别是检测 目 标 向 

量

的得 分矩 阵和载荷 矩 阵 ；
Ｅ 和 Ｆ 分别是 和 的 残差 矩 阵 

。

２ ３ ４
． ＿
最小 二 乘 支持 向 量机 （
Ｌ ｅ ａ ｓ ｔ  Ｓ ｑｕ ａ ｒ ｅ －

Ｓｕ
ｐｐ ｏ ｒ ｔ
 Ｖｅ ｃ ｔ ｏｒ  Ｍ ａｃ ｈ ｉ ｎｅ ，
Ｌ Ｓ Ｓ Ｖ Ｍ ）

支持 向量机 （ Ｓ ＶＭ ） 是由 Ｖａｐ ｎ ｉ ｋ 等 提 出 的模式 识 别 方 法 ， 主要针对 小样本 、 非线性




以 及 高 维数据的分类 、 预测 问 题 ， 能 够 很 大 程 度 上 克 服 人 工 神经 网 络 的 收 敛 困 难 和 结 果 不



稳定的 问 题 在此基础上 等
４７］
提 出 了Ｌ Ｓ Ｓ ＶＭ 用 组线 性 方程 最优化组 问 题代


一

。 ３ １７ ＾ １ １１ ５
［

替 了  Ｓ ＶＭ 中 繁琐 的 二次规 划 问 题 ， 很大程度 上 降低计 算 复杂 性 ， 提高 了 模型泛化能力 


。

２ ３ ５
． ．
局 部 建模策略



局 部 建模策略 与 线性 回 归 摸型 （ 如 ＰＬ Ｓ 模型 ） 相 结 合用 以解决 因 样本 间 差 异过 大 而 引



＿
起 的非 线性 问 题 局 部 建模 策 略 的 核 心 思 想 是从 众 多 样 本数据 库 选择 与 前的


４
ｆ
。 ， 中 ， 当

待测 样本 最相 似 的 部 分校Ｉ样本 ， 然 后 由 这组样 本经 过 统计 分析或者 多 元校正方法得 到 结




果 。 根 据 这 些 局 部 校 正 子集 建 立 局 部 的 回 归 模型 ， 用 此模 型 来对 预 测 未 知 样 本 ［
４ Ｓ］
。 


－

２ ４
．
波长 选择 算 法



近 年来 随 着 光谱 检测 仪器 的 精度 不 断提 高 光 谱 仪 能 够采 集 到 越 来 越 密 集 的 光 谱
， ， 图 

。

在通 常 情况下 ，
近 红 外 光 谱 或 拉 曼 光 谱 数 据 会 有 几 百 至 几 千 个 波长 点 组 成 光 谱 图 。 过 去认



为 全光谱拥有更 多 的信息 而 且 常 见 的 多 元 校 正 模 型 是 具有 定 的抗干扰 能力 此全



２８
因
一

［ ］

， ，

光 谱 作 为 输 入 会有 更 好 的 预测 性 能 。 但是 随着 研 究 深入 ， 逐 渐发现近红外光 谱 存 在 严 重 的



吸 收 峰 重 叠现 象 、 光谱 吸 收强度较弱 、 原 光谱谱 带过 宽等 ；
而 拉曼 光谱信号 强度 更 弱 、 

很

容 易 受 荧 光噪声 的 干扰 、 同 样存 在谱 带过 宽 等 共性 问 题 。 由 于上述 原 因 ， 全光谱 会存在高




度共线性的 问题 ， 影 响 模 型 預测 能 力 。 因 此对全光谱进行波长选择 ， 剔 除冗余波长 点 ， 


选

择合适 的 波长 子集 进 行 建模校正是 十 分有 必 要 的 

。

常 见 的波长 选 择过 程见 图 ２ ２ ．

所示 

。

建旦 分析
．
 
校正集１
｜ 
 预 处 理 Ｈ  波 长 选 择  ｈ
一
？
－
，
一
＾
：
－ －
：


§｜ ？ 、、
二
训 练结 果
一 

乂 


）



－

（
获取 光谱
     

ｒ  

ｔ

预 处 理 波长 选 择 Ｉ


预测



图 ２ ２ ．
分子振动光谱定量分析过程



１３


 
第 二 章 分 子 振 动 光 谱技 术 中 化 学 计 量 方 法 



２ ４ ． ． １ 间 隔 偏 最小 二 乘 波长 选 择 （
ｉ ｎ ｔ ｅ ｒｖ ａ ｌ  Ｐ Ｌ Ｓ ， 
ｉ ＰＬ Ｓ


）

间 隔偏 最小 二 乘 波 长 选择方法 是对波长 区 间 进 行 选 择的 方 法 。 首先将 全光 谱分为 宽度




相等的多个区间 间 隔 ， 在每个 区 间 间 隔上都分别 对 区 间 内 的波长 点建立 ＰＬ Ｓ 模型 ， 最后将




表现 最好精 度最 高 的 ＰＬ Ｓ 模型对应 的 区 间 间 隔 里 的 波长 点 作 为 最终选择的 特 征波长 而 间


 ，

隔组合 波 长 选 择方 法则 是选 择若 干 表现最好 的 间 隔 作 为 最 终选 择 的 特征波长

５２
ＰＬＳ ［ ］


。

２ ４ ２
． ．
遗传算法 （ ｇ ｅｎｅ ｔ ｉ ｃａ ｌ
ｇ ｏｒｉ
ｔ ｈｍ ， 
Ｇ Ａ ）

遗传 算 法 受达 尔 文物 竞 天择理论 的 启 发 是 种 随机优化算 法 ＧＡ 算法将波长 的 筛



一

， 。

选抽 象为 优化 问 题 ， 是对 光谱 波长特征 点 的 筛选 ， 而 不是特征段 的 筛 选 ， 主 要步骤分为 初




始化 、 选择 、 遗传 、
交叉 、
变异 ［
３５ ］
。 基本 方法 为 初始化 一

个种群 ， 计 算 每个个 体 的 适应 度



函数 ， 采用 轮盘赌转法选 择 ， 采 用 交叉产 生 新的 个体 ， 采用 变 异防止 陷入局部 最优 。 到迗




最大迭代次数后 ， 迭代终止 ， 计算每个波长 点 的贡献值 ， 排序 后依次剔 除贡献值较小 的 波 


．

长 点 进行建模 ， 直 到 达 到 最 优 模 型为 止 

。

２ ４ ＿ ． ３ 竞争 自 适 应 重加 权采样 法 （
Ｃ ｏ ｍｐ ｅ ｔｉ ｔｉ ｖ ｅ  ａ ｄ ａｐ ｔ ｖ ｅ ｉ  ｒ ｅｗ ｅ ｉ
ｇｈｔ ｅ ｄ  ｓ
ａｍ
ｐ ｌ ｉ ｎｇ ， 
Ｃ ＡＲ Ｓ ）

ＣＡＲ Ｓ 是 以 竞 争 的 机制 ， 通过 自 适应 重加权采 样法选择 出 ＰＬＳ 模型 中 重要的波长点 


，

以 交 互 验 证 结 果 为 标 准 选 出 ＲＭ Ｓ Ｅ Ｃ Ｖ 最 低 的 子 集 。 其 中 ， 重要波长衡量指标为 ＰＬ Ｓ 摸型



系 数的绝对值 ， 竞 争 的 方式 为 进行 多 次蒙特卡罗 筛选 。 初次筛 选 时 ， 从校正集 中 选出固定




比例 样 本 进 行 建 模 第 二轮筛 选时为逐 剔 除评估

３ ７
最 后 选择 ＲＭ Ｓ Ｅ Ｃ Ｖ 最小 的 子 集 为


一

［ ］

， 。

选择 的 样本 子集 

。

２ ４ ４ ． ．
变 量 投 影 重 要 系 数 Ｖａ ｒ
ｉ ａｂ （
ｌ ｅＩｍ
ｐ
ｏ ｒ ｔ ａｎ ｃ ｅ  ｉ ｎ  ｔ ｈ ｅ  Ｐ ｒ ｏ ｅ ｃ ｔ ｏ ｎ
ｊ
ｉ
， 
Ｖ Ｉ Ｐ ）

Ｗｏ 等在 模 型 的 基础 上 首先 提 量投影重 要性
４ ４］
Ｓ  ． ｌ ｄ ［
ＰＬ Ｓ 出 了 变 （ Ｖａ ｒ
ｉ ａｂ ｌ ｅＩｍ
ｐ ｏｒ
ｔ ａｎ ｃ ｅ ｉ 

ｎ

Ｖ Ｐ 这 概念 认为 变量的 Ｖ Ｐ 值 可 以 体现 出 变 量 在对 因 变 量 预测 中
一

ｔ ｈ ｅ Ｐ ｒ 〇ｊ ｅ ｃ ｔ 〇 ｎ ｉ
，
Ｉ ） ， 自 Ｉ 自 


起到 的作用 ， 自 变量的 Ｖ Ｉ Ｐ 值越大 ， 说明该 自 变 量 对于 因 变 量 的预测就越重要 ， 反映 了 波




长 点 的 重要 性程度 

。

第 Ｊ 户 （ １ ，
． ． ．
，
ｐ ） 个波长 的 变 量投影重 要性系数 （ ＷＰ ） 的计算表迗式如下 式 

：

（
２ ６
－



）

Ｖ  ’ ｆ ＝


ｉ

式中 ，
你？ 和 １ 分 别 是 模 型 系 数矩 阵 ｆ Ｆ 及得分矩 阵 ｒ 的第 ａ 列 ，
％ 是矩 阵 ０ 的 第 ａ 个元素 

。

是第 ＿ ／ 个波长在 中 的权重值 ， Ｇ 是 由 全部 波 长 线 性 组 合 构 成 ， 可 用 来对样本性质 矩




阵 ： Ｔ 进行直接预测 可 以 看 出 第ｙ 个波长是通过前 ， Ｊ 个潜 变 量对样本性质矩阵 ７ 进行解释 


。

１４



第二 章 分 子 振动 光谱技术 中 化 学 计 量 方 法 



公式 （
２ ７
．

）
中 ，
９ Ｊ
反映 了６ 对样本性 质矩阵 Ｆ 的 解释 能力 ， 因 此可 以 分析知 ， 若 ９ 乂＾ 较

 。

大 ， 即此时 ４ 对样本性 质 矩 阵 ７ 的预测 重要性较高 ， 而若 也较大 ， 则反映第 ／ 个波长




在计算 ＆ 时起 到 较重要 作用 ， 表示第 ｙ 个波长对 于模 型进行预测重 要程度高 


。

由 于所有 波长 点 变 量投影 重 要 性 系 数平方 的均值 为 １ ， 有 学者提 出 采用 Ｖ Ｉ Ｐ 值作为 波




长 点 的 重 要 性指标 ， 依此筛 选 出 特 征 波长 ， 剔 除不 重 要 的 波长



２ ５
．
基本粒 子群算 法



较早 的 时候 根据鸟群飞行行为 ， ，
Ｒ ｅｙｎ ｏ ｌ ｄｓ 提出 了Ｂ ｏ ｄ ｉ
模型 。 受此模 型 启 发 ，
Ｋ ｅｎｎ ｅ ｄ ｙ



和 Ｅ ｂ ｅｒｈ ａ ｒｔ 发现鸟 群在飞行 中 有规律 的排成 队列 ， 例如 ， 每只 鸟 不断地改变 自 身 的方 向 


和

姿态 ， 通过 自 身 的 位置和 速 度 与 整个 队 列 进行对 比 ， 进而调整 自 己 的 位置和 速度 ， 使得个




体保＃最优 于 年提 出 了 种新 的群智 能算法 粒 子群优化算 法 ＰＳ Ｏ

５５］
一

， １ ９ ９５ 
—

（ ）  ［



。

在粒 子群算法 中 ， 每 一

个粒 子 的 描 述 自 身状态的 ．
内 容 包 括 位置和速度 向 量 ， 其 中 速度



表示 问 题 的 可行解 ， 而运动描述 了 它 在搜 索 空 间 中 的运动 方 向 。 粒子通过 不断的 学 习 它 


所

发现 的群体 最优解和邻 居 最优 解 ， 通 过这样的方式实现全局 搜索 


。

假设
一

个 Ｄ 维的 目 标搜 索 空 间 ， 有
一

个 由 ｍ 个粒 子组构 成 的群 落 其 。 中 第 矽 ＝

＜
７ ２ ， ， 
． ．
．
，
ｍ 

力

个粒 子的 位置 向 量 尤 通 常 根据 当 前粒子 的位置 向 量来计算该粒 子 的适应度




值 每个粒 子还有 个速度变 量 决定 它们飞翔的 方 向和距离 每个粒 子



一
？

。 。

都有 个 身 最优状态 对ｕ ｆ
ｔ ｅｓ ｔ
ｅ」 称 个体最优位置 或局部 最


一

自 ：
， 为 ，

优位置 

。

设 ｆ
（
Ｘ 为 我们期望优化的 目 标 函
） 数 ， 则粒子 ／ 的 个 体 最优 位置 更新公 式 为 

：

，
， ｛
冲如 ，
＋

 （ 〇若 ｆ （Ｘ ，
（
／ ＋  ｌ
））
ｋ ／ （ ／
？ ６ ｅ？
，
（ 〇 ）

若 ｆ Ｚ々 ＋ 冲呌
冬“＋

 １  ｌ Ｓ ／（ ０）
１  ） （  ） ） （
２ ７）
，

（ 


设群体 中 的粒 子数为 Ｎ ， 而所有 粒 子所经 历 过 的 最优 的 位置 为 ｇ

ｂ ｅ ｓ ｔ （ ｔ） ， 

则

ｇ ｂ ｅｓ ｔ ｛ ｔ ） ｍｍ ｆ ｐ ｂ ｅｓ ｆ ｐ ｂ ｅｓ ｆ ｛ ｐ ｂ ｅｓ

＝


｛ ｛
ｔ
（
ｔ
）） ，  ｛
ｔ
２ （
ｔ
）） ，
ｔ
ｍ （ 〇） ｝
２８
＾

（ 

）

粒子在 飞 行过程 中 ， 其速度 与 位置 是 根据个体 的 飞 行经 验 ， 以及整个群体的 飞 行经验




来进行动态 调整 ， 更新公式如下 

：

ｖ ＋ ＝
Ｖ 〇＋ ｃ ｒ
ｐ ｂ ｅｓ ｘ ＾ ｃ
ｒ
 ｇｂ ｅ ｓ ｔ ＾ ｘ
－
－
－
－ ■ －

ｔ ｌ ｔ ｔ ｔ ｔ
＾
  
（ ） （ ｛ （ ） （ ）） （ ） ）
ｙ

 ｌ

＾ ２ ２
２ ９）
ｉ ， ｘ
ｊ ］

（ 


〇 ＋

ｘ （
／ ＋ ｌ
）
＝
 ｘ （ 
 ｖ （
／ ＋  ｌ
）
２
１ ，

〇）
ｌ

ｊ Ｊ Ｊ
１
（ 


其 中 ％句 表 示粒子 ／ 在进化到 ｆ 代时的第 ｊ 维 飞行速度分量 ， 表 示 粒 子 差 窗位 置 分 量 


，

１５



第 二章 分 子 振动 光谱 技 术 中 化 学 计量 方 法 



ｃ ／ Ｃ２
，
为 学 习 因 子 ，
ｒ７ ，
ｎ 是 ［
０ ，
１
］
之 间 的 随 机数 

。

粒 子 群算 法是 种 群智 能 优 化 的 全 局 搜 索 算 法 与 其 他进化算 法相 同 粒 子群算 法用


一

。 ，

于全局 性 、 鲁 棒性 强 、 可并行处理等 优点 。 除此 以外 ， 粒 子 群算 法 的 思 想 简 单 易 懂 ， 实现



简单 ， 目 前 已 广 泛应 用 于优化调 度 、 运输 问 题 、 机器学 习 、 信 号 处理 、 神经 网 络 、 自 适应



控制 等领域 ［
５ ６］
， 均 有 着 很好 的 应 用 结 果 

。

２ ６
．
定量模 型 的 评价指标



在分 子振动 光 谱 分析 中 需 要对模 型 的拟合 能 力 和预测 能 力 进行 个标准 的评估 


以
一

， ，

方便不 同 算 法之 间 进行 对 比 ， 常见模 型 评价指标如下所示 


。

（ １ ） 校 正标准偏 差 （ Ｒｏｏ ｔ Ｍ ｅ ａｎ  Ｓ ｑ ｕ ａｒｅ Ｅ ｒｒｏ ｒ ｏ ｆ    Ｃａ ｌ ｉ ｂ ｒａ ｔ ｏ ｎ ｉ

， ＲＭＳ ＥＣ 

）



Ｎ

＾二 （３
＾

ｆ ａｃ ｕ ａ ｌ ｔ ｙ ｉ
’
ｐ ｒｅ ｄ ｉ ｃｔ 

）

Ｒ ＭＳＥ Ｃ ＾
＝
 ２
  

． １ １
＼

Ｎ
（ 

）
－

＼ 

ｌ

上式 中 ＃ 为 训 练 集样本数 ，
只 ＿？ 为 ／ 样本测定值 ， 为 模 型 预测 的 属 性值 。 ＲＭ Ｓ Ｅ Ｃ 

评

价 的是模型 在 校正集 的 表现 ， 通常情况下 ＲＭ Ｓ Ｅ Ｃ 越小越好 ， 但是 ＲＭ Ｓ Ｅ Ｃ 过 小 的 时候就




要考虑模型 是否 过拟合 ， 这是 光谱分析 中 要避免的 问 题 


。

（ ２ ） 交叉验证 校正 标准偏 差 （ Ｒ ｏ ｏ Ｍ ｅａｎ ｔ  Ｓ

ｑ
ｕ ａｒ ｅ  Ｅ ｒ ｒ ｏ ｒ ｏ ｆ   Ｃ ｒ ｏ ｓ ｓ Ｖａ ｌ ｉ ｄ ａｔ ｉ ｏ ｎ ，
ＲＭ Ｓ Ｅ Ｃ Ｖ 

）

．
． 

Ｘ Ｍ ｃ ｔｕａｌ ｙ ｉ
，
ｐ ｒ ｅｄ ｉ ｃｔ  ）



Ｒ ＭＳＥ Ｃ Ｖ ＾
二
＇


 （
２ ． １ ２）



＼  Ｔ Ｖ －



１

ＲＭ Ｓ Ｅ Ｃ Ｖ 是交叉验证过程 中 的均方误差 。 由 于 ＲＭ Ｓ Ｅ Ｃ 不涉及模型 的 预测 能力 ， 


常

用 ＲＭ Ｓ Ｅ Ｃ Ｖ 评 估 模 型 预 测 能 力 在校正 样本 中 逐 取样 作 为 测 试集 其 佘样本作 为 校正


一

。 ，

集 来 预 测 该 样本 属 性 值 ； 由 此求出 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ 。

（ ３ ） 预测 标准偏差 （ Ｒ ｏ ｏ ｔ Ｍ ｅ ａ ｎ  Ｓ ｑｕ ａ ｒ ｅ Ｅ ｒ ｒ ｏ ｒ   ｏｆ Ｐ ｒｅ ｄ ｉ ｃｔｉ ｏｎ ，
Ｒ Ｍ Ｓ Ｅ Ｐ ）
￣

ｒＭ



Ｅ
＊ 

＂


（
八 ａ ｃ ｔ ｕａ ｌ ｙ ｉ
， ｐ ｒｅ ｄ ｉ ｃ ｔ  ） 

Ｒ ＭＳＥＰ ＾
＝
 １


 ２ ． １ ３

Ｍ
（ 

）
－

Ｖ 

ｌ

ＲＭＳ ＥＰ 主 要是衡量 训 练得 到 的模 型 在 Ｍ 个样本 的 测试集 的 表现 。 越小 的 ＲＭ ＳＥＰ 


值

代表 了 越优 的模 型预测 能 力 

。

复相 关系 数 Ｒ


２
（ ４ ）

１ ６



第 二 章 分 子 振 动 光 谱 技 术 中 化学 计 量 方 法 





Ｍ

ｙ ｉ ，

ｐ ｒｅ ｄ ｉ ｃｔ 

）

２
只 ＝
卜 ，
 

 ２ １ ４
１
－

（ 

）

Ｓ 
（ 兄 ． ａ ｃｔ ｕ ａ ｌ ｙ ｉ
，
ａｃ ｉ ｕ ａ ｉ ＾



＝
／ 

１

其 为 校正 集或 测 试集 样 品 属 性 测 定值 的 平均值 用 于 表征模 型 的 变 量对 因 变


２
中 。 Ｒ 自

量 的影响程度 ，
Ｒ
２
在区 间 （ 〇 ，
１ ） 上 ， 越接近 １ ， 模型 回 归 效果越优 

。

本文将 以 ＲＭ Ｓ Ｅ Ｃ Ｖ 作 为 模型训练 时优化 目 标 ， 将 ＲＭ Ｓ Ｅ Ｃ 和 Ｒ Ｍ Ｓ ＥＰ 用 来 评 估 模 型




对校正 集 的 拟 合 能 力 和 对 测 试集 的 预测 能 力 

。

２ ７
．
本章小 结



本章学 习 光谱 分析 中 涉及到 的主流 的化学计量方法 。 光 谱 分析 的 主 要 步 骤有数据 集 划




分 、 异 常祥本 分析 、 数据预处理 、 波 长 选 择和 多 元校正模 型 。 在 预处理环 节 包括基 线 校正 


、

平 滑算 法 、 标准正 态变 换 等 。 在 化 学 计 量学 方 法 中 应用 较多 的定量 回 归模型有 多 元线性 回




归法 、 主成分 回 归法 、 偏 最小二 乘 回 归 、 最小二乘支持 向 量机 回 归 、

局 部建模等 。 波长筛



选方法 方面讲述 了 比较 常见 的 有 间 隔 偏 最小 二乘 、 遗传算 法 竞争 、 自 适应 重加权采样法等 


。

另外 ， 还介绍 了 粒 子群优 化 算 法 的 基本 原 理 ， 常见 的模 型评价指标等 。 这 些 方法 是本 文研




究 的基础 

。

１７


 
第 二章 分子振动 光谱技术 中化学计量方法 




．
 ．  

？

－


？



．

１ 

８
 
第 三 章 基 于粒子群算 法 的 新 型 光 谱 特 征波 长 提 取 方 法 探索 



第 三 章 基 于 粒 子群 算 法 的新 型 光 谱 特 征 波 长 提 取 方 法 探 索



３ ． １ 引言



在化学计 量 学 方法数据分析 当 中 ， 数 据 集 时 常 会存 在 高度 共 线 性 ， 不相关等 问 题 ， 


这

些 问 题 会影响 分类 或者 回 归 的 精度 ， 因 此需 要进行特征选择 。 特征选 择是 指从输入特征 


中

选择出少量的 、 具有 代表性 的有 效特征 ， 以 降低数据集维度 ， 使得系 统的 目 标最优化 ， 


提

高学 算法性能的过程
５ ６］
习 ［


。

近 红 外 光谱 或拉曼 光 谱 数据 会有 几 百 至 几 千 个 波长 点 组成 光 谱 图 ， 常 常存在
一

些问



题 ， 比 如 而近红外光谱存 在 严 重 的 吸 收 峰重 叠现 在 、 光谱 吸 收 强度较弱 、 原光谱谱 带过宽




等 ；
而拉曼 光谱 信号 强度 更 弱 、 很容易 受 荧 光噪声 的 干扰 、 同 样 存 在谱 带 过 宽等 问 题／ 采  

：

用 全光 谱 进行建 模 会存 在很 多 问 题 ， 全 光 谱 中 存 在 不 相 关 和 共 线 性 的 冗 余 波 长 会 导 致 影 响

模型预测 能力 。 因 此对全光谱进行波长 选择 ， 剔 除冗余波长 点 ， 选 择 合适 的 波 长 子 集 进 行




建模校正是 十 分有 必 要 的 

。

世界范 围 众多 学者 已经提 出很多 种 光谱 波长选择方法 包括 相关系 数法 光谱



３４
内 ， ：
［ ］

变 量纯度法 ［
５ ８］
， 遗传算 法 偏 最小 二 乘 －

（
ＧＡ －

ＰＬ Ｓ ）
［
３ ５
］

， 变 量 投 影 重 要 系 数 Ｖａ ｒ
ｉ ａｂ （ ｌ ｅ Ｉｍ
ｐ ｏ ｒｔ ａ ｎ ｑ ｅ



ｉ ｎ  ｔ ｈ ｅ Ｐ ｒ ｏｊ
 ｅ ｃ ｔｉ ｏｎ ，
Ｖ Ｉ Ｐ  ）  ［
３ ６］
， 克争 自 适 应 重加权采样法 （ Ｃ ｄ ｍｐ ｅｔ ｉ ｔｉ ｖｅ ａｄ ａ
ｐ
ｔｉ ｅ ｗ ｅ ｉ ｇｈ ｔ ｅ ｄ
ｖｅ ｒ  


Ｃ ＡＲ Ｓ 等
３ ７
ｓａｍ
ｐ
ｌ ｉ ｎｇ ，   ）  ［ ］


。

本章提 出 了 新的面 向 于分子振动光谱特征波长点选择方法 ， 结合 了 粒子群算 法与 变 量




投影重要性系 数 （
Ｖ Ｐ Ｉ
）
， 从基本 粒 子群算 法 ， 到结合 Ｖ Ｉ Ｐ 系 数 的 粒 子群算 法 ， 结合 Ｖ Ｉ Ｐ 

的

自 适应粒子群算 法 以 及结 合 Ｖ ＩＰ 的 间 隔 偏 最小 二 乘 自 适应 粒子群 算 法 ， 多 种算 法层层推




进 ， 适用 于 不 同 的情况 ， 并且有 着 更 高的稳定性 


。

在本章 节 中 ，
３ ． ２ 小节描述 了 本文 将基本 二 进 制 粒 子 群算 法 （
ＢＰ Ｓ Ｏ） 的细 节 改进 ， 并将



其应 用 于 近 红外光谱 进行 优 质 波长 点 筛选 算 法 的 过 程 与 应 用 结 果 。 为 了 更好地 收敛于更优




的极值 点 在 小 节设计用 ２ ４ ４ 中 介绍 的 ＶＩＰ 系 数来 为 ＢＰＳ Ｏ 算 法指引 个更 好的 方



一

，
３ ． ３ ． ．

向 ， 称为 Ｂ Ｐ Ｓ Ｏ Ｖ ＩＰ ＿
算法 ， 并展 现 其 应 用 效杲 。 但是 由 于不管是 ＢＰＳ Ｏ 还是 Ｂ Ｐ Ｓ Ｏ ＶＩ Ｐ

 ＿

算法 ， 结 果 都有较大 的 随 机波 长 ， 因 此在 ３ ． ３ 小节 中 设计 了
一

个光 谱 波 长 点 表现 评 分方案 

，

重复 Ｂ ＰＳ Ｏ ＶＩＰ ＿
算法多次 ， 并记 录各个波长 点 在 每 轮 中 的表现 ， 最后得到各个波长 点 总体



得分 根据得分从 大到小逐 筛选波长子集 获得 比 ＢＰ Ｓ Ｏ ＢＰ Ｓ Ｏ Ｖ 算法更优 


更
一

， ， 了 、
＿
Ｉ Ｐ 、

１９


 
第 三 章 基 于 粒 子 群 算法 的 新 型 光 谱 特 征 波 长提 取 方 法 探 索 



稳定的结果 

。

基本二进制 粒子群算法学 习 速率难 以控制 ， 粒 子群 收敛快 ， 容 易 陷 入局 部 最优 点 中 


很
Ｗ４
难跳 出 ， 因 此本文参考前人 ［
６ （
］
的 自 适应 粒 子群算 法 ， 在 ３ ．
４ 小节 中 提 出 基 于新 的 ＶＩＰ 

值

的 自 适应粒子群算法 （
ＶＡ Ｐ Ｓ Ｏ ） ， 该 算 法平衡 了 筛 选波长数及波长 子集建模效果 ， 能够搜索



到更优的位置 ， 结 果 较 之 前 更加稳定 。 ＶＡ Ｐ Ｓ Ｏ 算法只 需 要少 量 循环次数 ， 根据波长点 每




轮 中 的 表现 ， 可 以获得非常稳定 ， 但非 常优质 的 波长 子集 ， 用 于建模 


。

在 ３ ． ５ 小节 中 ， 主 要 提 出 ＶＡ Ｐ Ｓ Ｏ 算 法 ｉ
， 通过减少 迭代 中 粒子长度 ， 以较少 的 时 间 即



可达到 较 高 、 并且更稳定 的预测性能 ， 其次 ， 也可 以 通过循环评估来筛 选 出 更优的 波长子




集 

。

本章所用 的数据集来 自 Ｃｈｒ ｉ ｓｔ ｅ ｎ ｓ ｅ ｎ 等 提供 的 公开标准数 据 集 ， 下载地址为 


：

这是 组杏仁软 糖样本 的近红外 光 谱 数据集 检测 标为 杏仁



一

ｈｔｔ ｐ ： ／／ ｗｗｗ ｍ ｏ ｄ ｅ ． ｌ ｓ ． ｋｖ ｌ ． ｄ ｋ／ 。 ， 目

软 糖 糖分的 含量 共有 个样本 波长 检测 范 围 为 每 条 光 谱 含有


＇

中 ．
，
３２ ，
８ ５ ０ ｎｍ 至 ２ ０ ４ ＆ ｎｍ ，

将该样本分为 个校正集和 个测 试集


＿

６００ 个波长 点 ， 间 隔 ２ｍ ｎ 。 ２４ ８ 。 本章 节 采 用 偏 最小

二 乘 为 定量 分析模型 ， 以 校 正 集 和 测 试集 的精度 来验证 波 长 选 择算 法 的 有 效性 


。

３ ２
．
基本 二 进制 粒 子群算 法



３ ２
． ． １ 基本二 进制粒 子群算法 

．

在 第 二章 中 介绍 的基本粒子群 （ Ｐ ａｒ
ｔ ｉ ｃ ｌ ｅ  Ｓ ｗ ａ ｒｍ  Ｏ
ｐ
ｔｉ ｍ ｉ ｚ ａｔ ｏ ｎ ｉ
， 
ＰＳＯ ） 算法 ， 主 要 的 优化



目 标为 连续性 问 题 ， 而 离 散 二 进制 粒 子 群算 法 （ Ｂ ｉ ｎ ａｒ ｙ

Ｐ ａｒ
ｔ ｉ ｃ ｌ ｅ  Ｓ ｗ ａｒ ｍ  Ｏｐ ｔｉ ｍ ｉ ｚ ａｔ ｏ ｎ ｉ
， 
ＢＰ Ｓ Ｏ 

）

则 是用 来优化离 散 空 间 问 题 ， 现 已经广 泛应 用 到 各种 离 散 优化 问 题 的 计算 当 中 ［
５９ ］


。

在 Ｋ ｅ ｎｎ ｅ ｄ ｙ 和 Ｅｂ ｅ ｒｈ ａｒｔ 提 出 的 离 散二进制 粒子群算法 中 ， 速度更新公式 与 原始的基本




二 进制 粒 子群 算 法基本 思 想 相 同 。 粒子的位置是 一

个 二进制 编 码 ， 编码 中 每
一

位取 ０ 或 

］

受公式 ３ ． １
产 生速度影响 。 速度将 会被 转 换 成 变 换 的 概率 ， 也就是 位 变 量 取 １ 的概率 

。


＇ ＇

＾
］

＝ ＋ ｒａ ｎ ｄ ＋ ｒａ ｎ ｄ
ｖ ｗ ｖ ｃ ｘ
Ｊ ｐ ＾ ｘｌ ３
－ －

Ｃ
＇ － － －

ｄ Ｌ ｊ
Ｏ 


ｊ Ｏ ｉ ） （
． １


）

其 中 外 表 示 粒 子 的 局 部 最优 位置 ， 表示 整个粒 子 群 的 全局 最 优位 置 ， 为学 习 因子 

，

ｒ ａｎ ｄ
（ ）
表示产 生 ［
０ ，
１
）
之 间 的 随机数 

。

要 得 到 位置 的 取 值 需 要 将速度 的 值 转换 为 ，
二 进制位取 １ 的 概率 ， 需 要 将 其映射 到 ［
０ ，
１


］

区 间 ， 采用 ｓ ｉ
ｇｍ ｏ ｉ ｄ 函 数 

：

２０



第 三章 基于 粒子 群 算法 的 新 型 光谱特征波 长提取方法探索 




＾
ｖ ＝
３ ２）
－ －
－ ￣ ￣

ｓ
Ｌ １ ７
．
（ ） （ 


＋ ｅｘ ｖ
－

ｌ 
ｐ（ ＾ 

）

此处 ＊ ｓ
／Ｖ ｄ 表 示／ 位置 ：
取 １ 的概率 ， 该位 的 具体取值见 ３ ３ ．
式 

：

ｆ Ｖｄ

ｌ ｉ
（
ｒａ ｎ ｄ 〇 ＜ ｓ｛
ｉ ））
ｘ ＝
３ ３
Ｌ
．

（ 

）
ｊ
〇  ｏ ｔｈ ｅ ｒｗ ｉ ｓ ｅ


［

此处 式 个 随 机数 从区间 的均 匀 分布 中 随机产 生 为 避免过饱和 的 问 题

一

ｍｎ ｄ （ ） ，
［
０ ，
１
］
， 了 

，

限 制 速 度 在 Ｖ＾ ｍＶ ［
ｍａ ｘ ］ 之 间 ， 从而 限制 了 位 ｘ ｉ ｄ 取 】
或 ０ 的概率 

。

另
一

方面 ， ｓ ｉ
ｇｍ
ｏｉ ｄ 函 数将速度 映射到 ［
０ ，
１
］
之间 ， 并不代表 了 某
一

位概 率 的 概 率 ， 

只

是代表 某 位取 的概率 因 此位发生变化的绝对率为

一

了 １ ，


：

＾ －
＾ ５
＾  ３ ４
－

１ ．

） ） （ ）） （ 

）

当 位速 度 为 ０ 时 ， 位 改变 概率最大 

。

３ ２ ２
． ． ＢＰＳＯ 应 用 效果



本 ／］ 、
节 采 用 基本 粒 子群算 法 ， 在算法实现方面 ， 除 上文 所述 的 原 理外 ， 还有 以 下 几个



注意点 

：

１ ．
对于 初始速度 ， 采 用 随 机初始 

：

Ｖ ｊ ｎ ｉｔ 
＝
 ｍ ａｘ  Ｖ 
？

 ｒ ａｎ ｄｏ ｍ
（
ｂ ｉ ｒｄＬ ｅ ｎ ｇ ｔ ｈ）  （
３ ． ５


）

其 中 ｂ ｉ ｒ ｄＬ ｅ ｎ
ｇｔｈ ） 表示 以 为 均值 为 方差 产生 个长 度 为 ｂ ｉ ｒ ｄ Ｌ ｅｎｇｔ ｈ 的 随机


一

，
ｒ ａｎ ｄ ｏ ｍ （ ０ ，
１ ，

数组 。 ．
 ．



．

在速度 迭 代 过 裎 中 防 止 陷入 局 部 最 优 加入 的 随机 因 子
＊
２ ．
， 为 了 ， ０ ． １ ｒ ａｎ ｄ
（
－

ｌ
，
ｌ
） ， 

以

便跳 出局 部最优 点 ， 搜索到更优的位置 

：

〇Ａ ０ （３
１

Ｖ 二
＋ ｃ 腦
凡 ４ ＋ ｃ ｒａｎ ｄ
卜 ６）
？ ．

户ｒ
？ 一

Ｌ ｉ  ）


２  （

１
，
－




其 中 ｍｎ ｄ 〇 表示产 生 ［
０ ，
１
）
之 间 的 随机数 ， 而 Ａ 经过试验表 明 取 〇 １．
较 合适 

。

适应 度 函 数采 用 校 正集 的 每个 样本均作 为 测试样本 的 留 交 叉验证 的均 方根误差



一

３ ．

的 平均值 

；

４ ．
由 于该优化算 法具有 随 机性 ， 因 此运行 １ ０ 次 ， 取 最优 的 结 果 ，
１ ０ 次运行过 程 中 

，

ＲＭ Ｓ ＥＣ 与 ＲＭ Ｓ ＥＰ 波 动 范 围 从 １ ．
６
－

２ ４ ．

波动 

。

根据这样 的方法 训练过程 中 的 些参数波动如下 图 所示

一

， 

。

２ １


 第 三 章 基 于 粒 子 群 算 法 的 新 型 光谱 特 征 波 长 提 取 方 法 探 索 



ｔ早 构 应３ 
－

ｖ 


粒干 筠 ｓｒ
ａ ｆ Ｅ
１  ３

１ ９
＼ Ｓ 荦 接饮 粒 子 适






，

－
０ ３
３ ．
６

ｇ 
３ －

Ｓ
ｌ

Ｉ
＼  Ｓ



Ｉ
ｏ 

．

１ 
 Ｓ
－



ｔ
３  ６ ；

４


＿


 ３ ５
；
＼ ＿
１ 

＼


ｒ
 
？ 

１

＊
．

Ｌ 
＾ ＶＷＶ ｖ
ｗ＾ Ｍ ｖ ／ Ｕ ａＪ Ｗ


〇  ２ 〇  ４０  ６Ｑ  ８ ０  １ ０Ｑ  ０  ２０  ４  ？  ５ ８ Ｃ  ＫＢ



ｉ ｔ ｅ ｒ  ｒ ａｓ
．
 ｉ
ｉ ？ｒ ｍｍ



ｓ
１
ａ ５ Ｓ  ｖ



％
４ 

Ｊ

！ 〇 ？

■



｜

ｓ
ｏ ｅｓ
 

Ｓ

１
＊

 ０  ８０ 
－

 十 
０ １
０ 


■

：  ＿ ｕＪ Ｗｗ ＡＬ＾ 

ｊ

 ０  ２０  ？  ？  ８ ０  １
０ 

０
 ？  ｉＯ  ８０ 
Ｊ

〇  ２ ０ Ｉ Ｃ Ｏ
？
？

 ｔ ｍｕｎ 


．

 细
ｉ

ｅｒ
？

ｉ ｔ ：

图 ３ ． １ ＢＰ Ｓ Ｏ 算 法波长 点 寻优 中 间 过程



上图 中 ， 左
一

图 表示粒子局 部 最优的 适应 度均值 与 全局 最优粒 子适应度 的 收敛情况 


，

可 以 看 出 所有 粒 子 局 部 最优 的适 应 度平均 值 已 接近全 局 最优粒 子 的 适应 度值 右 图 表示



一

某 个 粒 子 向 量 平 均 速 度 的 变 化过 程 ， 增 加 的 小 随机项 使得该 粒 子该位跳 出 局 部 最优 点 存在




可能 ； 左二 图 表示迭代过程 中 某个粒子某
一

位取 １ 个概率 ， 右 二 图 表示 某个粒子某
一

位位



变化 的概率 。 虽 然增 加 小 随机项使得粒子 不 会较快 陷 入局 部极值 ， 但是位改变 的概率依然




较小 要 跳 出 局 部 极值 点 还 是 有 些 困难
一



。
，

表 ３ ． １
为 十次寻优过 程 的 最优 结 杲与 全光谱建模 的 结 果 对 比 ， 可 以得到 ， 基本二进制



粒 子群算法对于 波长 点 寻优 能够取得
一

定的效果 ， 对于算 法优化结 果令人惊 喜 ， 只 是存在




较 多 的 随 机性 ， 有 时会 比全光谱性能更差 

。

表 ３ ． １ ＢＰ ＳＯ 算法筛选波长 点建模结 杲




＿

方 法  波 长 点 个 数  ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ 
ＢＰＳＯ ｐ
ｌ ｓ  １ ３  １ ． ６ １ ８  １ ． ６３ ７



全 光 谱ｐ ｉ ｓ

６００

Ｌ ６０５
 ＾
０９ ５




图 ３ ． ２ 标出 了 该 算 法 所选择 的 波长 点 位于 光谱 的 位置 ， 共 １ ３ 个波长点 ， 稀疏的分布




在各个 位置 。 图 ３ ．
３ 为 该算 法寻找波长 点建模 后 的预测值 与 真实值 的 偏 离 情况 

。

２ ２


 
第 三 章 基 于粒子 群算 法 的 新 型 光谱特征 波长提 取方法探 索 ＾




一



１ ｐｖ
： 

０ ．
９
－

 

／

Ｉ
０ －
８
－

ｆ ＼ 

ｉ

〇 

７



－

０ ．
６

８０ ０  １ ０００  １ ２ ００  １ ４ ０ ０  １ ６０ ０  １ ８ ０ ０  ２ ０ ０ ０



 波长 （
ｎ ｍ）





＿

图 ３ ． ２Ｂ Ｐ Ｓ Ｏ 算 法 波长 点 寻 优选择的 波长 点

７０





１


基线


Ａ
５
－
 ＊ 涵 試 集 
＋ ＾


＋ 校 正 集 ，




？



ｙ


ｚ
－

 如
５５
ｙ


－



？

菡 況
－

 ，


ｍ 

ｙ
＾ 

＋

ｒ＃




？

３５ 


＿

％

   
 




ｊ ！ ｊ ｊ

ｆ （

３０ ３５  初  ４ ５  ５０  ５ ５ ６０ 柘 

冗
真实 值



图 ３ ． ３Ｂ Ｐ Ｓ Ｏ 算法波长 点 寻优预测值与 真实值的偏 离情况




ＢＰＳＯ 算法在光谱特征波长 点 寻优上 ， 相 比较 于 全光谱建模 ， 有着较好的性 能 与 结果 


，

但是仍然存在 些局 限性 局 限性总结如下
一

， 

：

１ ．
Ｂ Ｐ Ｓ Ｏ 算法存在随机性 ， 即 多 次运行的结 果 相 差 比较大 ， 例如运行 １ ０ 次 ，
Ｒ Ｍ Ｓ ＥＰ



２３



第 三 章 基 于 粒 子群 算法 的 新 型 光 谱特 征 波 长提 取 方 法探索 



的结果从 １ ． ６ 至 ２ ４ ．

波动 ， 时好 时坏 

；

２ ．

从全局 最优 粒 子 的适应 度 收敛情况 可 以 看 出 ，

ＢＰＳＯ 算 法 过 早 的 收敛至 局 部 极值 点



中 ， 难以跳出 

；

３ ．
由 于 过早 收敛 ， 因 此 ＢＰＳＯ 算 法 最后 所 收敛 的 局 部 极值 点 ， 很容易 受到 其初始值



影响 ， 而 本小 节 中 采 用 的 是速度 随机初始化 的 方 式 ， 因 此 导致最后 结果波动 较 大 


。

３ ３ ．
改进 ＢＰＳＯ —

Ｂ Ｐ Ｓ Ｏ Ｖ ＩＰ ＿
算法



上节 中 ， 基本 二 进制 粒 子群算法 能够取 得不错 的 结 果 ， 但是结 果波动 大 ， 经 过 检查 发




现 ， 由 于 全局 最优 粒 子 过早 陷 入局 部 最优 点 ， 且难 以跳出 ， 而 初始化采 用 随 机初 始 化 ， 

因

此 初 始 化 的 速度 与 位 置 很 大 程 度 上 决定 了 最后能 得到 的适应度值 ， 即 算 法 容易 陷 入到 局 部



最优 。
．
．



．

 Ｖ Ｉ Ｐ 系 数是 Ｓ ． Ｗｏ ｌ ｄＭ 等在 ＰＬ Ｓ 模 型 的 基 础 上提 出 的 全 称 为 变 ，
； ｆ 投 影 重 要 性 Ｖａ ｒ
ｉ ａｂ （ ｌ 

ｅ

Ｉ ｍ ｐ ｏｒｔ ａｎ ｃ ｅ  ｉ ｎ  ｔ ｈ ｅ Ｐ ｒｏｊ ｅ ｃ ｔｉ ｏ ｎ

， 
ＶＩＰ ） 。 ＶＩＰ 值体现 了 某 个波长 点 对 于构 成 某 个 潜变 量 的 贡献



程度 ， 以 及该 潜变 量 对于 因 变 量 的 解释程度 ， 当 某个 波长 点 对 于 某个潜 变 量 贡 献 很大 ， 

而

该 潜变 量 对于 因 变 量 的 解释能力 也很强 时 ， 该波长点 的 Ｖ Ｐ Ｉ 值 就 会很大 


。

因 此 首先 为 能够 更好地 寻找更优 的波长 点 降低适 应度值 在 本小 节 的 第 


部
一

， ， 了 ， ，

分 Ｂ Ｐ ５ 〇 ＶＩＰ 中 ＿
， 采 用 比 较 能 代 表 各＋ 波 长 点 重 要性 的 ＶＩ Ｐ 系 数 作 为 速度 的 初 值 进 行 初 始



化 ，
Ｖ ＩＰ 值越 大 ， 说 明 该波长 点越重 要 ， 那 么该 位速度就 较大 ， 被选 中 的概 率 也就 越大 

。

其次 即 使 使 用 Ｖ ＩＰ 值 更 容 易 得 到 较好 的 结 果 但是依然会存在 些 不稳定 的 情况
一

， ， 

，

寻优结 果波动 ， 因 此 本小 节 的 第 二 部 分 ，
ＲＥ Ｂ Ｐ Ｓ Ｏ Ｖ Ｐ ＿ ＿
Ｉ 部分 ， 采用 多 次启 动 ＢＰＳＯ ＿
Ｖ Ｉ 

Ｐ

算法 ， 根据 每个 波长 点 在 每轮寻优 过 程 中 的表现 ， 评估波长 点 的 重 要性 ， 根据重要性排序 


，

逐 筛选 波长 点 获得相 比较更加稳定的 结 果
一

， 

。

３ ３ ． ． １ Ｂ Ｐ Ｓ Ｏ ＶＩＰ



本小节 中 采用 Ｖ Ｐ 初始化 ＢＰＳＯ 算法 为粒子们指引 个较好的 波长 点 筛选 的 方 向

一

，
Ｉ ， 

，

该部分与 ３ ２ ．
中 ＢＰＳ Ｏ 算法的不 同 点在于 

：

１ ． Ｖ１Ｐ 值 作 为 速度 的 初始化 ， 由 于 Ｖ Ｉ Ｐ 值 比 较接 近 １
， 且 分布 的 很集 中 ， 因 此采用 

３

次幂打散 

：

ｙ
＾
ＶＩＰ
；  （
３ ．
７


）

通过这样的方式 ， 使得在 ＰＬＳ 模型 中 ， 更重 要 的 波长 点 能够 以 更大 的概率被取 中 ， 


而
２４



第三 章 基于粒子 群算法 的 新型 光谱特征波 长提 取方法探索




Ｖ Ｉ Ｐ 值小 的不那 么 重要的波长 点 ， 被取 中 的 可 能性被 削 弱 ， 从而指引

一

个更好地波长点 筛



选的方向 ， 降低 Ｂ ＰＳ Ｏ 算法 中 随机初始化 的 随 机 性 

。

２ ．
由 于各个波长 点 的 Ｖ Ｉ Ｐ 值平方和 均值 为 １
， 因 此 ｓ ｉ
ｇｍ ｏ ｄ ｌ 函 数采用 以 １
为 中 心 ， 即 

：

ｓ ｖ ）＝



３ ８


．

（ （ ）


Ｊ

ｌ ＋  ｅｘ
ｐ （ （
ｖ －

ｌ
） ）

３ ．

前文 中 ， 由 于 ＢＰＳ Ｏ 算法容易 陷入局 部极值 点 ， 加入 了 小 随 机项 ， 小随机项 的功




能有 点 类似于增大学 习 率 ， 因此 在本小 节 中 去掉速度 更新公式 中 的小 随机项 ， 使其 能够 


自

然 ，
细 密地搜索 极值点 

；

４ ．
由 于 该优 化算 法具有 随 机 性 ， 因 此运行 １ ０ 次 ， 取最优 的 结 果 ，
１ ０ 次运行过程 中 

，

ＲＭ Ｓ Ｅ Ｃ 在 １ ． ３ 至 １ ．
７ 范 围 内 波动 ，
ＲＭ Ｓ Ｅ Ｐ 波动 范 围 为 １ ． ４ 至 １ ．
９ 

。

４ ０ 




 １  Ｏ  

■


１

ｔ邊Ｓ汶 值 均隹
子商 ｇｉｆ
—

全 晃 适 贫 狡子连 应


ｊ
—

３ ． ８ 
－

０ ８ 



＼
 Ｉ 
．

＼ ６


？

ｓ ｉ   、 ｒ  ？

ｓ


？

ｒ
＼
 
０ ２
３ ２

１ Ｖ


３ ． ０ ．
   

■
 １ ，

   



〇  ５  １ ０ １ ５  ２ ０ ２５ ３０  ０  ５  １０  １５  ２ ０  ２ ５  ３０



迭代次 Ｓ  Ｉ ｔ ＣＴ  ； １ Ｂ 

Ｋ


１ ２
ａ


■

２ ５ 

１ ０ ．
 

＼

Ｉ  ０ － ２０
－

＼  ？



．

  ＼ 
° ８

１
ｌ
％
 ｌ

Ｓ
０ ， ５



＼

ｆ！
 ＼  ｋ 

＼

Ｋ   ｒ 
＇ 。

 
＼ 

＼
？ ｒ
＼ 

＼

０ ０
－
 

〇 ？  



０  ５  ０ １５  ２ ０ ２ ５ ３０
１
０  ５  １ ０  １ ５  ２ ０  ２５  ３０



ｃｒ ａ ｕｓ
： 
 ｉ ｔ ｅｒ  ｎ ｉ
ｉ 

ｓ

图 ３ ４Ｂ Ｐ Ｓ
． Ｏ Ｖ Ｉ Ｐ 算法波长 点寻优 中 间 过程



上图 中 ， 左 一

图表示粒 子局部 最优 的 适应度均值 与 全局 最优粒 子适应度 的 收敛情况 


，

可 以看 出 所有 粒 子 局 部 最优 的 适 应度 平均 值 已 接近 全局 最优 粒 子 的 适应 度值 ； 右
一

图 表示



某个粒 子 向 量平均速度的变化过程 ；
左 二 图表示迭代过程 中 某个粒子某
一

位速度 变 化 ， 

右

二 图 表示 某 个粒 子某 位位变化的概率 与 不 的是 没有 小 随 机 项 粒子的每 

位
一

同
一

。 ３ ． ２ ， ，

速 度均 勻 速较慢 的 收敛到 极值 点 

。

ＢＰＳＯ Ｖ Ｐ Ｉ
算法波长点 筛选 的结果如表 ３ ． ２ 

。

２ ５


 第 三 章 基 于 粒子 群 算 法 的 新 型 光 谱 特 征 波 长 提 取 方 法 探 索 



表 ３ ２ Ｂ Ｐ Ｓ
． Ｏ Ｖ Ｉ Ｐ 改进算 法筛 选 波长 点 效 果


＂

 方 法  波 长 点 个 数  ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ ＥＰ



ＢＰＳＯ ＶＩ Ｐ ４ ２ １ ． ４ ６ ４  １ ．
５０６



全光谱 ｐ
ｉ ｓ ６００

Ｌ６０５

２ ＾） ９ ５




 

增加 Ｖ Ｉ Ｐ 后 ， 算 法 能 够寻找 到 更优 的极值 点 位置 ， 筛 选 的 波长 点 拥有 更好地预测 结果 ， 


对

于数据集 的 拟合能力 更强 些
一



。

图 ３ ． ５ 为 ＢＰＳＯ Ｖ Ｉ Ｐ 算 法筛 选 的 波长 点 位置 与 Ｖ Ｉ Ｐ 值 的对 比情况 ， 从图 中 可以看出 


，

Ｖ Ｉ Ｐ 值越 大 的 波长 点 越容 易 被取 中 ， 而 Ｖ Ｉ Ｐ 值小 的波长 点被取 中 的相 对较少 


。

＾ 
—

近红 外 谱 

丨


工 ４ 
－

Ｖ Ｉ Ｐ 值
．
＞



－ － －



Ａ
／ Ｗ  Ａ


１ ２
．

 ／ ｉ
 Ｍ



Ａ／ 、
广 ％ 一
一 ｉ 
丨  ／＼
＊ 



１ 
典

＇


■
一
Ｉ
＿  Ｉ  Ｉ 



ｆ
＜
ｉ 〇
－

 ｈ ｆ


、

ｉ 

ｉ

   ｒ
ｉｓ ．

Ｓ ｍ ／  Ａ 
＼ 

＼

 ／
Ｉ 

ｉ

＾
ｆ   ＼ ／ 
＇
－

ｗ
ｏ ８ ．

Ｉ ＞

 
ｓ 

１

＇


１

／ １
＂

０ ６ ．   ＼
＼ 


ｊ



Ｉ

＇


？

０ ４
 




 — 



．
１
１ １
ｆ

３ ０ ０  １ ０ ０ ０  １ ２ ０ ０  １４ ０ ０  １ ６ ０ ０  １ ８ ０ ０  ２ ０ ０ ０



波Ｋ点 ｎ ｍ ）
＂

图 ３ ５ＢＰ Ｓ
． Ｏ Ｖ Ｉ Ｐ 算 法 波长 点 寻 优得到 的 波长 点 位置 及样本 Ｖ Ｉ Ｐ 

值

取用 ４２ 个波长 点 进行建模预测 ， 得到 的预测值与 真实值的偏离 程度如 图 ３ ． ６ 所示 


。

２６



第 三 章 基 于 粒子群 算法 的 新 型 光谱 特征波 长提 取方法探索




７（ ３  



基线
＋
＾  校正 集  ：

 ＾ ＾


＊  灘式 集  

脅
 

？

６０ 


－



ｙ

５５ 


－



Ｚ

霞 沉 

＿

４５ 


＿

ｙ


？
／



－

３５ 

＾
  
  
 



ｊ （
ｆ ］
（

３０  ３５  ＾ ４５ ５０ ５５ ６０ ６５ ＾ 

）

真实 值



图 ３ ． ６Ｂ Ｐ Ｓ Ｏ Ｖ Ｉ Ｐ 算法筛选波长 点 后 预测值 与真实值偏 离 情况

综 合该 部 分 ， 可 以得到 

：

采 用 值作为 粒 子群寻优 的初始情况 为指引 定 比较好的方 向 能够收敛到更



一

１ ．

， 了 ，

加 优质 的局 部极值点 ， 获 得更 高 的 精度 

。

２ ．
运行十次的过程 中 ，
ＲＭ Ｓ Ｅ Ｃ 在 １ ． ３ 至 １ ． ７ 范 围 内 波动 ，
ＲＭ Ｓ Ｅ Ｐ 波动范 围 为 １ ．
４ 

至

１ ．
９ ， 依然存在较大 的 波动幅度 

。

３ ．
从 全局 最优 粒 子适 应 度值 的 情况 以 及粒 子 的 平均速度 来看 ， 算 法较快 收敛 ， 没有



很强的跳 出局 部极值 的 能 力 

。

３ ．
３ ． ２Ｒ ＥＢ Ｐ Ｓ Ｏ Ｖ Ｉ 

Ｐ

上 一

部 分采用 ＢＰ ＳＯ Ｖ Ｐ Ｉ
算法 ， 能够获得 比 ＢＰＳＯ 更 好 的 效果 ， 筛选 出 来 的 波长 点 大



多 也是 Ｖ Ｉ Ｐ 值较 高 的 点 能 够 收敛 到 更低 的适 应度值 校正 集 和 测试集 的 拟合 情况 比 ， ，
ＢＰＳＯ



更优 。 但是 ＢＰ ＳＯ Ｖ Ｉ Ｐ 算法单次运行 时 ， 依然存在 结 果 随 机波动 比 较大 的 问 题 ， 因 此本 部




分进行 以 下 几 点 修 改 ， 以期望 获得更加稳定 的 结果 


：

］ ．

将 ２４ 个校正集样本分为 ２０ 个训 练集和 ４ 个验证集 两 部分 ， 即从验证集 中 均 匀 的




抽取 ４ 个样本 

；

２ ．

采用 ＢＰＳＯ ＿
Ｖ Ｉ Ｐ 为 基 本 将该算 法无 累 计 的 循环
，
１ ０００ 次 记录 各个 波长 点 在 这
，
１ 〇〇 〇



次迭代过程 中 的 Ｖ Ｐ Ｉ 值 ， 对应 的 训 练集均方误差 （
ＲＭ Ｓ ＥＣ ）
和验证集 的 均 方误 差



１ １



第三 章 基 于 粒 子群 算法 的新 型光谱 特征 波 长提 取方法探索 



（
Ｒ Ｍ Ｓ Ｅ Ｖａ ｌｉ ｄ
） 

；

３ ．
每轮循环 时 ， 随机划 分训练 集样本 和验证集样本 

；

适 应 度 函 数从 留 交 叉验证 的 平均 均 方 误 差 修 改 为 训 练 集的 拟 合结 果 与 验证集 的


一

４ ．

预测 结果 的综 合情况 

：

Ｆ ｉｔ ｎ ｅ ｓｓ  ＝  ｗ
， 
■

 Ｒ ＭＳＥ Ｃ Ｖ ＋ ｗ ２  Ｒ ＭＳＥ 
■

＿ 
Ｖａ ｌ ｄ
ｉ
 （
３ ． ９）



５ ．
每轮粒 子群寻优的 过 程 中 ， 将 筛 选 出 的 波 长 点 对 于训 练 集 的 拟 合 能 力 与 对验证集



的预测 能 力 作 为 每轮 波长 点 的表 现得分 

：

Ｅ （ ｒｍ ｓ ｅＰ ｉ ）
＝  




＊
＋ ｅｘ
ｐ（ ａ ｘ ６））

－

ｌ 
（
３１ 〇
（ 

）

其 中 ，
ａ 为 调 节 参数 ，
ｂ 为 所选 的 验证集 全 光 谱 ｐ ｉ ｓ 模型 下 的均 方误差值 

。

不 同 的均 方根误差将 会产 生 不 同 的得分 ， 取 ａ
＝
２ ｂ＝，
ｌ ．
１ １ ２ 时 ， 如图 ３ ． ７ 所示 

。

Ｘ ２Ｓ 


＼
＇


１ ００
．

＼


伞 Ｘ

 Ｑ ７５ 
＾


－

＾  ０ ５Ｑ
．


－

０ ２３ 


■

ａ ｏｏ 
ｉ 

ｆ


ｒ


Ｌ  ＾ ｒ
￣￣


￣

１ ０ １ ５ ２ ０ ２ ５ ３ ０
． 
 ． ． ． ．

鑛糇 误差



图 ３ ７ ． 不 同 的 均 方根 误 差 情 况 下 波 长 点 表 现 得 分 变 化



６ ．
将 每 轮 筛 选 出 波 长 点 进 行 建 模 后 计算 的 得 到 的 Ｖ Ｉ Ｐ 值作 为 该波长 点 的 重要性程度 

，

那 么 每轮波长 点 的表 现得分 归 化后 与 各个波长 点 的 重 要 性得分 相 乘 即 为 该 波长 的 表 现



一

得分 

：



啊
，
．

）
ＳＣ〇ｒ
ｅ ＝
（ ０ 

２五 
（ ａ 

）


＝

３
－ ＇

． １ １
（ 

）

其 中 ｒｖ ｉ 表示 某
一

轮循环 中 验 证 集 的 均 方 误差 

。

计算得 到各个波长 点 得分后 从最重 要 的 个波长 点 开始 根据 波长 点 得 分逐



一

７ ．
，
２ ，

加入 ， 计算校 正集 波长 子集 的 ＲＭＳ Ｅ Ｃ ， 验证集 波长 子集 的 Ｒ Ｍ Ｓ Ｅ Ｊ Ｖａ ｌ ｉ ｄ ， 校正 集 留 一

交叉



验证平均 均 方 根误 差 （
ＲＭ Ｓ Ｅ Ｃ Ｖ ） ， 并评 估 三 者 最优 情 况 下 的 测 试集精度 ， 选择最优 的 子 集



作为 结果 

。

２８



第 三 章 基 于 粒子 群算 法 的 新 型 光谱 特 征 波 长 提 取 方法 探 索




总 体算 法 流程 图 如 图 ３ ．
８ 所示 

。

建立全光谱 ｐ 模 型 ｉ
ｓ ，
计算各


个波长 点Ｖ Ｉ Ｐ 

值





ｉ 



！

随 机 将 校正 集 样 本 划 分 为 训


练 集和验 证 集



ｙ 



用Ｖ Ｉ Ｐ 值 初 始化 粒 子 群 ，
设定
粒子群参数



否
 ： 



 内循 环 粒 子 群 迭 代 １ ００

 ：

次 寻 找 最 优 训 练集与 验 证
， 

集均 方 根误差加权 和所处位 


逐 添加 波长 点 计算


■


一

予 ： ，

ｖ  各 波 长 子集 下 校 正集均


＾ 方 根 误差 ，
选择最小的


记录 内 循环结 果 ： 训 练集 、

 Ｒ Ｍ Ｓ Ｅ ＣＶ 对芦 子 集 为 最 终


‘


验 证 集 均 方 根 误差 ， 选择 波
长点Ｖ Ｉ Ｐ 值 —


＼

 

ｋ


？ Ｉ
   …


二 ， 


１
—  ＾
— — 

—

计 算 每 轮波 长 点 预 结 合ｖ 丨 ｐ 值计 算 各 个


口 綱 到＾认 、
＾
、
汔 、

＇
５
臟现得分 ．

波长 点 最后得分

？

．
一 ｉ  ：
；

；
，
 一

， 

ｊ

图 ３ ． ８ ＲＥ Ｂ Ｐ Ｓ Ｏ Ｖ＿
Ｉ Ｐ 算法流程 图



获 得 的 结 果如 图 ３ ． ９ ， 可 以看 出 ， 波长 点 的得分较 能代表 波长 点 的 重 要性程度 ， 在前




半段 测试集 的 均 方根误差 直处 于 个 比较低 的 位置 甚 至有 个 预测 结 果 非 常 好 的 谷



一 一
一

，
，

点 ， 此处的 Ｒ Ｍ Ｓ ＥＰ ＝
１ ． １ ３ ， 随后缓 慢升 高 。 另
一

方面 ， 校正集 、 留
一

交 叉验 证平 均 误 差 

、

验证 集 的 均 方根 误差均 先达到 一

个较低 的平坦 区 域 ， 随 后随着波长 点 增加缓慢升高 


。

２ ９


 第 三 章 基 于 粒子 群 算法 的 新 型 光 谱特征波 长 提 取 方 法探索 



 ｍＥｃ
— －



％

｛  —

關Ｅ ＿
￥ａｌ ｉ 

ｄ

６  
－

：
—

 Ｆ ＭＳ Ｅ Ｐ



＼  … …

留
一

交 叉 验 证 平 均均 方 误 差


－

５ 

＇

糊


？
４


－

Ｕ  ｆ
？
 ， 

４



一

ｓ  

＂

ｆ 
＊
■

ｔ 、 一 

３ ＾ Ｉ —
－

、 



…
一
＊ …

 …
广

． …
…

２
－
 广 ＇ １？ ．


－

一 
—  一 
一 
？  Ｊ   

＂

１
   
  
 



０  １ ０ ０  ２ ０ ０  ３ ０ ０  ４ ０ ０  ５０ ０  ６ ０ ０



波 长 点 个 数


？

围 ３ ． ９ 根据 波长 点 得 分排 序 所 得各 波 长 子集 各衡 量 指 标 结 臬



三种不 同 指标作 为 确 定波长 点 个数 的 结 果如 表 ３ ． ３ 所示 ， 从表 中 的 结果看来 ， 本文选




择校正集 的 均 方 根误差 作 为 确 定波长 子集 的 方 式 


。

表 ３ ３ ． 不 同 选 择 标准 所 筛 选 的 波长 点 个 数 以 及拟 合预 测 能 力 比 较




￣

 方 法 选 择 标 准 波 长 ． 数 Ｒ Ｍ Ｓ Ｅ Ｃ  Ｒ Ｍ Ｓ Ｅ Ｐ  ＲＭ Ｓ Ｅ Ｃ Ｖ  Ｒ Ｍ Ｓ Ｅ Ｖａ ｌ ｉ Ｊ
．

验 证 集 ６ ５  １ ３ ０４ １ ． ３ ９７ ２ ． ０３ ６ ２ ． ７ ０４



留 交叉验
 一

ＲＥ  Ｂ Ｐ Ｓ Ｏ  Ｖ   ７ ５
Ｉ Ｐ ，
１ ． ２ ２ ４ １ ． ３ ９９  １ ．
９２６ ２ ． ９９ ８



证平 均


－ 


校正集 
１ １ ５

Ｌ１１５

１ ． ３ ６４

２ ． １ ３ ８

２ ． ７３ ０



最 后 选择将校正集 ＲＭ Ｓ Ｅ Ｃ 作为 评估标准 ， 选择 １ １ ５ 个波长 点 ， 在该波长 子集下 ， 获得较




好的拟合能力 （
ＲＭ Ｓ Ｅ Ｃ 以 ） 及较高的 预测 精度 （
ＲＭ Ｓ ＥＰ ）


。

次循环 后 各个波长 点 得分 结 果可 以 见 图 根据 波长 点 得分逐 筛选波长点



一

１ ０００ ３ ． １ ０ ，

１ １ ５ 个 ， 筛选 的 波长 点 位置也 同 样位于 图 ３ ． １ ０ 中 ， 用 这 １ １ ５ 个 波长 点 俎 成 的 波长 子 集建立




ｐ ｉ ｓ 摸型 ， 该模型 的预测 结 果与 真实值偏 离 情况可 以 见 图 ３ ． １ １ 


。

３ ０



第 三 章 基 于 粒 子 群 算法 的 新 型 光 谱 特 征 波 长 提 取方法 探 索




１ ４
   



光谱



 波长 点 得 分


；


＼

１ ０

 
－

０ ６
．



Ｉ
！

乂  

Ｉ

０ ４
． ｉ

      ｉ ｉ ｉ
ｉ
ｉ



）

８ ０ ０ １ ０ ０ ０ ；  １ ２０ ０ １４ ０ ０ １ ６ ０ ０ １ ８ ０ ０ ２ ０ ０ ０



波长 点 


？

图 ３ ． １ ０ ＲＥ ＢＰＳ Ｏ ＿
Ｖ Ｉ Ｐ 循环 中 波长 点 得分及选择 的 １ １ ５ 个 波长 点 位置



７０ 
■
 —

—

：


＾


基福 

ｉ

６５
．   ＊ 臟 集  

？


＊
＋ ．
校正 集 ｙ
６０
 ＃ 验 ＿





－

５５



？

園５０  ｚ

 －

ｅ
ｆ 

ｙ
Ｊｒ



４５
＾


－



人


資
，
４０
，
－

 ：４＾


■

３ ５

３〇 ｆ
－ － 
  
 
 



， ，
！
（ ［ （ ！

３０  ３ ５ ４ ０ ４ ５ ５ ０ ５ ５ ６ ０ ６ ５ ７ ０



真实 值



图 ３ ． １ １ ＲＥ Ｂ Ｐ Ｓ Ｏ Ｖ ＿
Ｉ Ｐ 算法的预测的结 果



以 上 就 是 ＲＥ ＢＰＳＯ Ｖ Ｉ Ｐ 算 法 的 实验效果 

。

３ １


 
第 三 章 基 于 粒子 群 算 法 的 新 型 光 谱特 征波 长 提取方 法探索 



３ ． ２ 小节和 ３ ． ３ 小节进行 了 多 种 ＶＩ Ｐ 结 合粒 子 群 改进实 验 ， 这 些 实 验最后 的 效 果 对 比




就如表 ３ ． ４ 所示 

。

表 ３ ． ４ 多 种粒子 群 改进优化算 法波长选 择效杲对 比




方法 评估标 准 波 长 个数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ


   

全光谱  ＰＬ Ｓ 校正 集  ＲＭ Ｓ Ｅ Ｃ Ｖ  ６０ ０  １ ．
６ ０５ ２ ．
０９５



ＢＰ Ｓ Ｏ 校 正 集  ＲＭ Ｓ Ｅ Ｃ Ｖ  １ ３  １ ． ６ １ ８  １ ． ６３ ７



Ｂ ＰＳ Ｏ ＶＩ Ｐ 校 正 集 ＲＭ Ｓ Ｅ Ｃ Ｖ 
＿

４２ １ ． ４ ６ ４ １ ． ５０６



ＲＥ Ｂ ＰＳ Ｏ ＶＩ Ｐ 训 练 集
＿ ＿
、 验证集  ＲＭＳＥ 加权和 
１ １ ５

Ｌ１ １ ５

１ ． ３ ６４



可 以 看 出 ， 我 们 的 这 些 改 进 措 施 使 得 ＲＭ Ｓ Ｅ Ｃ 降 低 了３ １ ％  ＲＭ Ｓ Ｅ Ｐ 降 低 了 ３ ５ ％
， ， 并且采



用其 中 不到 ２０％ 的波长 点 较大程 度提高 了Ｐ Ｌ Ｓ 模 型 的 预测 能 力 并且每 步 改进 


都
一

， ， ，

比上 个 改进算 法 的 结 果 更加 稳定 鲁棒性更强
一

， 

。

ＲＥ Ｂ Ｐ Ｓ Ｏ Ｖ Ｉ Ｐ
＿
＿
虽 然取 得 比较好 的 效果 ， 但是 ，
１ ０００ 次重 复 ＢＰＳＯ ＿
Ｖ Ｉ Ｐ 算法所耗费 的



时 间 过 长 这 也是该 算 法 的 个局 限性／ 亦是我们 后文改进的方 向

一

。
，
 

．

３ ４
． ＶＩ Ｐ 自 适应 粒 子群算 法 （
ＶＡ Ｐ Ｓ Ｏ ）

在前 两个小 节 中 ， 完成 了 以 下几个工作 ：
将 基本 二 进制 粒 子群算 法进行 略微改进 ， 

应

用 至近红外光 谱 数据 ， 用 于优 质 特征波长 点 筛 选 ；
Ｂ Ｐ Ｓ Ｏ Ｊ Ｖ ＩＰ 算法将 ＰＬ Ｓ 中 的 Ｖ Ｉ Ｐ 值结合



ＢＰ Ｓ Ｏ 算法 ， 指引 了 果好地波长筛选方 向 ； 重 复循环 ＢＰ Ｓ Ｏ ＿
ＶＩＰ 算法多次 ， 并 将 校 正 集划



分 为 训 练集和 验证集 ， 根 据 训 练 集 和 验证 集 的 结 果 来 评 估 每轮循 环 筛 选 出 的 波 长 点 表 现 得




分 ， 并结 合 Ｖ ＩＰ 值计算最终得分 ， 来 进行 波长 点筛 选 。 这三种 方 法逐层 推进 ， 获得 了 较好




的 效果 ， 但是依 然存 在 以 下 几个 问 题 

：

１ ．
最优粒 子适应 度 函 数 收敛过快 ， 很快就达到 了 最优 的 位置 ， 尽管局部粒子 尚未收



敛 ， 但速度 变 化小 ， 狠难跳 出 局 部 极值 

；

２ ．
学 习 速率是固 定 的 ， 若设置较大 ， 则 出 现 收敛太 快 的 问 题 ； 若学 习 速 率设置很小 

，

粒 子之 间 会变 得更加相 似 ， 同 样也难 以跳 出 局部极值 


；

３ ．
由 于筛选 的 波长 点 时好 时坏 ， 因 此最后 的 建模结 果 波 动 比 较大 ， ＲＥ Ｂ Ｐ Ｓ Ｏ ＶＩＰ
＿ ＿


算

法 需 要循环很多 次来获 得更 多 的波 长 点 的 能 力 ， 耗费 时间 大 

；

筛 选 的 波长 点数并未 加 以 限制 时 多 时少 切 皆 以 降低校 正集 的 均 方误差为

一

４ ． ， ， 

目

标 ， 在适应 度 函 数 中 并 未均衡 波 长 点 个数 的 问 题 ， 不 同 的波长 点个数可 能得到 相似的适 应




度值 

。

３２



第 三 章 基 于 粒 子 群 算 法 的 新 型 光谱 特 征 波 长 提 取方法 探索 



自 从粒 子群算 法 问 世 ， 多 种 自 适应粒 子群算法被提 出 ， 用 于 改进基 本 粒 子群算 法 的 局




限性



根据上 面 所述 的 基 本 粒 子群 的 缺 点 ， 以 及前人 关于 自 适应粒子群算 法 的研 究 的 启




发 ， 本小 节 提 出 结 合 Ｖ Ｉ Ｐ 系数的 自 适应 粒子群算法 ， 在筛选优质波长 点 的过程 中 ， 主要进




行 了 以 下几个方面 的修改 

：

１ ．
速度更新公式


ｒａ ｎ ｄｏｍ ＞＝ ０ ５
Ｍ ＋  ｒａ ｎｄ



？

  ｃｒ ．

 （）   （ ）
［ ． 
，

ｖ
  ｐ ｂ ｅ Ｘ ｒ ａ ｎ ｄ
１

ｓｔ
（）
＜ ０ ５

 ．

其 中 

：

／／ ，
＝ 〇
，
？

 ｐ ｂ ｅ ｓ ｔ ＶＩＰｄ ＋ 
 ｃ
２
■

 ｇｂ ｅｓ ｔ ＶＩＰ  （
３ ． １ ３


）

ｃｒ
， 
＝
 ｒａｎ ｄｏ ｍ （）
？

 （
ｃ
， 
？

 ｐ ｂ ｅｓ ｔ ＶＩＰ
ｄ
－

ｃ
２
■

 ｇｂ ｅｓ ｔ ＶｌＰ ＋ Ａ ）  
（
３ ． １ ４ ）
｜
＾ 

其 中 

：

Ｘ ｇｂ ｅ ｓ ｔＸ ＋ ｐ ｂ ｅｓ Ｘ ６  Ｘ 


．

Ａ 
＝
 （
－

ｔ
－

ｐ ｂ ｅｓ ｔ
ｒ２
）
．

（
３ ． １ ５）
｜
，  
＼   ＼

＼

其 中 ，
ｒ 表示 当 前时 刻 ，
＋

ｄ？ 表 示 当 前 粒子 的 标 号 ，
ａ ｍ／ｏ ｍ 〇
ｒ 表示 产 生 以 ０ 为 均值 ，
１
为 方差



的 高斯 随机数 ， 而 表示产 生 ［
０ ，
１
）
之 间 的 随机数 ，
ｒ２ 表 示 在 所有 粒 子 中 随机选 择某 个



粒子的标号 ， 为学习 率 ， 此处 Ｖ Ｉ Ｐ 指为 当 前 筛 选 得 到 的 波长 点 进 行建模计算 得 到 的 结




果 ， 并 非 全 光谱 建模计 算 得 到 的 Ｖ Ｉ Ｐ 值 

。

在这＿的公式下 每 轮迭 代 时 每个粒 子每 个 位置都有 半 的 概率 将产 生 以Ｈ

一 一 一

， ， ，



为均值 为 方差 的 随 机數 另 半的概率 将 追 随 局 部 最优 粒 子 和 全 局 最 优 粒 子而 去
一

，
〇 ， ， 

，

向 着更好的 目 标位置 飞 去 

。

在速度 更 新公式 中 ， 引 入 了 自 适应机制 。 随 着 粒 子 的 适 应 度 ／阳 去 全 局 最 优 粒 子 适 应




度 值 差值 越 来 越 小 ，
Ａ值 会增大 ，
当 粒 子适应 度值 与 全局 最优 相 等 时 ，
Ａ将 会迗到 最大 

，

那么此时 也 会达 到 最大 产生 个 比 较大 的 干 扰 使 得粒 子 有 更大 的可能 性取 到
一 

一

，
〇 ， ， 了

个 很不 样的速度 跳 出 局部 最优产 生 可能
一

， 了 

。

另外 ， 引 入 了 局 部 最 优 ＶＩ Ｐ 值和全局 最优 ＶＩＰ 值 的 差值 、 当 前位置与 全局 最优位置差




值 以 及随机 两个粒子 的 位置 的 差值 ， 在 不影响 跳 出 局 部 极值 的 能 力 下 ， 提高 了 当 前领域 内




的 细 化搜 索 能 力 。 这是 因 为 ，
一

方面 ， 在 两个位置 同 样被取 中 的 情况下 ， 位置差值为 〇 


，

但不 同 的位置组 合会产 生 不 同 的 Ｖ Ｐ 值 导致 Ｖ Ｐ 差值是 个 比较小但 非 的值 这个小



一

Ｉ ，
Ｉ ０ ，

小 的 差值将 会 在 优 值 附 近 细 微的 搜 索 ； 另
一

方 面 最 后 达 到 收敛状 态 时 ， 所有粒子的 Ｖ Ｉ Ｐ 

值

和位置相 等 局 部 最优适 应 度与 全局 最优适 应度相 等 所有粒 子将 收敛到 同 个位置 


即
一

， ， ，

我 们 要 寻 找 的 最优 位置 ， 势必有 更 多 的 粒 子将 在 最优 位置 附 近更 加 细 密 的 搜 索 

。

３３


 
第 三 章 基 于 粒子群 算 法 的 新 型 光 谱 特征波 长 提 取方 法探索 



当 然 ， 速度依然有 着 上下 限的 限制 ， 避 免过度饱和 

：

Ｋ
 十 － ｄ
其 他情 况


（
３ － １ ６


）

，
通常 ， 可 以将上下限设置 为 ［
－

５ ，
５
］


。

２ ．

位置更新公式 

：

Ｐ

ｈ
￣

＾ ＝

Ｐ
（
３ － １ ７）


＼ｌ
〇
ｌ  ｉ
＜ ｒ３



其 

中

＾
＝
ｓ ｉｇｍ ｏ ｉ ｄ Ｖ ＾
 ３ ８）
－ 
― —

１
ｐ  ．

  （ ｔ
） （ 


ｌ ＋  ｅｘ
ｐ（
－

Ｆ ｔ 

）

ｒ
３
＝
 ｒａ ｎ ｄ
 （
ｍｉｎ  ｐ ｍ ａｘ ｐ ） ，   （
３ ． １ ９


）

是 的 最小值和 最大值 表示该粒子第 位

？
？

ｍ ｉｎ ；
７
，
ｍａｘ ；？ ｐ ，
ｉ ｚ 

。

３ ．

局 部 最优 和 全局 最优更新 公 式
？


：

．   ．
 

．

当 满足条件 可更新 的 粒 子适应 度值更低 或者相 ， ， 同 适应度值 情况 下筛 选波长 点 更小 


：

ｆ Ｘ ＜
ｆ ｐ ｂ ｅｓ  ｏｒ ｆ （ Ｘ ｆ （ ｐ ｂ ｅｓ  ａｎ ｄ  Ｘ ＞ ０） ｓ ｚｅ ＜
ｐ ｂ ｅｓ Ｘ ｄ  ＞ ０ ｓ ｉｚ ｅ
＝
（
ｔ ｔ ｉ ｔ ．


（ ｔ ） ｄ ） ｔ ）  ｄ ） （ ｌ （ ）

进 行更新局 部 最 优 或 者 全局 最优 

：

ｆ
ｐｂ
Ｆ 
ｅｓ Ｘ 
ｄ
Ｘ ｔ ，
＝
 ．

 

、


ｒ

＼  （
３ ． ２０


）

［ ｐ ｂ ｅ ｓ ｔ ＶＩＰ＾ ＶＩＰ ，
．  

．

４ ．
适应度 函数



在 ３ ３
．
小节 中 ， 将 原 有 的 适 应 度 函 数修 改 为 训 练 集 均 方 根误 差 和 验证集 均 方 根 误 差 的



加权和 本 章 节 将沿用 这 适应 度值 但是增加 个 波 长 点 个数 的 调 节 作用

一 一

， ， 了 

：

＝
 （
ｗ ？

 Ｒ ＭＳＥ Ｔｒ ａ ｉ ｎ ＋ ｗ Ｒ ＭＳＥ
 
■

 Ｖａ ｌ ｉ ｄ ）
＊

 ｒｅ ｓ ｔ  （
３ ２ ． １


）
，  ＿  ２ ＿


其 

中

（
Ｘ ｆ 
＞０ ）
ｔ
ｓ／ｒｅ



ｂ ｉ ｒｄ Ｕ ｎｓ

， ｈ
ｒｅ ｓ ｔ  ＝  ｅ ３ ２２ ．

（ 

）

其 中 ｒｅ ｓ ｔ 部分 ， 随着 筛选 波长 点 比例 的 减小 ，
ｒ ｅ ｓｔ 的 值衰减 ， 如图 ３ ． １ ２ 所示 

。

３４


 
第 三 章 基于粒 子 群算法 的 新 型 光谱特征 波 长 提 取方法探 索 



Ｂ ０
－ 
３ 



ｊ
． １

養
３
：
１ ５ －
．

Ｂ
乂 ． ｙ

 

ｉ

 广 ０   
￣ ￣ ￣
 ’

＾
￣ ￣

 
＇

Ｉ ＾ Ｆ ！

０ ０  ０ ２  ０ ４  ０ ６  ０ ８  １ ０  ０ ；０  ０ ２  ０ ４  Ｑ ６  ０ ８  １ ０
． ． ． 
 ， ， ， ． ． ． ． ．

波长 点 所 占比 例 浚长 点 斯 占 比 倒



图 ３ ． １ ２ 筛 选 不 同 比 例 波 长 个 数 对适 应 度 函 数 的 贡 献 值 及 其 斜 率



从图 ３ ． １ ２ 中 可 以看 出 ， 在波长 点数较多 时 ， 优先 以 降低波长数所 占 比 例为主 ， 降低




波长 子集所得精度辅之 的 方式来 降低适应 度值 ， 而 当 波长 点 数较少 ， 所 占 比 例小于 ０ ２ ．



之

后 ， 降低 ｒｅ ｓ ｔ 部 分对于适应 度 值 的 降低所起 的 作 用 已 经 很微小 了 ， 从而 在 波长数较少 的 情



＇

况下 ， 主 要 以 降低 波长 子集 对应 的 均 方根谭 差 为 主 要 目 的 ， 起到 一

个 自 适 应 调 整筛选 波 长


？

点 个 数 与 筛 选 出 优 质 波 长 子集 的 目 的 

。

以 上 就 是 本 文 提 出 的 基 于 Ｖ ＩＰ 值 的 改 进 的 自 适应 粒 子群算 法 

。

３ ． ４ ． １ ＶＡ Ｐ Ｓ Ｏ  应用



将 Ｖ ＩＰ 自 适应 粒 子群算 法 应 用 于 杏 仁软糖 光谱数据 ， 应用 的细节如下 


：

 １ ．
将 ｃ ｌ
，
ｃ２ 设置为 ０ ２ ．



；

２ ．
速度上 下 限设置 为 ［
－

５ ５ ， ］ 

；

３ ．
将校正 集划 分 为 训 练 集和 测 试集



４ ．
粒 子数量 为 ２０ ， 寻优过程 中 ， 迭代次数为 １ ００ 次 

。

实验结 果如 下所示 。 其 中 图 ３ ． １ ３ 是 最优 粒 子适 应 度值 的 降低 情况 ， 可以看出 ， 不同




于前文 的在
一

开始就 迖 到 了 收敛 ， 本 算 法在迭代 过 程 中 ，
一

直 在 降 低种 群 的最优适应 度值 

。

图 显示 迭代过程 中 的 中 间 结果 左 图 是 所有 粒 子局 部 最 优 适 应 度 均值 与 全


一

３ ． １ ４ 了 。

局 最 优 适 应 度 值 的 收敛 情 况 局 部 粒子 的适应 度均值最后 向 着 全局适应 度 靠 拢 右 图某



一

，
。

个粒 子 某
一

个位置 的速度 变 化 ， 可以看出在 ５５ 左右 的 时刻 ， 粒 子 的速度有 个干扰 ， 


极

大程度 的避免 了 陷 入局 部 极 值 无 法跳 出 的 情况 。 左 二 图 是 某 两 个粒 子 最优 Ｖ Ｐ 值之 Ｉ 差 ； 

右

二 图是某个粒 子与 最优粒 子 Ｖ Ｉ Ｐ 值差值 的均值 ， 这 两 者 最 后 都得 到 了 收敛 


。

３５


 第三 章 基于 粒 子 群算法 的 新 型 光谱 特 征 波 长 提 取 方 法探 索 



４


－

． ５

４ ０


－

Ｓ３ ５


－

ｍ
银３ ０


－



＇

２ ５
ｍ

＊
２ ０


－

１ ５


－

１ ０
 — 咖

？
； 丨

．     


、

   
 
￣



Ｉ
１
１
ｒ １ Ｉ

０  ２ ０  ４０  ６ ０  ？

 ８ ０ １ ０ ０



 搜索 
ｉ ｔ ｅ ｒ  ｎ ｍｓ



图 ３ ． １ ３ Ｖ Ｉ Ｐ 自 适应 粒 子群算法的 最优粒子适应 度值变化




ｔ  ―

检 〒 瑪 部 聶 ｂｉ ｉ ｊ 

？

〇


？

４
 全贫菝尤 子适Ｈ ｇ值
，

  ０ ３


－

５
－

！  

Ｉ

Ｈ Ｌ 


．

２
｜
．


§ ；

＼  ％  

．

２
＼

＼  〇，

 ° ° －

＾ ￣  ＂
￣ ｕ — —

Ｈ   ０
Ｉ

ｉ  ：

０  ２０ ４０  ６０ ８ １ ００  〇  ２ ０  ４０  ６ ０  Ｓ ０  １ ００



搜索 ｉ ｔ ｅｒ  ｍａ ｓ
 搜索 ｉ 丨
ｅｒ  ｉ ｈ 

ｍ

０ ４

 ．

班
－

〇 ｉ


 

＾
０ ３


０ ２
－ ．

〇，
■ ｜

｜
０ ．
３  Ｉ  ＾ ￣ ￣ ■ ＊ ＊



！

ｆ  Ｓ ｏ，

 、
１



＊
ｉ  ｌ ｉ

０ ５   ０ ０
、从  



０ ６  ｉ ＿ 
  
，


：
＿ 
￣ 
 

，




＾
 ２０ ４０  ６０  ８ ０  １０ ０  ０  ２ ０  ４０  ６０  ８０  １００


〇

搜素 ： ｉ ｉ ｉ ｊ ｒ  ｒ ａ
丨  ｅＳ
ｆ ｉ Ｕ ｊ ｒ Ｈ ｉ ｓ 

ｓ

图 ３ ． １ ４ Ｖ Ｉ Ｐ 自 适 应 粒 子群 算 法 中 间 过 程记 录



上述 迭 代 最终选择 的 波长 点 个数与 建模结 果 见表 ３ ． ５ 所示 


。

３ ６



第三章 基于 粒子群算法 的新型 光谱特征波 长提取方法探索 



表 ３ ． ５ Ｖ Ｉ Ｐ 自 适应 粒 子群算 法 波 长 筛 选 与 建模 结果



方法 波长点个数
 ＾  
Ｂｅｓ Ｆ ｔ ｉ ｔ


ＲＭ ＳＥＣ

ＲＭ Ｓ Ｅ Ｐ



ＶＡ Ｐ Ｓ Ｏ

单次最优 ９ ０ ．
８６０３ １ ． ２９８ １ ．
２８９


  


其 中 所选 的 ９ 个波长 的位置 见 图 ３ ． １ ５ 。 该算法通过 自 适应速度 更新 、 自 适应适应度 函




数的方式 ， 筛选 了 很少 的波长点 ， 获得 了 更好 的 拟 合 能 力 和 预测 能 力 

。

￣ ￣ 

￣

１
０ ９ ．
－

 

／

，
° ８ ．

Ａ 

／



／



／
° ６
＇


Ｉ
      ｒ

 Ｉ
Ｉ
Ｉ Ｉ

８ ０ ０  １０ ０ ０  １ ２ ０ ０  １ ４ ０ ０  １６ ０ ０  １ ８ ０ ０  ２ ０ ０ ０



 狻长 


？

．
朋）
（

图 ３ ． １ ５ Ｖ Ｉ Ｐ 自 适应粒 子群算 法选择 ９ 个波 长 点 位置




３ ７


 第 三 章 基 于 粒 子 群 算 法 的 新 型 光谱 特 征 波 长 提 取方 法 探 索 




７ ０ｎ
  
  

７１




基浅


Ｓ 试 集


ｆ

★
６５
＿

Ｉ ＋ 概 集 

ｙ
６ ０
－

 Ｚ




，
如
５ ５
＾

 

？
？夤



５０ 
－

 ＾


＿ 

ｚ
４ ５
－

Ｙ




今
，


？

＾


４０ 
－



ｙ



＾

３５
－

 ％４

３０  

１       ｉ
ｉ
ｉ ｉ
ｉ
ｉ  

Ｉ

３ ０ ３ ５ ４０ ４ ５
？

５０ ５ ５ ６ ０ ６ ５ ７ ０



真实 值



图 ３ ． １ ６ Ｖ Ｉ Ｐ 自 适 应粒 子群算 法预 测 值与 真 实 值 对 比



为 了 验证 算 法 运 行 结 果 是 否 问 題 ， 将算法运行 十次 ， 十次对 于 测试集 的 预 测 精度 如 图




３ ． １ ７ 所示 

。

１ ６５
－

 ■

 ／＼



ｉ
： ：
Ｍ ／


Ｖ
■

３ Ｖ


０ ２  ４ ６ ８



ｉ ｔ ｅ ｒ  ａｕｒ


ａ

图 ３ ． １ ７ 多 次 自 适应粒子群方法在测试集上的 预测精 度



Ｖ Ｉ Ｐ 自 适应粒 子群算法单次运 行 ， 通过 自 适应速度更新 、 自 适应适应度 函数的方式 


，

筛选 了 很少 的波长 点 ， 依然 能够 获 得很好的 拟合能力 和 预测 能 力 ， 筛 选优 质 波长 点 的 效果




比 ３ ．
２ 小节 ，
３ ． ３ 小节更优 

。

３８



第三章 基 于粒 子 群算法 的新 型光谱 特征波 长提取方 法探索




３ ． ４ ２Ｒ ｅ
． ＶＡ Ｐ Ｓ Ｏ



由 于 Ｖ Ｉ Ｐ 自 适应 粒 子群算法大 多 数情 况 下 能 够 选择更 优 的 粒 子 来 建模 预测 ， 因 此不需




要 进行数量 非 常 多 的 循环次数 即可筛 选 批质 量较高 的 波长 点 将 Ｖ 适 应 粒 子群算



一

， 。 Ｉ Ｐ 自

法循环 ５ ０ 次 ， 将这 ５ ０ 次 的各个波长 点 的表现计算 波长 点 表现 的 分 ， 并加入全光 谱 建摸精




度和 Ｖ Ｉ Ｐ 值 ， 计算最后各个波长 点 总体得分 。 将 得分从大 到 小排 序 ， 逐 一

筛选 ， 计算 校正



集 、 训 练集 、 验证集 、 测 试集 的均方根误差 ， 得到如 图 ３ ． １ ８ 所示 的结果 


。

６
 ；
—

ＭＳ Ｅ Ｃ



ｉ  

函Ｓ Ｅ —
Ｖａ ｌ ｉ 

ｄ

— ？  －

 ｔ ５ Ｓ ＥＰ
！


５ Ｂ 交 叉验证平 均均 方 误 差
－

 

：

４

＇

ｍ
■



Ｉ

？  Ｉ
’
ｇ３ －

、Ｖ Ｉ ：二
－

－ 一
 一
丨
一 

一
—
 １
卜
ｉ ｋ ：
…


一

２
－

 Ｉ

ｉ  ．

一 督１ ，


一

Ｋ
卜
一 ’


一


一

！ ｉ
１ １
 ，  ＃
－ ？？  

？

一￣




１
 １
  

    
   


 

—

ｒ
＇
１ Ｉ
Ｉ
Ｉ
Ｉ

０ １０ ０  ２ ０ ０ ３０ ０ ４０ ０ ５０ ０ ６ ０ ０



波 长 点 个数 

－

图 ３ ． １ ８ Ｒ ｅ ＶＡ Ｐ Ｓ Ｏ 算法 ５０ 次循环评估筛 选



选择校正集 的 ＲＭ Ｓ ＥＣ 最小 的那 个波长 子集 ， 波长 点 个数为 １ ２６ 个 ， 结 果见表 ３ ． ６ 


。

表 ３ ． ６ Ｒ ｅ ＶＡ Ｐ Ｓ Ｏ 算 法 波长 筛选建模结 果



 ＾ 
波长 点 个数

ＲＭ Ｓ Ｅ Ｃ

ＲＭ Ｓ Ｅ Ｐ




Ｒ ｅ ＶＡ Ｐ Ｓ Ｏ １ ２６ １ ． ０７９ １ ． ２３ ０







３ ９


 第 三章 基于粒子 群 算法 的 新 型 光谱特征波长提取方 法探 索 










 ７  波长 得 分
－ 点 

１ ０ ．

朱０ ８ 
／


－

／
■

＊ §



％ 
０ ６
－
Ｍｍｍ Ｊ  

；


－

｜ 

丨

、
Ｌ 


，

 
 
  


（
（

８ ０ ０ １ ０ ０ ０ ．
１２ ０ ０  １４ ０ ０  １ ６ ０ ０  １ ８ ０ ０  ２ ０ ０ ０



波长 点



图 ３ ． １ ９ Ｒ ｅ ＶＡ Ｐ Ｓ Ｏ
＿
算 法 所选 择 波长 点 以 及 各波长 点 得分




 

７０


ｎ
—
—

１ ｉ


碁线 

＾
— —

ｍ
觀則 户 ★
＇


食
仍
＿
＊

＋  校正 集



Ｖ － —  ｎ ． ． ． ｗ

５ ５
Ｚ

 ｙ ■



＃

ａ ｓ

／
Ｗ  ５０ 
．

 －

 ｚ



ｍ 

，

４５
 ｊｆ


－



？


？

４０


－



？



－

３５

    


３ ０
 

Ｉ
＞ 

Ｔ
Ｉ
１ １ ！

３０ ３ ５ ４ ０ ４５ ５ ０ ５ ５ ６ ０ ６ ５  ７


０

真实 值



图 ３ ． ２ ０Ｒ ｅ ＶＡ Ｐ Ｓ Ｏ 算法预测结 果



虽 然最 后获 得 的精 度很好 ， 结果 更加稳定 ， 但是 出 现 波长 点 个数过 多 ， 而且集 中 很密




４０


 
第 三 章 基 于 粒子 群 算 法 的 新 型 光谱 特 征 波 长 提 取 方 法 探 索 



集的问题 如何找到 个稳定且寻找更 少 的 波 长 点 个数来建模是接 下 去 想 优化 的 方 向

一

，


。

３ ． ２ 小节 ，
３ ． ３ 小节 ，
３ ． ４ 小节共提 出 了 多 种 粒 子群 改进算 法用 于 光 谱 特征 波长 的 筛选 

，

表 ３ ．
７ 为 这几种算 法 的 效果 ， 以 及 基 本 算 法 效果 对 比 

。

表 ３ ７ ． Ｖ Ｉ Ｐ 自 适 应粒 子群算 法与 前文算 法对 比



方法 波长 点个数 Ｒ Ｍ ＳＥ Ｃ ＲＭ Ｓ Ｅ Ｐ


   

全 光 谱  固 定 ６ ０ ０  １ ． ６０５  ２ ０９５


．

ＢＰ Ｓ Ｏ 单 次 最 优 １ ３  １ ． ６ １ ８  １ ． ６３ ７



Ｂ Ｐ Ｓ Ｏ ＶＴＰ  单 次 ＿
最 优  ４２ １ ． ４ ６４ １ ， ５０６



ＲＥ Ｂ Ｐ Ｓ Ｏ Ｖ ＿ ＿
Ｉ Ｐ  循 环 １ ０ ０ ０ 次 １ １ ５  １ ． １ １ ５  １ ． ３ ６４



ＶＡ Ｐ Ｓ Ｏ  单 次 最 优  ９  １ ． ２９８  １ ． ２ ８９



Ｒ ｅ  ＶＡ Ｐ Ｓ Ｏ 循环 ５ ０ 次 １ ２６

Ｌ Ｑ７ ９ １ ． ２３ ０


  

从 中 可以看 出 这些算法 层 层推进 均 比上 种 算 法有 改进提高 但也有 各 的缺 点和局



一

， ， ， 自

限性 。 例如 ，
Ｒ ｅ ＶＡ Ｐ Ｓ Ｏ＿
， 虽 然 相 比 较 ＲＥ ＿
ＢＰＳＯ ＿
Ｖ Ｉ Ｐ ， 大大减少 了 循环所 需 的 次数 ， 

但

是依 然需 要 循环 ５０ 次 ， 耗费 时间 。 另 外 ， 循环 算 法虽 然 比 单次算 法 更 加 稳定 ， 但是筛选



得到 的 波长 点数量 也更多
■

 

．

３ ５ｉ ． ＶＡ Ｐ Ｓ Ｏ  算法



３ ． ５ ． １ 基本 ｉ ＶＡ Ｐ Ｓ Ｏ 算法



从 小节 中 可 以得到 方面 通 常被选 中 的 优质 的 波长点在 光谱上的位置聚集在



一

３ ４
？

．
： ，

起 有 ，
一

些 区域 内 的 波长 点 几乎很少 会被选 中 ，
这 些 区域通 常都 位于 Ｖ Ｉ Ｐ 值较小 的地方 

，

但 是 如果 刀 切 的 方 式 直接 去 除 部分 区域 可 能 会 出 现少 数优 质 的 波 长 点 被剔 除 的 情


一 一

况 另外 方面 由 于 波长 点数过 多 而 样本 点 数较少 ２４ 个校正样本 个波长 点

一

。 ， ，
（ ，
６ ００ ） 

，

因 此 每轮筛 选 都 会有 较 大 的 波 动 ， 波长 点 个数不 固 定 ， 所 处 的 位 置 变 化 也 不 没有
一

定 的规



则 但大 致都 会集 中 在 部分区域中
一

， 

。

根据 以上两点 ， 在本小节 中 ， 提 出 了 间 隔偏 最小 二乘 Ｖｆ 自 适应 粒子群算法




（
ｉ
ｐ
ｌ ｓ
＿
ＶＡＰ Ｓ Ｏ ， 简称为 ｉ ＶＡ Ｐ Ｓ Ｏ ）
， 该 方法结 合 了 间 隔偏最小二乘的 思想 ， 以及上文 中 的 Ｖ Ｉ 

Ｐ

自 适应 粒 子群 算 法 ， 将 波长 点 筛 选分 为 两 轮 

：

在第 轮 中 将全光谱分为 定数 量 的 区 间 间 隔 每个间 隔 定数量 的波长点 粒子



一 一 一

， ， ，

群将 以 区 间 间 隔 为 单位 即 个区 间 对应 位置 向 量 中 的 位 若该位被选 中 那 么整个 间


一 一

， ， ，

隔被选 中 参与 建模 粒子每 位的 ＶＩＰ 值为 这个 间 隔 中 各个波长 点 Ｖ Ｐ 值累积和 在该轮



一

，
Ｉ 。

中 ， 采用 ３ ．
４ 小节 中提出 的 Ｖ Ｉ Ｐ 自 适应 粒 子群模 型 ， 寻找 的是最优 的 间 隔组合 。 由 于间 隔



４１


 第 三 章 基 于粒 子 群 算法 的 新 型 光谱 特征 波 长 提 取方法 探 索 



数相 比较于全光谱 波长数 ， 少 了
一

个数量级 ， 因 此每轮迭代 的速度很快 ， 通过独立循环 多




次的方式 ， 记录每
一

轮循环 中 选 中 的 间 隔编号 ， 将每个 间 隔 被选 中 的 频次作为 第 二 轮速度




的初始值 通过这样的方式 在 开始就给全光谱 个好 的 区 域指 引 方 向

一
一



。
。 ，

在第 轮 用 上 轮各个 区 被选 的频次 来初 始化粒 子 的速度 对于 次都 没有



一

二 间
一

中 ，
， ，

被选 中 的间 隔 ， 不参与 第二轮的筛选 。 在找到 的这 些 间 隔 中 寻找更 优 的 波长 点 组合 ， 来作




为 该算法最后筛选的 结果 

。

算法 的 整体流程 图 如 图 ３ ． ２ １
所示 

。

第 轮
－
一



ｉ

 



！  设置 间 隔 数 和 迭代 次


！  数 ：
，
计 算全 光谱Ｖ Ｉ Ｐ 

值
 

｜

 

；




 



Ｙ ；  
   



：  ．

ｉ
随 ｆ 划 分 训 练集和 验 Ｌ
 第 二 轮 

ｉ

证 集  

！

 

丫
：

！ 
 

ｑ


 根 据 需 求 选择 结 束搜 索  

ｉ

！   ＊  或者 循环 第 二 轮 建立 ，


］

否 采 用 Ｖ 丨

Ｉ Ｐ 自 适 应 粒 子 群 校
正 模 型 评估 算 法 效 ，
：


丨

算 法 寻 找 最 优 间 隔 组 果 

丨

 
 ：



人

 合 
  


Ｘ 


！


；

   


１
ｉ

＾ ＾  —

 １
 
’
Ｔ
ｒ 
： 


１
： ： 

采用 Ｖ Ｐ 自 适应 粒子群 Ｉ



：

记录 当前 所选 间 隔 编  算 法 在 选择 区间 内 进 ＇
， 

Ｉ

Ｉ
 
号  行波 长 点 筛 选 
 ｙ
—

 

Ｉ

：   根 据 各个 区 间 所选 频 

ｉ

达 到迭 代 次 数 是 ？ 次

代 替 Ｖ Ｐ 值 作 为 ：
？ ＇
— 一 ￣

， Ｉ ，

ｒ ｉ  ｉ Ｚ  第 二 轮 初 始 化 值 ｚ


丨

 ＇ ，
ｉ
． ．

 
ｉ    ； Ｌ  Ｊ
；

二 、 乂  ｉ 

图 ３ ２ ． １ｉ ＶＡ Ｐ Ｓ Ｏ 算 法流程 

图

按照上述 的算法流程 ， 比较不 同 的 间 隔 数不 同 的 迭代次数的 实验结果 ， 来选择最合适




的 间 隔 数 和 迭 代次数 ， 见表 ３ ．
８ 

。

从下 表 可知 采用 个 间 隔 每 个波长 点 为 个间 隔区间 时 所得 到 的 算


一

３ ．
８ ， 当 ３ ０ ，
２０ ，

法效果最优 。 图 ３ ． ２２ 为 ３ ０ 个 间 隔情况下各个 间 隔 被选频次 。 从图 中 可以看出 ，

Ｖ Ｉ Ｐ 值大



的波长 点被选 中 的频次相对会更大 点

一



。

４２



第 三 章 基 于 粒 子 群 算 法 的 新 型 光 谱 特征 波 长 提 取 方法探 索




表 ３ ． ８ 不 同 间 隔 与 迭 代 次数 情 况下 算 法 的 预测 结 杲 对 比



第 轮第 轮 循第 轮 选第 轮平均 第 轮 选 取 Ｂ

一

二
一 一

 ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ
一

ｅ ｓ ｔ Ｆ ｉ ｔ 


间 隔 数 环 次 数 取 间 隔 数  Ｒ Ｍ Ｓ Ｅ Ｃ 波 长 个 数




２０  １ 〇  １ １  １ － １ ６５  ５ ０ ． ７ ８２  １ ． ２０５  １ ．
５ ８２



３ ０  １ 〇  １ ９ ０ ． ９３４  １ ６ ０ ． ８ ２ １  １ ．
１ ５ ０  １ ．
４０ 

１

６〇  １ ０  １ ８  １ ．
０ ９４  ５ ０ ８ ３  ３ ３ ７  ４ ９０
． １ １ ．
１ ．



４ 〇    ２ ５ ０
１ 〇 １ ８ １ ． ０３ ７ ． ８ ２６  １ ．
１ １ ９  １ ． ５４８



３ ０  ２ ０ １ ６ ０ ． ９ １ ９  １ ０ ０ ． ８ １ ９  １ ． １ ５７  １ ． ３ ８０



６〇 ３ ０ ３ ８ Ｌ０２ ４
１ １ ０ ８
． １ ８ １ ．
１ ４６ １ ．
６５ ９



 







ｒ
１ 。


－

ｇ ｊ 

＼

０ ８


－

卜 Ｖ 

Ｊ
０ ４
－

■


．


讕ｇ 



０  １〇 〇  ２ ０ ０  ３ ０ ０  ４０ ０ 
５００ ６００



波长 点 以 及 间 隔



图 第 轮 间 隔 循环 次所选 间 隔 频次 及 与 Ｖ 值对比


一

３ ． ２ ２ ３ ０ ２ ０ Ｉ Ｐ

粒 子群搜 索 迭代 的 中 间 过程不再详细描述 ， 第 二 轮全局 最优适应度值的迭代情况如 图




３ ．
２３ 所示 。 所选择 的波长 点见 图 ３ ２４
．
， 预测结果见 图 ３ ２５
．


。

４３


 第 三 章 基 于粒 子 群 算法 的新 型 光谱特 征 波 长提 取方 法探 索 



２ ． ４



１
２ ０ ．
－

 

Ｉ



ｇ
姻 １
’

８
－

 

１



￡
１ ６


－

Ｓ ，４
－

 




＾



＼


－

１ ０ ．

〇 １０ ２ ０ ３０ ４０ ５ ０




第二轮 迭 代 次数



图 ３ ２ ３  ｆ ＶＡ Ｐ Ｓ Ｏ
．
算法 第 二 ｔ变化
轮搜 索全局 最优粒 子适应度 ｆ 




＊
—  



－

１ ． １ １

０ ９ ．
－

 

／

１
－
ｆ ｊ

 ＼

０ ７ ．
－

 

／

厂Ｗ


０ ６  ｓ ．


／

８ ０ ０ １ ０ ０ ０ １２ ０ ０ １４ ０ ０ １ ６ ０ ０ １ ８ ０ ０ ２ ０ ０ ０



波长 （ ｍｎ ）



图 ３ ２４
． ｉ ＶＡ Ｐ Ｓ Ｏ 算法第 二 轮所选择波长 点



４４



第 三 章 基 于 粒子 群 算 法 的 新 型 光谱 特 征 波 长 提 取 方 法探索 



７ ０
－   




基线


 ＾ ’吟


５５
＿  ＋ 校 正 集
 ， 冬


＋
 ＋ 测 赌  ＇

，
，

６ ０  Ｚ
－


 

？



－

５ ５
４
■



－

ａ Ｚ 

ｍ ｓ ｏ  ｚ

 －

＾


－

４ ５



？

４ ０



－


ｙ
３ ５

３ ０
－ ￡
 ｉ
      Ｉ
ｉ
ｉ ｉ ｉ  

！

３ ０ ３ ５ ４ ０ ４ ５ ５ ０ ５ ５ ６ ０ ６ ５ ７ ０



真实值



图 ３ ． ２ ５ ｉ ＶＡ Ｐ Ｓ Ｏ 所 选 择 波 长 子 集 最 终预测 值与真实值对 比



上 述 为 基 本 的 ＶＡ Ｐ Ｓ Ｏ 算 法 ｉ 。 算法最 后 的 效果不如 ｒｅ
＿
ＶＡ Ｐ Ｓ Ｏ 算法 ， 但是 在 多 轮 迭代



中 减少 了 粒子的长度 ， 速度大幅提高 ， 最终拟合的 结果 也在接受 范 围 内 


。

法


ＶＡ Ｐ Ｓ Ｏ  算


？

３ ． ５ ． ２Ｒ ｅ ｉ

即使是确定 间 隔后 ， 还是容易 出 现随机 ， 不稳定 ， 易 过拟合 的现象 ， 但是大部 分结果




都 比较好 。 为 了 评估各个波长 点 的 情况 ， 由 于第 二轮参与 寻优 的 波长点 数量相 比较与之前




减少 了 至少
一

半 ， 因 此速度 较快 ， 因 此将 第 二 轮循环 ３ ０ 次 ， 然后 根据 各 个 波长 点 的 表 现 

，

来选 出 优 质 的波长点 。 根据这 ３ ０ 个结果 ， 统计 的 到 每个波长 点 的 表现分 ， 根据 表 现分排




序 逐 增加 波长 点 计算误差
一

， ， 

。

在计算 最 后 总 表现得分 时 ， 改进 了３ ． ３ 小节 的计分公式 ， 选用 了 两种计分策略 ， 如公




式 ３ ． ２３ 、 ３ ． ２４ 所示 。 在本小节 中 ， 将分别 使用 两 种 计分策略 ， 应用于 ｒｅ

＿
ｉ ＶＡ Ｐ Ｓ Ｏ 算法 。 

改

变 计分策略 的原 因 

：

１ ．

筛选 的 波长 点 相 比较与 前文的 方法 ， 更加少 ， 通 常 都 是个位数或者 十 几个 波长 点 


，

因 此还进行计分 归 化的话 在 备选次数 少 的 清 况 下 不是很 能体现波长 点 的表现

一

， ， 

；

２ ．

这 些 波长 点 的表现相 比较与 ＢＰＳ Ｏ Ｖ Ｐ

Ｉ 算法 ， 拥有 更 好地预测性 能 ， 单 靠 验证集



均 方根误 差换算 的得 分 已 无 法 区 分波长 点 之 间 


。

４５


 第 三 章 基 于 粒子 群 算 法 的 新 型 光谱 特 征 波长提 取方 法 探 索 



修改的两种策略如下 

。

Ｅ ｒｖ ＶＩＰ

－

＂ ｉ ＾ 

＾

、
ｓ ｃ ｏｒｅ ／
＝
 
—

（
Ｊ ． ｚｉ 

）
，  （ ）

ｃｏｕｎ ｔ ｒｖ ＞  ０ ）
（ ｉ 

ｉ ｔ ｅｒ ｎｕｍ



ＴｖＰ ｉ
ｊ


．

ｓ ｃ ｏ ｒｅ
２ （
ｉ
）
＝  — 

 （
３ ． ２４


）

ｃ ｏｕ ｎ ｔ ｖｉ
ｐ ＞  ０ ）
 （
ｆ ｊ 

应用 ｓ ｃ ｏｒｅ ｉ 为 计分策略的 子集选择如 图 ３ ． ２６ 和 ３ ． ２７ 所示 


。

 ？
｛
—

ｍｍ


９
 
＂

Ｌ ！
－ － －

Ｍ Ｓ Ｅ ． 
Ｖａ ｌ ｉ 

ｄ

— ＊ －

ｍ ｓ Ｅ ？


８
  ！
ｊ
＂ ―
留
一

交 叉 验逝 平 均 均 方 误差


― 一




．

Ｊ ｊ

一
一
ｉ  ５


１

 
６
＃
￣


（ 

！

１
５  ！


１

染
 
＊

 ４
＾ ＊ ＊
＾


＾ 
＾ ｉ  ｉ


｜ ： ｊ ｊ

４
－

 Ｉ ５ １  广
… …

 ｜
ｆ ｔ
 Ｉ



２ 齡


１


－

ｉ     ［
ｉ
ｆ ｔ   ｉ


ｒ

０  １０ ０  ２ ０ ０  ３ ０ ０  ４０ ０  ５０ ０  ． ６００



 波长 点 个 数



图 为 计分策略逐 筛选波长 点 总 体情况



一

３ ２ ６ｓ ｃ ｏ ｒｅ
．
ｉ

４ ６



第 三章 基 于 粒子群 算 法 的新 型光谱 特征 波长提取方法探索




５ 〇 ． ＴＴ
１
 丨



—
一

腿 ｅｃ



、 

一

． —

４ ５
－

４ ０


－

？３ ５


－

５ Ａ


３ ０  ／
－

ｐ
． 

Ｉ

２ ．
５
－

 

！

２ °
广 八，
－

、
飞 「 、



 ｌ／ ｃ 一 

＾
１ ５
－

１ － ０
－

Ｌ ，


，


，
￣ 

，


，


ｎ


－

０  ２ ０ ４０ ６ ０ ８ ０ １０ ０




＇

 波长 点 个 数 

图 ３ ２ ７ｓ ｃ ｏ ｒｅ
．
ｉ 为 计分策 略 中 增 加 前 １ ００ 个波 长 点 校正 集和 测试集 ＲＭ Ｓ Ｅ 改变 情况



从 图 中 可 以得到 选择 ＲＭ ＳＥＣ 刚 开始到 达平坦 区域的那 个点 即 个波长



一

３ ．
２７ ， ，
４８

点 作为 特征波长 子集 刚 好 在 这个 子集 下 测试集 均 方 误 差 也 下 降 个档 次
一

， ， 

。

应用 Ｓ Ｃ 〇ｒ
ｅ２ Ｓ 计分策 略进行筛选 波长 子集过程 可 以 见 图 ３ ． ２ ８ 和 ３ ． ２９ 

。

＊  — ■

Ｓ １ Ｓ ＥＣ  

Ｉ

 Ｖａｌ
—

Ｉ
Ｉ

ｆ ＳｉＳ Ｅ ． 
ｉ 

ｄ

８
＂
 １
—  －

ｒ
ａｓ Ｅ Ｐ



 ！
— ？

留
一

交 叉 验证平均 均方 误 差





！



１

＾ ＿
丨  飞


、
＊

ｒ  ！


－

雪  Ｉ
＇
广
一
＇
．
，
４善７

 ＇


．

＾
…

４ １ 

！

繁  一
： 

ｒ  ｆ  ｕ ；

Ｉ
      Ｉ
１
Ｉ Ｉ


Ｉ

０  １ ０ ０  ２ ０ ０  ３ ０ ０  ４０ ０  ５ ０ ０  ６ ０ ０



波长 点 个 数



图 ３ ． ２ ８ｓ ｃ ｏ ｒｅ ２ 为 计 分策 略逐 一

筛选波长点总 体情况



４７


 第 三 章 基 于 粒子 群 算法 的 新 型 光谱 特 征 波 长 提 取 方 法 探 索 



ｈ
—

Ｋ ｉ Ｓ ＥＣ  

：

５ ０
＂

 ｉ ｆ  ￣ ￣ ￣
 Ｐ Ｍ Ｓ ＥＰ



４ ５．
－  

＾

４ ０．
 

！


３ ５
＊ ＊

？ 
－

，


｝

雎  ？


！

？  ３土 ０  
 ｈＨ

－

ｉ


忪 

ｊ

２ ５


－

２ ． ０

１ ５ ．
－


＊

ｙ



ｊ
ｈ ＾￡Ｘ





嫌
１ ０ ．
－

   
 

Ｉ


Ｉ
Ｉ
１ ！
＼

〇 ２ ０ ４０ ６ ０ ８ ０ １ ０ ０



波 长 点 个 数  

：

图 ３ ２ ９ｓ ｃ 〇 ｒｅ ２
．
为 计 分策 略 中 增加 前 １ ００ 个 波 长 点 校正 集 和 测试集 ＲＭ Ｓ Ｅ 改变 情况



从上两 图 中 看出 ， 选择校正集样本 ＲＭ Ｓ ＥＣ 第
一

个达到 极小 值 的 点 ， 即 ２８ 个波长点



的子集 ， 此时 ＲＭ Ｓ Ｅ Ｐ 也下降 一

个档次 

。

两 种 策 略使用 效果 对 比见表 ３ ．
９ 

。

表 ３ ． ９ 两 个 不 同 计 算 波 长 重 要 性 策 略 效 果 对 比 

．



—

计 分 方 式  波 长 点 个 数  Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ  ＲＭ Ｓ Ｅ ｖａ ｌ ｉ ｄ  ＲＭ Ｓ Ｅ Ｃ Ｒ Ｍ Ｓ ＥＰ 
Ｓ ｃ ｏｒｅ  １  ４ ８ ３ ． ５ ３ ６ ２ ． ３ ０９  １ ． ３ ５３  １ ．
１ ９７



Ｓ ｃｏ ｒｅ２ ２ ８ ３ ４１７
． １ ． ６５３ １ ． ２８８ １ ． ０ ８５



 
 

最终选择 ＳＣ 〇ｒ
ｅ２ 作为 计分策略 。 各个 波长 点 得 分 以 及所 选 择 的 波 长 点 位 置见 图 ３ ．
３ ０ ， 而该



波长 子集预 测 值 与 真 实 值对 比见 图 ３ ． ３ １ 

。

４８


 
第 三 章 基 于粒子 群 算 法 的 新 型 光谱特征 波长提 取 方 法探索




光谱


ｒ
 § 波长 点 得 分
…

１ ０
－



：

？
德
 波长 点



图 ３ ３ ０ ｓ ｃ ｏ ｒ ｅｓ
．
ＩＩ
８ ０ ０  １ ０ ０ ０  １ ２ ０ ０  １４ ０ ０  １ ６ ０ ０  １ ８ ０ ０  ２ ０ ０ ０



为 计分策 略波长 点 得分 以 及算法所选波 长 点

—
Ｉ 

」


’

７ ０
－ 




基线


 ＊漏 试 集


令
＿

６ ５

＋  校正 集



６ ０
 ？ 輔
／

 

？



，
， 

’

５ ５
－

产
 ★

ａ Ｚ


ｍ  ５０  

－

ｍ ０


７


４５



＾ｋ


０
４ ０
－



？

３ ５
． 

＜
，
麵

，
， ４ 


＊

３０ 
－

 



ｐ      ｉ ｉ
ｉ ｉ
ｉ ｉ １

３ ０  ３ ５  ４ ０  ４ ５  ５０  ５ ５  ６ ０  ６ ５  ７ ０



真实值



图 为 计分策略的 ＶＡ Ｐ Ｓ Ｏ 算 法 预测 值 与 真 实 值 对 比


－

３ ３
． １ｓ ｃ ｏ ｒｅ２ ｉ ｅ ｉ
＿

在筛选 出 的 波长点都 表现 的 比较好的情况下 ， 采用 第 二 种 算 法 会筛选 出 更优 质 的波长




点 而 若迭 代 过 程 各个表现有 好有 差 的 情 况下 采用 第 种算法 筛选 的波长 点 更优 质

一

， ， ， 

。

重复启 动 ｒｅ
ｊ ＶＡ Ｐ Ｓ Ｏ 算法 ， 看算法的 可重复性效果 ， 见表 ３ ． １ ０ 

。

４９


 
第 三章 基于粒子 群 算法 的新 型光谱特征波长提 取 方 法探索 



表 ３ ． １ ０ 重复运行 ｒｅ
Ｊ ＶＡ Ｐ Ｓ Ｏ 算 法 得 到 的 结 果 波 动




＇


＇

 重 复 次 数  波 长 点 数  ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ

１  ２８  １ ． ２８８  １ ． ０８５



２  ４８  １ ． ３ ２ ８  １ ． １ ５ 

４

３ １ ９ １ ． １ ２０ １ ． ２ １ ７５
 


 

从上表 中 可 以算法 ， 该算 法不 需 要 过长 的 时 间 ， 但 能 够 筛 选 很少 的 波 长 点 ， 并且依然保持




很高的预测性 能 ， 偶 尔甚 至能够获得特别好 的效果 


。

３ ６ ．
与 其他方法 的 对 比



３ ．
６ ． １ 全 光谱 偏 最小 二 乘 回 归



ＰＬＳＲ 是集主成分分析 典型 相 关分析和 多 元 线性 回 归 的 优点于 身 的 建模方 法 


广
一

，
、

泛应 用 于 分 子 振 动 光 谱 定量 分析 ， 并 且 取 得 不 错 的 成杲 。 采用 交叉验证 的 方 法确 定最佳 的



主 元个数 ， 即 潜变 量数 ， 见图 ３ ．
３２ 

。

 




６ ５ ．
１
＊

＼


＿

６
－


５ ５ ．
－

  ＼


－

＞ 
５

 ＼


：

／

 ＼

１ ２ ５ ．


０ ５
Ｖ ＇ 


Ｊ
１
１ 



０ １ 

５

潜变量数



图 ３ ． ３２ 全光谱 ＰＬ Ｓ 潜变量选择



从图 中 得知 最佳潜变 量数为 ７ 。 建模的结 果如 表 ３ ． １ １

所示 

。

５０



第 三 章 基 于 粒子 群 算 法 的 新 型 光 谱 特 征 波 长 提 取方 法探 索 



表 ３ ． １ １ 全光谱 ＰＬＳ 算法主 元个数选择




方法 波长数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ 主元个数


  


Ｐ Ｌ Ｓ Ｒ ６００  １ ６０５ ２ ．
０９５  

７

３ ． ６ ２ ．

间 隔偏最小二乘



仅仅采用 ｉ
ｐ ｌ ｓ 算法 ， 设定的 间 隔 个数为 ２０ ， 即分别 在 ２０ 个区 间 建立偏 最小 二乘模型 

，

得到 的 每个 间 隔 与对应模型 的 Ｒ Ｍ Ｓ Ｅ ＣＶ 如图 ３ ． ３ ３ 所示 

。

８       Ｉ
Ｉ
ｉ
Ｉ
ｉ
ｊ
ｉ
   Ｉ ｉ


Ｉ

０ ２ ４ ６ ８ １ ０ １ ２ １ ４ １ ６ １ ８ ２ ０



间隔



图 ３ ３ ３
． ｉ ＰＬＳ 方法不 同 间 隔 的 ＰＬ Ｓ Ｒ 模型 ＲＭ Ｓ Ｅ Ｃ Ｖ 图



从图 ３ ． ３ ３ 中 可以看出 ， 第 ９ 个区间为 ＲＭ Ｓ Ｅ ＣＶ 最小 的 区 间 ， 这个 间 隔对应 的 波长 区




点 范 包括 为 １ ２ ８０ －

１ ３ ４ ０ ｎｍ 。 其次最小 的 两 个 区 间 为 为 第 ２ 、 ３ 个区 间 。 因此 ， 根据 ＲＭ Ｓ Ｅ Ｃ Ｖ



从小 到 大 取这 ３ 个区 间 进行 ＰＬ Ｓ Ｒ 建模 ， 得到 的 结果如表 ３ ． １ ２ 所示 

。

表 ３ ． １ ２ ｉ ＰＬ Ｓ 方法 最优 间 隔及最优 间 隔组合 比较



波长数 主元个数


 ＾  
ＲＭ Ｓ Ｅ Ｃ

ＲＭ Ｓ Ｅ Ｐ


Ｐ Ｌ Ｓ Ｒ ６ ０ ０ １ ．

６０５ ２ ．
０９５  

７

［
９
］  ３ ０ １ ． ６３ ５  ２ ０ ．
１ ５  

４

［
３ ］
．
 ［
９ ］  ６ ０ １ ． ６８５  １ ． ５２ ６  

６

６５４
［
２
］
＇
 ［
３
］
，
 ［
９］

９０

１ ．


１ ． ６６７

５




由 表 ３ ． １ １ 可 以看 出 ， 组合的 ｉ
ｐ
ｌ ｓ 方法筛选 出 的 波长 点较少 ， 在测试集上的表现优于 全光谱



５ １


 基于 粒子 群算法 的 新 型 光谱特征波 长提取方法探索
 第 三 章 



的模型 。 取第 ３ 、 ９ 个 间 隔 进 行 组 合建 模 ， 仅用 到 了６ ０ 个波长 点 ， 大幅 降低 ； ＲＭ Ｓ Ｅ Ｐ 


。

３ ． ６ ３Ｃ
．
ＡＲ Ｓ



将 Ｃ ＡＲＳ 算 法应 用 于 杏仁软糖近红外光 谱 数据 ， 对于不 同 的 迭 代 次数 ， 每种 参数 重 复




１ ０ 次 ， 选 择 最好 的 结 果进 行 对 比 ，
Ｃ ＡＲ Ｓ 得到 的结 果如表 ３ ． １ ３ 所示 

Ｑ

表 ３ ． １ ３ 不 同 迭 代 次数下 ＣＡＲ Ｓ 得到 的结果对 比




迭 代 次数 主 元 个数 选择 波长 个数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ


   

１ ００  ７  １ ３  １ ． ６５ ８ ６ ２ ． ０８９ ８



５ ００  ７ ６ １ ． ６６ ０２ １ ． ５３ ７７



１ ００  １ ５  ５ １ ． ７６４ １  １ ． ７２０５



５００ １ ５ ６ １ ．
８２ ７０ １ ． ８７３ ９


    

１２
ｒ



 １ ． １ 
－

  、 ｆ ／


■




＾


１



／

ｒ ｍ

０ ８．
￣

 ／
■



．


．



，
Ｉ

０ ７．
－

 ）

＇ 

０ ５
＇  ＇  １  １  １  

１

８ ０ ０  １ ０ ０ ０  １ ２ ０ ０  １ ４ ０ ０  １ ６０ ０  １ ８ ０ ０  ２ ０ ００



波长点 （ ｎｍ 

）

图 ３ ３ ４ ＣＡ Ｒ Ｓ
．
算法筛 选 的 波长 点 位置



３ ． ６ ． ４ 遗传算法



将遗 传 算 法应 用 于 光 谱 波 长 选 择上 。 在每轮迭代 中 计算每个波长 点 的 累 计贡献 率 ， 


依

次剔 除贡献 率 最小 的 波长 点 进行 ＰＬＳ Ｒ 建模 图 为 次遗传运算结束后 的波长 点



一

， 。 。 ３ ３５
．

选择频次 图 图 为逐 剔 除后 得 到 的 最优 波长 组 合 点 对应 的 ＰＬＳ Ｒ 模型表现见 表



一

。 ３ ３６
．

， ，

３ ． １ ４ 

。

５２



第 三章 基 于 粒子 群算法 的 新 型光谱特征波长提取 方 法探索




表 ３ ． １ ４ 遗传算法波长选择的结果



 ＾ 
波长数 
ＲＭ Ｓ Ｅ Ｃ

ＲＭ Ｓ Ｅ Ｐ

主 元个数


Ｐ Ｌ Ｓ Ｒ ６００ ２ ． ８ ９ ９４ ２ ． ０９４７ ７



ＧＡ １ ７ ２ ． １ ０３ １ １ ． ６０４ ８ ８
     



１ ４  ｉ    ｉ
ｉ ｉ


１




０ ６  

－

ｉ ｌ
１
Ｗ ｉ ｌ ｉｉｌ
０００  １ ２０ ０ 
ｉ

波长
１ ４０ ０

（

ｎｍ 

）
ｉ
１ ６ ００  １ ８ ００  ２ ０ ００



图 ３ ３ ５ 次遗传 运算结束后 的 波长 点 选择频次 图



—

１ ２ｒ



咕０


．

声、  ．

／
１ ． １
－   ／ 、 

严
Ｉ Ｊ

 ＼

１   

／



ｉ

０ ９


＇

Ａ
－

ｍ 

／
不 、
 ！   ！
＼

＾ 

Ｗ
０ ８ ．

  ／

ｏ ，  

／

０ ６



０ ５
 ！  １  １
 １ 
１  

！

８ ０ ０ １ ０ ０ ０ １ ２ ０ ０ １ ４ ０ ０ １ ６ ０ ０ １ ８ ０ ０ ２ ０ ０ ０



波长点 （
ｎ ｍ ）

图 ３ ３ ６
．
谱 线 与 最优波长组合点



５ ３



第 三 章 基 于 粒 子 群 算 法 的 新 型 光谱 特 征 波 长 提 取 方 法 探索 



可以看 出 ， 遗传算法在寻优 的 过程 中 执行变 异 ， 能 够有 效地避 免算 法 陷 入局 部 最优 


，

得 出 最优模 型 及最优 波长 组 合 ， 与 全 光 谱 相 比 ＲＭ Ｓ Ｅ Ｃ 及 ＲＭ Ｓ ＥＰ 都 有 大 幅 降 低 

。

３ ７ ．
本章 小 结



本 章 针对粒 子群优化 算 法 应 用 于 近红 外 光谱 特征 波长 点 筛 选 的 问 题 ， 提出 了 多种 基于



变量投影重要性系数 Ｖ （
Ｉ Ｐ 系 数 和 粒 子群算 法 的 新 型 光 谱 特征 波 长 子 集 筛 选算 法
）
。 本章从



基 本 粒 子群 算 法 出 发 ， 结合 Ｖ Ｉ Ｐ 系 数 提 出 ＢＰＳ Ｏ Ｖ ＿
Ｉ Ｐ 算法 ， 基于 ＶＩＰ 自 适应 粒 子群算 法



（
ＶＡ Ｐ Ｓ Ｏ 以 ） 及结合 Ｖ ＩＰ 的 间 隔偏 最小 二 乘 自 适 应 粒 子 群 算 法 ＶＡ Ｐ Ｓ Ｏ （
ｉ
）
， 多 种算法层层推



进 ， 适用 于不 同 的情况 ， 并且有 着 更高 的 稳定性 


。

在本章 中 ， 先将基本 二 进 制 粒 子群算 法 （

ＢＰＳＯ） 的 细 节 改进 ， 并将其应 用 于 近 红 外 光谱



进行优 质 波长 点 筛 选算 法 的 过程与 应用 结 果 。
为 了 更 好 地 收敛 于更优 的 极值 点 ， 在 ３ ３
．


小

节 设计 用 ２ ４ ４
． ．
中 介绍 的 ．
Ｖ ＩＰ 系 数来 为 ＢＰＳＯ 算法指引
一

个更好 的 方 向 ， 称为 Ｂ Ｐ Ｓ Ｏ ＶＩ 
Ｐ
 ＿
．

算法 。 但是 由 于不管是 ＢＰＳＯ 还是 ＢＰ ＳＯ ＿
ＶＩ Ｐ 算法 ， 结 果都有 较大 的 随机波长 ， 因 此在



３ ３ ．

小节 中 设计 了
一

个光 谱 波 长 点 表 现 评 分方案 ， 重复 Ｂ Ｐ Ｓ Ｏ ＶＩ Ｐ ＿
算法多次 ， 并记 录各个



波长 点 在 每轮 的表现 最后得到 各个波长 点 总 体得 分 根据 得 分从大 到 小 逐 筛选波长



一

中 ， ，

子集 获得 比 ＢＰ ＳＯ ｍ ＳＯ Ｖ ＩＰ 算法更优 更稳定的结果
＞

， 了 、
＿
、 

。

由 于基本 二进制 ＾子群算法 学 习

＿

速 率难 以 控 制 ， 粒子 群 收敛快 ， 容 易 陷 入 局 部 最 优 点 

．

？
中 很难跳 出 ， 因 此本文参考 前 人 ［
的 自 适应粒子群算法 在 ， ３ ． ４ 小 节 中 提 出 基于新的 Ｖ Ｉ 

Ｐ

值的 自 适应粒 子群算 法 （
ＶＡ Ｐ Ｓ Ｏ ） ， 该 算 法 平衡 了 筛 选 波 长 数 及 波 长 子 集 建模效 果 ， 能够搜



索 到 更优 的 位置 ， 结果较之前更加稳定 。 ＶＡ Ｐ Ｓ Ｏ 算 法 只 需 要少 量 循环次数 ， 根据 波 长 点



每轮 中 的 表现 ， 可 以获得非 常稳定 ， 但非 常优 质 的波长 子集 ， 用 于建模 


。

在 ３ ． ５ 小节 中 ， 主 要 提 出 ＶＡ Ｐ Ｓ Ｏ 算 法 ｉ
， 通过减少迭代 中 粒子长度 ， 以 较少 的 时 间 

即

可达到较高 、 并且 更 稳 定 的 预 测 性 能 ， 其次 ， 也可 以 通 过 循环评估来筛选 出 更优 的波长 子




集 

。

本章提 出 的 多 种算 法与 传 统算法 的 结 果 比较见表 ３ ． １ ５ 所示 


。

本章提 出 的 Ｂ Ｐ Ｓ Ｏ ＶＩＰ ＿
算法 ， 稳 定情况下 ＲＭ Ｓ Ｅ Ｃ 下降 ３ ０ ． ５ ％ ，
ＲＭ Ｓ ＥＰ 下降 ３ ４ ９％
．



；

而 自 适应 粒 子群算法 ， 循环评估情况下 ＲＭ Ｓ Ｅ Ｃ 降低 ０ ３２８

． ％  ＲＭ Ｓ ＥＰ 降 低
，
４ １ ． ３ ％ ， 最后



ｉ ＶＡ Ｐ Ｓ Ｏ 算法 ， 本 身 单 次 运 行 效 果 可 能 不 如 之 前 的 ＶＡ Ｐ Ｓ Ｏ ， 但是 它 的优势在于 以 更少 的 时



间 ， 进行循环评 估 ， 在循环评估 中 选择更少 的波长 点 ， 获得很好 的 结 杲 


。

５４



第 三 章 基 于 粒子 群算 法 的 新 型 光 谱 特征波 长 提 取 方法探索




表 ３ １ ５
．
本章 多 种 基于粒 子群 与 Ｖ Ｉ Ｐ 值 的 波 长选择 方法 对 比



 ＾ 
稳定情况 
波长数

ＲＭ Ｓ Ｅ Ｃ

ＲＭ Ｓ Ｅ Ｐ



全光谱 ＰＬ Ｓ  固 定 结 果 ６ ０ ０  １ ． ６０ ５ ２ ． ０９５



Ｉ ＰＬ Ｓ  固 定 结 果 ６ ０  １ ．
６８ ５  １ ．
５ ２６



ＣＡ Ｒ Ｓ  单 次 最 优 ６  １ ． ６ ６ ０ １ ．
５３ ８



ＧＡ  单 次 最 优 １ ７ ２ ． １ ０３  １ ． ６０５



ＢＰ Ｓ Ｏ 单 次 最 优 １ ３  １ ． ６ １ ８  １ ． ６３ 

７

４ ２


６４ 

■

１４

Ｂ Ｐ Ｓ Ｏ ＶＩＰ ｔｉｌｌ
循环 评 估
－

１ １ ５ １ ． １ １ ５ １ ． ３ ６４



ＶＡ ｐ ｓ 〇  单 次 最 优 ９ １ ． ２９８ １ － ２ ８９



循 环 评 估 １ ２６ １ ． ０ ７ ９ １ ． ２３ 

０

单 次 最 优 １ ０  １１ ５７ １ － ３８０





循环 评 估 
２８

０８８

１ ． ０８５



ＶＩＰ 值对于 自 适应粒 子群算 法 而言 ， 在

一

开始指 引 了
一

个好 的搜 索 方 向 ， 在搜索过程



中 使得搜 索 更 加 细 化 避免 步长过大的 问 题 另 方面过滤 不 重要 的波长 点 使得搜



一

了 了
：

， ， ，

索朝着更加 有 效 的 方 向 出 发 这 两 者 的 结 合 对 于 粒子 群 算 法 的 波 长 寻 优 能 力 提 高 明 显
＇

， 

。

５５



第 三 章 基 于 粒子 群 算 法 的 新 型 光谱特 征波长提取方 法探素 



．
？

 
－
？


 
－

 ．
？



？

５６


 
第 四 章 深度学 习 与局 部 建模应用 于光谱定量 分析 



第 四 章 深度 学 习 与 局 部建模应 用 于 光谱定 量分析




４ ． １ 引言



上文 中 使用 ＰＬ Ｓ 模 型 来检验本文 提 出 的基于 Ｖ Ｉ Ｐ 系 数和 粒子群算 法寻找 最优波长组




合来提高模型 预测精度的效果 。 目 前分 子振动 光 谱 分析技术应 用 广 泛 ， 但 是 光 谱 分析 依 赖




于 多 元 校 正 技 术建 立 定 量 分 析模 型 因 此对于模 型 的 研 究 直是分 子振 动光谱 分析技术

一

， 

中

的热点 。 本章 主要探 索 不 同 模 型 对 于 光谱数据预测性 能 的应 用 效果 ， 将采用 不 同 的方 法来




训 练 光 谱 数据并预测 其 性 质 ， 评 估 最 优 的 定 量 分析 模 型 ， 结 合第 三 章 提 出 的 波长选择技术 

，

形成 套完 整 的 新 型 分子振动 光谱 校正 技术
一



。

偏 最 小 二 乘 算 法 是 近红外光 谱 定 量 分析 中 应 用 最为 广 泛的 多 元校正技术 ， 作 为 线性建




模方法 通过 变 量 与 因 变 量之 间 的 线 性模 型 进 行定量 分析 般 情 况 下 都 能 够 取 得 很 好


？
一

， 自 ，

的 效果 。 但 是在 某 些 场 合 下 ， 采集 的 校 正样本数 据 充 足 且 校正 样 本 分布广 泛 ，
ＰＬＳ 就会 

由

于 样本 之 间 差 异过 大 而 导致非 线 性 问 题 

。

本章 节选取 了 深度 学 习 领域常应 用 于 图 像领域的 Ｃ ＮＮ 模型 ， 基于不 同 相似性的局部




模型 ， 与 传统 的 分 子振 动 光 谱 分析模 型 主 成 分 回 归 、 偏最小 二 乘 回 归 模型 进行对 比 。 其 


中
＇

 Ｃ ＮＮ 常 用 于 图 像分类 图像分割等 技术 中 拥有 着 出 众的 图 像识 别 能 力 我们 的光谱数



＇

、 ， 。

据虽 然是 维数据 但也 同 样拥有类似于 图 像的性 质 除此 以 外 由 于分子振动 光谱数据



一

， 。 ，

常 常 用 于训 练 的校正 样本 分布广 泛 ， 因 而导致对于单个测试样本 的 预测 结 果 不是很理 想 


。

因 此本文尝试 了 基于欧 氏距离 为 相 似性 ， 基 于 净 信 号 为 样 本 相 似 性度 量 ， 和 基于 光谱信息




散度 作 为 相 似 性度 量 三 种 局 部 模 型 

。

由 于本章 目 的 是 分析模 型 对 于 数 据 的 分析 能 力 ， 因 此期望 选 择 一

数据集 ， 拥 有充足 的



样本数量 ， 且 波 长 点 的 筛 选 对 于 模 型 本身 的 预 测 能 力 影 响 较 小 。 本章 采用 的数据集是
一



组

公开 的 小 麦 的近红外光谱数据集 ， 检测 的 目 标是小 麦里 的蛋 白 质 含量 （
ｗｔ ％ ） ， 每条光谱有



１ ００ 个波长 点 ， 检测范 围是 ８ ５ ０ ｎｍ 到 １ ０ ５ ０ ｎｍ ， 相 邻波长 点 间 隔 ２ ｎｍ 。 该标准数据集有 ５ １ 


３

个样本 ， 获取 时 已经被划分为 ４ １ ５ 个样本 的 校正集和

一

组 １ ０８ 个样 本 的 测试集 。 该 数 据集



下载 网址为 ： ｈ ｔｐ ： ／／ ｗ ｗｗ ｍ ｏ ｄ ｅ ｌ ｓ
． ． ｌ ｉ ｆｅ ｋｕ ｄ ｋ ／ｗ ｈ ｅ ａ ｔ
． ． ｋ ｅｍ ｅ ｌ ｓ 

。

小 麦 祥本近 红 外 光 谱数据 如 图 ４ ． １ 所示 

。

５７



第 四 章 深度 学 习 与 局 部建模应用 于光谱 定 量分析 



３ ６ 
．
！
１   １


１

 ＇ 
１  ＇ 



２ ４ ．

８ ５ ０ ９ ０ ０ ９ ５ ０ １ ０ ０ ０ １ ０ ５ ０



波长点 （
ｎ ｍ 

）

图 ４ ． １ 小 麦样本 近红外光谱数据



４ ２ ．
传 统校正方法



４ ２
． ．
１ Ｐ ＣＲ



将 主 成 分 分析 应 用 于 本 章 的 小 麦 近红 外 光 谱 数 据集 ， 首 先需 要进行 主 成分数确 定 ， 

如

图 所示 通过评价不 同 主 成分数下校正集 的交叉验证的 ＲＭ Ｓ Ｅ Ｃ Ｖ 值 来确定 个主



一

４ ． １
， ，

、
成分数 。 从图 中 可以看 出 ， 选取主成分数为 １ ４ 。

１ ８


２
 
 

■
＾  ■

７
．

１ ． —  －  



Ｉ

基线


１ ６ ＋ 测 试 集 ／ ；
＋

＼ ＾
０ ８
■

？
Ｉ ： 

＾

〇 ６ ．

 ８ 
ｆｍ


＇

／
－

＾


Ｈ ＝ ＝
＊
０ ４
 ＇  ＾  
＇



 ＇ ＇

０ ５ １ ０ １ ５ ５ １ ０ １ 

５

主 成 分 数 真 实 值



图 ４ ２Ｐ Ｃ Ｒ
．
主 成 分 数确 定 及模 型 预 测 值 与 真 实 值 对 比



表 ４ ． 〗 ＰＣ Ｒ 模型 结果



主 成 分数 ＲＭ Ｓ Ｅ Ｐ
 ＾  
ＲＭ ＳＥＣ
 



Ｐ ＣＲ １ ４ ０ ５３
．
１ ２ ０ ７２
．
１ ５
    



５８



第 四 章 深 度 学 习 与 局 部 建 模 应 用 于 光谱 定 量 分 析 



４ ２ ２Ｐ Ｌ Ｓ
．

 ．

同 样 ＰＬＳ 也需要确定主元个数 ， 又称潜变 量数 ， 评估主元个数 的标准为校正集 的




ＲＭ Ｓ Ｅ ＣＶ 值 。 图 ４ ３ ．
给 出 了 主 元 个 数 与 校 正 集 交 叉 验 证 Ｒ Ｍ Ｓ Ｅ ＣＶ 的 关 系 

。

２  ８
      



＾

■

「
＇

１ ． １

（ ＞ ０＾ 

／
？ 基线
ｙ


Ｖ  ＋ 测 试 集 
６


■

 Ｉ  ｜

ｌ ４   ＾

 ＼ ｒ
° ６ －

 ８


■

０ ４．
 ＇  ＇ 
 ＾ ６
— ＇  ■ 



０ ５ １ ０ １ ５  ５ １ ０ １ ５



潜 变 量 数 真 实 值



图 ４ ３ Ｐ Ｌ Ｓ 确 定 主 元 个数 及 模 型 预 测 值 与 真 实 值 对 比


？

表 ４ ２ ． ＰＬ Ｓ 模 Ｓ 预测 结 果



主 成 分数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ

   



Ｐ Ｌ Ｓ １ １  ０ ５ ． １ １ １  ０ ７ ０３ ７

 ．

４ ２ ３Ｌ Ｓ Ｓ
． ． ＶＭ



采用 径 向基 （ ＲＢ Ｆ ） 作为核函数 ， 采 用 小 麦近红 外光谱数据 的 主 成 分分析 结 果 作为 模




型 输入 。 选取前 １ １
个主元作为 输入 ， 随 后通过 网格搜索来确定 ｃｙ 和丫的 值 ， 搜索 中 记录交



叉验证 的 ＲＭ Ｓ Ｅ Ｃ Ｖ 值作 为 评估标准 如 图 ，
４ ５ ．

所示 采用 最优组 合参数建立 ，
ＬＳ Ｓ ＶＭ 模型 

，

得到模 型 的预测结果见表 ４ ３
．


。

８   
７


－ ■ ＊  ■ ■  ■  ＊
１
１
１

＋ 基线
ｚ


１ ６ ！

｜ 
测 试集
４

 １ ４
“

 Ｘ ；＋ ＋ 

？

：
 讀 ： 

丨

一
、

４
－    
！ ＇ ＇  ＇ ＇




＼ ＜
一

４
  ２
６ ８ １ ０ １ ２ １ ４ １ ６ １ ８


咖 ２ °
咖
２
）

 真实值



图 ４ ４ ．
小麦 样 本 网 格搜索 确 定 ＬＳ ＳＶＭ 参数 以 及建模 结果



５ ９


 
第 四 章 深度 学 习 与 局 部建 模 应 用 于 光 谱 定 量 分析 



表 ４ ３
． ＬＳ ＳＶ Ｍ 建模 结 果



模型 
ｙ
 ＾ 
ＲＭ Ｓ Ｅ Ｃ

ＲＭ Ｓ ＥＰ



２
ｓ ｓ ｖｍ ０ 〇 ０ ７ ３ ０８ ０ ９７５ ５


＾
ｌ １ １ ． ．

   

Ｌ Ｓ Ｓ ＶＭ 方法最大的 问 题在于 ， 需 要 对 参数进行 寻优 ， 而 寻找 参数最优 组 合 的 过 程需




要大 量 的 时 间 ， 而 且 对 于小麦 近红外样本 的 拟 合程 度 并 不是 很好 

。

４ ３  Ｃ ＮＮ
．
应 用 于 近红 外 光 谱 定量 分析



卷积神经 网 络 由 于 其在 图 像上 的 非 常 突 出 的应用 成 果 ， 以 及近年来 随着计算硬件条件




的发展 （ ＧＰ Ｕ 等广 泛应 用 ） ， 已 成 为 当 前不仅仅是 图 像识别 领域的 研 究 热 点 。 卷 积 神经




网 络有 很 多 优 点 ， 比 如 它 类似 于 生 物神 经 网 络 的 权值 共 享 网 络 结 构 ， 避免 了 神经 网 络模型



参数计算 的 复杂度 ， 减少 了 权值 的 数量 ， 大 大提高 了 计算效率 。 普 通 的 神经 网 络 ， 若直接




输 入 图 像数据 包 括 图 像各个 通道 的 数据 会 出 现计算 量 过大 的 题 卷积神经 络在这



？

， ， 问 ， 网

方面非 常有优势性 它 通过 多 个重 复 的卷积 层 与池化层 可 以 不 断提取 网 络 中 图 像不

一

， ， 

同

的 特征 ， 比如紋理特征 、 图 像拓 扑 结 构 等 等 。
而 卷积神经 网 络 由 于对 于平移 、 比例缩放 

、

倾 斜等 具有 高 度 不 变 性 ， 避免 了 传 统识别 算 法 中 复杂 的 特 征提取和数据 重 建 过 程 

。

 分 子振动 光 谱 数据 虽 然是 个 维 的数据 但 是从谱 图 中 可以看 出 光谱数据在 


维
一 一 一

．
， ，
．

方 而 上 也是类似于 图 像 的形 式 波长 点 与 波长 点 之 间 并未完 全 不 相 关 存在 定的关系

一

， ， 

。

近红外光谱是样 品 分 子选择性的 吸 收辐射光 中 某 些频段的光 ， 引 起化 学 键针对 ， 产生的吸




收光谱 ， 针对 不 同 的基团 ， 会产 生不 一

样的谱 图 ， 甚至不 同 温 度 的 样本都 会 产 生 谱 带 位移 


。

拉曼光谱针对不 同 的 基团 会有 不 样 的 特征 峰 正是 由 于这些不 同 的谱 图 使得 Ｃ ＮＮ


一

， 。 ，

应用 于分 子 振 动 光谱 进 行定 量 分 析 成 为 可 能 

。

Ｃ ＮＮ 网 络通 常 包含输入层 、 卷积 层 、 激活函数 、 池化层 、 全连接 层 ， 其 中 最核心 的




部 分 为 卷积 层和 池 化层 

。

１ ．
卷积 层 

：

卷积核 ， 又可 以 称 为 权值矩阵 ， 或者称 为 滤 波器 ， 它 在整 个训 练 中 是权值共 享 的 。 


如

果权值 矩 阵 一

次移动
一

个像素 ， 我们 称其步长 （ ｓｔ ｉｄｅ

ｒ ） 为 １ 。 而 边界 ， 在输入图像 四周填



的部分 卷积 后 的 图 与 原 始 图 像尺 寸 保 持
“

充 致 称 为 如图 所示
一
’ ’

ａｍ ｅ ｄｉｎｇ ４ ５
ｐ ａｄ
０ ， ，
ｓ ，
．


。

６０


 
第 四 章 深度学 习 与 局 部建模应用 于光谱定 量 分析




２ ５ １  ７９ ２  ４ １ ２  ６４ ０  ７ ３ ２  Ｓ５ ６


、

丫 ６ ３ ３  ６５ ３  ８５ １  ７５ １  Ｓ １ ３  Ｓ５ １



ｖ
？ ） ８９ １ ３ ７１ ３ ６ ５ ７



■





图 ４ ５
．
卷积层 以 及步长 、 边 界 示 意 图 图 ４ ． ６ 池化 层 示例



卷积 层 通 常 用 来进 行 局 部 特 征 提 取 ，
一

个卷积 核就 代 表 了
一

种相似性 ， 卷积核在 图 像



上 的 卷积 结 果就是 图 像 该 区 域 与 当 前卷积 核相 似 程度 ， 卷积核在 图 像上栘动 的 过 程 就 是探




索这种局 部特征 。 例如 ， 当 卷 积 核 ＾乍 用 在 不 同 的 样本上 ， 即探索 不 同 输入 图 像 的局部 相似




性 ， 即不 同 样本数据都有 这 样 的 局 部特 征 ， 那 么 探 索 的 是样本数据共有 的局 部特征 。 当 


卷

积核作用 在 同
一

样本的不 同 位置上 ， 由 于
一

个卷积核在整张 图 上权值共享 ， 如果探索 的是




同 张 图上的不 同 位置 那 么探索 的是这 两 个不 位置共有 的局 部特征 从这 方面来说

一

同
一

， 。 

，

卷 积 核 探 索 的 局 部 特 征 具 有 平 移 不庚 性 ［
６６
〗


。

２ ．

池化层 

：

通 常 卷积 神经 网 络训 练 的 图 像数据尺 寸 很大 ， 池化层设计 的 目 的 就是 降低 图 像尺寸 


，

从而 降低神经 网 络的计算参数量 ， 它通 常与 卷积层组合 ， 多 个卷积 层 与 池化 层 重 复 的 被 引




入网络 中 。 最 常 见 形 式 是最大池化 。 池化层 主要 的功 能 ：

一

方 面 对 图 像 进 行压 缩 ， 简化网



络计算 的 复杂度 ； 另
一

方面 ， 提 取 出 主 要 的 特征 

。

４ ．
３ ． １ Ｌｅ Ｎｅ ｔ
－

５２ ｄ 情况



Ｙａｒ
ｎＬ ｅ Ｃ ｕ ｎ 在 １ ９９８ 年提 出 的 Ｌ ｅＮ ｅ ｔ
－

５
［
６ ７］
是早期 最具有 代表性 的 卷积神经 网 络之 一



，

最初设计用 于 识 别 手写 数字 识 别 ， 具有 非 常 高 的识别 精度 。 Ｌ ｅｎ Ｎ ｅｔ －

５ 共有 ７ 层 （ 不 包括输



入层 ） ， 每 层 都 包含不 同 数量 的训练参数 ， 模型结构如 图 ４ ７ ．

所示 

。

６ 

１

第 四 章 深度 学 习 与 局部 建 模应 用 于 光 谱定 量 分析 



Ｃ３ ：  ｆ  ． ｍ ａ ｐｓ１ ６ ＠ １ ０ｘ １ 

０

ｆ Ｎ ｐ
ｌ ，  ｆ Ｔ Ｃ １ ：  ｆ ｅ ａ ｕ ｒ ｅ  ｍ ａ ｐ ｓ  Ｓ４
ｔ
：  ｆ  ｍ ａ ｐｓ１ ６ ＠ ５ ｘ ５
３２ ｘ ３ ２ 奪 ８ ｘ２ ８
 Ｓ２ ｍ ａ ｐ ｓ Ｃ５ ａ
ｙｅ
Ｆ ａ 
ｆ

〇 ＵＴＰ
ｅ Ｏ
ｒ
： ．

ｐＵｕｔ



＾  ８
％
： ｌ ，

６  ｌ
， ａ 

Ｔ
ｒ
Ｉ

ｙ
６
＠ １ ４ ｘ １ ４


Ｍ Ｃ ｏ ｎｖｏ ｌ ｕｔ ｏｎ ｓ
ｉ  Ｓ ｕｂｓａ ｍｐ

图 ４ ７ Ｙａ ｎ ｎ ．
在
ｉ ｉ ｎｇ

１
 Ｃｏｎｖｏ

９９８ 年介绍的
ｌ ｕｔ ｏｎｓｉ

Ｌ ｅＮｅ
＾
Ｓｕ ｂｓ ａ ｍ ｐ

ｔ
－

５ 网
ｌ ｉ ｎｇ

络的结构


Ｆ ＾
 Ｆｕ
ｃｏｎ ｎ ｅｃ ｔ

ｌ ｌ
ｉ ｏｎ


 Ｇａ ｕ ｓｓ
ｃｏ ｎ ｎ ｅ ｃ ｔ ｏ ｎ

 ｉ
ｉ
ａ ｎｃｏ ｎ ｎ ｅ ｃ ｔ ｉ ｏｎ 

ｓ

为 将 Ｌｅ Ｎ ｅ 应用到 我们的 维光谱数据 将 每条光 谱数据进行分段组合 组成

一 

一

了 ５
－

ｔ ， ，

个二维的矩阵的形式 ， 模型 的 结 构 以 及 参数见 图 ４ ．
８ 所示 

。

Ｉ ＮＰＵＴ




 （
？ ，
５ ，
２ ０ ：
１ 

）

ｉ  Ｃｏ ｎｖ  １  ｉ
ｒ   ／ ｉ
 Ｃｏ ｎｖ  ２  ／ Ｆ ；
ｌ ａ ｔｔ ｅ ｎ  １

：
 ；

Ｏｕｔｐｕｔ

：
｛
？ ，
１ ， １ ００ ８ ，
４
｝   Ｏ ／
；
ｕｔ ｐ ｕｔ ：

｛
？， ５ Ａ 〇Ａ ６
＾

 
｝ ／
／Ｉ


Ｒ
＼ ｎ

〇 Ｕｔ
ｐｕ ｔ
－

５
＊
ｓ

４〇°
＊
１６



Ｓｔｒ ｉ ｄｅ ：

［ １ ，
１ ， Ｕ ］
 ：
ｓｔ ｒ ｉ ｄｅ ：
Ｕ  ３ — 

．

＾
Ｍ ａｘ ＿
ｐ
ｏｏ ｌ １   Ｍ Ｉ ｉ

＂
ａｘ ＿ ＿
ｐｏｏ ｌ  ２  ｄ Ｉ ｒ ｏ ｐ ｏ ｕｔ



／   Ｐ ｏｏ Ｌｓ ｉ
ｚ ｒ ＾ ｔ
ｌ
， 
１ ＾ ，
１ ］  ／




／  
＇
＇

Ｘ ２Ａ
；

Ｓｔｒ ｄ ｅ ＼ ｓ ＼ ｉ ｅ ＝
［
ｌ ．

ｌ
ｉ
 Ｓｔ ｒ ＼ ｄｅ ＿
ｓ ＼ ｚｅ －

［
１ ， １ ， Ｚ／ １ ＼ ／ ｄ ｒ ｏ ｐ ｏ ｕ ｔ＝０ Ｂ

 ．
＿
；

Ｏ ｕｔｐ ｕ ｔ ：
［
？ ５ ， ，
ｌ 〇 ８ ， ］ ／ Ｏｕ ｔ
ｐ ｕｔ ：
ｔ
？ ５ ， ３ ，
１６ ｝
ｙ



ｄ ｅ ｎｓ ｅ
  



ｉ ｎ
ｐ ｕ ｔ
＝
４０ ０



ｏ ｕ ｔｐ ｕ ｔ＝ ｌ



图 ４ ８ Ｌ ｅ
． Ｎｅ ｔ
－

５ 应用 于 二 维小麦光谱模型 结 果



为 将 光谱 数据重组 为 不 同 尺寸 的 二 维数据 ， 在不 同 参数下获得的 最优 结 果见表 ４ ４

．


。

表 ４ ４Ｌ ｅ
． Ｎｅ ｔ
－

５ 应用 于 分段重组后 二 维小 麦样本数据结 果



运 行 次数 图 片 尺寸 迭 代 次数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ


   

＊
１  ５ ２０  １ ００  １ ． １ ４ ５ １ ． ２３４



＊
２ ５ ２０  ３ ０ ０ １ ． ］ ３ ４ １ ．
２８ ８



＊
３  ５ ２ ０  ５ ０ ０ １ ． １ ４５  １ ． ２２



４ ５
＊
２０  １ ０００  １ ． １ ９  １ ． ２３ ６



＊
５  １ ０ １ ０  １ ０ ０ １ ． １ ４ ４ １ ．
２２５



＊
６  １ ０ １ ０ ３ ０ ０  １ ． １ ３  １ ． ２３ 

１

＊
７  １ ０ １ ０  ５ ０ ０ １ ． １ ４ １ ． ２２ ８



＊
８ １ ０ １ ０ １ ０００ ＼ Ａ Ｖ Ｊ １ ． ２５２


    ＿ ＿


６２



第 四 章 深度 学 习 与 局 部 建模应用 于光 谱 定 量分 析




上表 中 可以看出 ，
Ｌ ｅＮ ｅ ｔ
－

５ 应 用 于分段 重组 的 光谱 数据 ， 预 测 性 能 并不 是很好 。 相 比



较而 言 ＊
的尺寸 比
＊
的尺寸 更优 点
一

，
５ ２０ １ ０ １ ０ 

。

４ ３ ２Ｌ ｅＮ ｅｔ
． ．
－

５Ｉ ｄ



上 小节 中 我 们 将 光 谱 数据分段 重 组 为 二 维 数据 来适应 Ｃ ＮＮ 模型 但是效果并



一

， ， 。

不是很理想 Ｃ ＮＮ 应用 于 光谱数据的优势在于 光谱 也存在 定的类似于 图像的特征

一

。 ， 

，

可 以 通过卷积核来挖掘局 部 的特征 进 行分类 或 预测 因此 可 以将 条 维的光谱数据



一 一

，
。 ，

看做 个高为 的图像 来进行处理 图 是直接将光谱数据 当 做高为 的 图 像进 行处



一

Ｉ
， ，
４ ．
９ １

理的 ＬｅＮ ｅｔ －

５ 模 型 以 及参数 。 该 模 型 的使用 效果 ， 在不 同 的参数下 ， 如表 ４ ５ ．

所示 

。

Ｉ Ｎ Ｐ ＵＴ




（
？ ，
１ ，
１ ００ １ ， 

）

 ＾ 

Ｃｏ ｎｖ １ ／ Ｃｏ ｎ ｖ ２


   
 ／ 
Ｆ ｌ ａ ｔｔ ｅ ｎ１




Ｗ ：
 （
１ ４０ １， ８ ， ， ）  ／ Ｗ ：
（ １ ，
１０ ８， １ ，
６）
４
＾   ／ ｉ ｎ ｐ ｕｔ＝ ｌ
＊
１ ０
＊
１ 

６
Ｏ ｕｔｐ ｕｔ ：

（
？ ，
１ １ ００ ８
 Ｏ ｕ ｔ
ｐｕｔ ：
＾
Ｉ ＾Ｏ Ｉ Ｓ ）
 二

， ， ｝ （ ＾


／ ／ 

？

Ｓｔ ｒ ｉ
ｄｅ ：
［
１ ，
１ ，
１ ，
１ ］
／ ｓｔ ｒ ｉ ｄｅ ：
［ １ ，
１ ，
１
，
１ １ 

／

Ｍ ａｘ ＿
ｐ ｏｏ ｌ １  Ｍ ／ ａｘ ＿
ｐ ｏｏ ｉ ２  ｄ ／ ｒ ｏｐｏ ｕｔ



 
’





Ｐｏ ｏ ｌ

＿
ｓ 丨 ｚ ｅ ＝
［
ｌ， １ ，
１０ ，
１ ］
／ Ｐｏ ｏ ｌ
＿
ｓ ｉ ｚ ｅ＝ ［
ｌ ， 
１ ，
５ ，
１ ］ ／

Ｓｔ ｒ ｉ ｄｅ ＿
ｓ ｉ ｚ ｅ＝ ［
ｌ ； 
１ ５ ， ，
１ ］   ／ Ｓｔ ｒ ｄ ｅ ｉ

＿
ｓ ｉ ｚｅ＝ ［
ｌ ， 
１ ／
２ ，
１
  ）
／ ｄ ｒ ｏ ｐ ｏｕｔ＝ ０ ５

 ，

Ｏｕｔｐｕｔ ：
［ Ｈ ２０ ，
８ ］

乂  Ｏ ｕｔ ｐ ｕ ｔ ：
［
？ ，
１ ４〇 ，
１ ６ ］


ｄｅ ｎ ｓ ｅ




ｌ ｎ ｐ ｕｔ＝ １ ２ Ｂ



ｏ ｕｔ ｐ ｕ ｔ＾ ｌ



图 ４ ９Ｌ ｅＮ ｅｔ ５ 应用 于 维小麦光谱数据 的模型 参数



一

表 Ｌ ｅＮ ｅ 应用于 维小麦样本不 同 参数下结果



一

４ ５
－

． ｔ ｔ

运行次数 Ｌｅ ａｍ ｉ ｎｇ ＿
ｒａ ｔ ｅ 迭代次数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ ＥＰ


   

１  ０ ０ ． １  １ ００  １ ． ２ ０８  １ ． ０４ ８



２  ０ ０ ． １  ３ ００  １ ． １ ５ ９  １ ．
０４ ７



３  ０ ． ０ １  ５００ １ ． １ ０８  １ ． ０４６



４ ０ ．
０ １  １ ０００  １ ．
１ ４ ７  １ ．
０５ ８



５  ０ ０ ０５ ．
５５９ （
ｅａｒｌ
ｙｓ ｏｐ ｐ ｎ ｇ ） ｔ ｉ
 １ ． ００ １  １ ． １ ２４



６ ０ ０ ５ ２７６（ ｅａ ｒｌ
ｙ ｓ ｔ ｏ ｎ ｇ） ０ ９９５７ ２ ６


ｐｐ
． １ １ ｉ ． １ ． １

    

上表 中 ， 前 ４ 组数据均采 用 的是 固 定迭代次数的方式 ， 多 次重复取最优的 结果 。 而 ５ 、 


６

两组数据采用 的是 策略 即在迭代 中 若损失 函数迗到 定的 阈值 就停



一

ｅ ａｒ ｌ
ｙ
－

ｓ ｔ ｏ
ｐｐ
ｍｇ ， ， ，

止迭代 ， 用 当 时 的 参 数进 行建模预测 。 第 ６ 组数据 比 第 ５ 组更大的学 习 率 的情况下更慢停




６３



第 四 章 深度学 习 与 局部建模应 用 于光谱 定 量 分祈 



止迭代 是 由 于学 率过大 而导致 直在极值 附近 震 荡 直接应用 于 维数据 比强行



一 一

， 习 ， 。 ，

将光谱数据分段重组为 二 维效果 更优 ， 但效果还是有 点 差 强 人 意 


。

４ ．

３ ． ３ Ａ ｌ ｅ ｘ ｎｅ ｔＩ ｄ 情况



得益于 ＧＰＵ 的 广 泛 应 用 以 及计 算 硬件条 件 的 发 展 Ａ ，

ｌ ｅｘ ｎ ｅ ｔ 于 ２０ １ ２ 年的 Ｉ ｍ ａ ｇ ｅＮ ｅ ｔ２ ０ １ 

２

图像识别 挑战 比赛 中 ， 由 Ｋｒ ｉ ｚｈ ｅｖ ｓ ｋ
ｙ 等 ［
６８
］

人提 出 。 他们 实现 了 包含 ｃｕｄ ａ
－

ｃ ｏ ｎｖｎ ｅｔ 的 ８ 层卷



积神经 网 络 ， 以 非 常大 的优势赢得 比 赛 。 Ａ ｌ ｅｘ ｎ ｅｔ 网 络与 Ｌ ｅＮ ｅ ｔ 结构非常相似 ， 但是它 包




含 层变换 其 中 有五个是卷积层 两层 的 全连 接 层 以及 个输 出 层 Ａ 第
一 

一

了 ８ ， ， ， 。 ｌ ｅｘｎ ｅｔ

层 中 的 卷积核大 小是 １ １
ｘ １ １ ， 第 二 层是 ５ ｘ ５ ， 之后重 复三层 ３ ｘ ３ 的卷积层 。 Ａ ｌ ｅｘ ｎｅ ｔ 验证 

了

ＣＮＮ 在 复杂模型下 的 有效性 ， 另 外 ， 实现 的 可 以 运行在 ＧＰＵ 上 的 深度卷积 网 络 成 为 近年




来深度 学 领域的 重大突破

５ ８
习 ｔ ］


。

另 外 ，
Ａ ｌ ｅｘ ｎ ｅｔ 取得 巨 大 成 功 还有 以 下几个原 因 

：

１ ．

采用 了 非 线性激活 函数 ： Ｒ ｅ ＬＵ 

；

２ ．

防止过拟合的 方法 ： Ｄ ｒ ｏｐ ｏ ｕ ｔ
， Ｄ ａ ｔ ａ  ａｕ
ｇｍ ｅｎｔａｔ ｏ ｎ ｉ


；

３ ．

大数据训练 ：
百万级 Ｉ ｍ ａ ｇｅＮ ｅ ｔ 图 像数据 

；

Ｌ ｏ ｃ ａ Ｒ ｅ ｓｐ ｏ ｎ ｃ ｅ Ｎ ｏｒｍ ａ 归 化层 的使用 等
一

４ ． ｌ   ｌ ｉ ｚ ａｔ ｉ ｏ ｎ 

。

具
． Ｐ ＵＴ
￣ ￣ ￣


＇

？ ，
１ ，
１ ００ １ ｝ ，
（


１

ｉ ｒ ＇



ｖ

￣

Ｃ ｏ ｎ ｖ１
 ／ 
Ｃｏｎｖ ２
 ／ ￣ ￣

Ｃｏｎｖ ３ 
￣
／

Ｆ ｌ ａ ｔｔ ｅ ｎ１




Ｗ ：

 （
１ ，
４０ ，
１ ，
８ ）
Ｗ ：
 （ １ ，
２０ ８ ， ，
１６ ）


 ／
Ｗ ：
 （
１ Ａ １６ ，
２４ ）

 ／ ｎ Ｄ ｕ ｔ
＝
ｉ ｎ〇
＊
６４


 Ｏ  
ｉ

Ｏ ｕ ｔ ｐ ｕｔ ：
 （
？ ，
ｌ， ｌ〇 〇 Ｂ） ，
／ ｕｔ ｐ ｕｔ ：
 （
？ ４ ，
１０ ０ ４ ６｝ ／ Ｏｕ ｔ
ｐｕ ｔ ：
 （
？ ４ ２ ０ ２４ ， ， ）


／

〇ｕ ｔ
ｐ
－

ｚ 

ｗ


Ｓｔ ｒ ｄ ｅ ｉ ：
 ｛
１ ，
１ ，
１ ４ １  ｓｔ ｒ ｉ ｄｅ ：
 ［
１ ，
１ ，
１ ４ ］  ｓｔｒ ｉ ｄｅ ：

 ［
１ ．
１， １ ４ ］

ｊ 了

Ｍ ａｘ ＿
ｐ ｏｏ ｌ  １  Ｍａｘ ＿
ｐｏｏ ｌ  ２
 
Ｃｏｎｖ ４ 

＂ ＂ ＂ ＂  ｄ ｒ ｏ ｐ ｏｕｔ



Ｐｏｏ ｉ

＿
ｓ ｉ ｚ ｅ ＝
［
ｌ ，
ｌ ，
ｌ〇 ４ ｝  Ｐｏｏ ／
ｌ
＿
ｓ ｉ ｚｅ
＝
［
ｌ， １， ５  ，
１ ］  Ｗ ／ ：
 （
１ ，
４ ，
２ ４ ，
３２ ）
    



Ｓｔ ｒ ｉ ｄｅ 一
ｓ ｉ ｚ ｅ ＝
［
ｌ
，
ｌ
，
１ ，
１

］
／ Ｓｔ ｒ ｉ ｄ ｅ
一
ｓ ｉ ｚ ｅ＝【 ｌ ，
ｌ Ｓ ，
，
ｌ
］  ／  Ｏｕ ｔ ｐ ｕｔ ：
 （
７， １ ，
２０ ，
３２ ） ｄ ｒ ｏ ｐｏ ｕ ｔ
＝
０ ５
．


Ｏ ｕｔ ｐ ｕｔ ：
［
？ ，
ｌ ，
ｌ 〇〇 ８ ， ］ ／Ｏ ｕｔｐｕ ｔ ：
ｌ
？ ，
１
，
２０ ４６ ］ ／ ｓｔ ｒ ｉ ｄｅ ：

［
１ １ ， ，
１ ，
１ 

］

Ｃｏｎｖ ５  ｄ ｅ ｎ ｓ 

ｅ

 
￣
￣

Ｗ ：

〒
２ ，
６４ ）

 ＞  ｌ ｎｐ ｕｔ ＝
２５ ６



ｓｔ ｒ ｉ ｄｅ ：

［
１ ，
１ ／
１ ４ １  Ｉ … — Ｊ ？ 二  

：

Ｍａｘ ＿
ｐｏ ｏ
ｌ  ５  

／

Ｐｏ ｏ ｉ
＿
ｓ ｉ ｚｅ
＝
［
ｌ ， 
１ ４ １ ／ ， ］  

／

＝
Ｓｔ ｒ ｌ ｄｅ ＿
ｓ ｉ ｚｅ
｜
ｌ ， 
１ ，
２， １ 

］

Ｏｕｔ ｐ ｕｔ ： ？ １ １ ０ ６４


乂
 ｛ ， ， ， ］

图 ４ ． １ ０ Ａ ｌ ｅｘ ｎ ｅ ｔ 应用 于小麦祥 本数据的模型 参数



６４


 


第 四 章 深度学 习 与 局部建模应用 于 光谱定量 分析




本节将 Ａ ｌ ｅｘ ｎｅｔ 应 用 于小 麦 近红外 光谱数据 ， 共 ４ １ ５ 训练祥本和 １ ０８ 测试祥本 。 具体




的模型参数见 图 ４ ． １ ０ 。 对于上述模 型 ， 实 验 时将所有 样本 进 行 打 乱 ， 取 乃％训 练样本 ２５ 


％
，

测试样本 ， 设置 ｄｒｏ
ｐ ｏｕｔ
＝
０ ５ ．
， 得到 的结果图标 ４ ６ ．

所示 

。

表 ４ ． ６ Ａ ｌ ｅ ｘｎ ｅｔ 应 用 于 小麦样本数据的 不 同 参数的结 果对 比



运 行次数 Ｌ ｅ ａｍ ｎ
ｇ
ｉ
＿
ｒａ ｔ ｅ 迭 代 次数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ ＥＰ







１  ００ １
 １ ００  １ ． ２ ０２  １ ．
０２６



２ ０ ０ １  ３ ０ ０  １ ． １ ８ ７  １ ． ０２ ５



３ ０ ．
０ １  ５ ０ ０  １ ． １ ６３  １ ．


０

４ ０ ０ １  １ ０００  １ ． １ ７７  １ ．
０２ ９



５ ０  ００５ ８２７ （
ｅ ａ ｒｌ
ｙｓ ｔ ｏ ｐ ｐ ｎ ｇ ） ｉ
 １ ．
０ １ ９ ０ ． ９ ８ ８



６ ０ ． ０ ０３ ６３ ７ （
ｅ ａ ｒｌ
ｙｓ ｔ ｏ
ｐ ｐ ｎ ｇ） ｉ
０ ． ９４２ ０ ． ８ ８７



０ ００ ７２

】 ５ ｅａｒ ｓ ｏ ｎ ０２ ０ ９８８
ｙ ｔ
．

ｐｐ ｇ） 

ｌ
ｉ １
（
２
．
．

 ＿




其 中 ， 第 ４ 、 ５ 、 ６ 组 的 阈值设置为 ０ ３ ５ ．
。 可以看出 ， 在学 习 率 以 及 阈 值设定合理 的 时候 

，

Ｃ ＮＮ 在小麦 样本上 可 以 获 得较 理 想 的 结果 ， 效果优于 ＬＳ Ｓ ＶＭ 的模型 ， 经过 实验 ， 同 样 


由

于 大 多 数非舞 性模 型 ， 例 如 Ａ ＮＮ  Ｓ Ｖ Ｍ  Ｇ Ｂ Ｄ Ｔ 等 ， ， 。 但是 由 于 小 麦 样 本 数 据集 的 波 长 点



取得并不是非 常有代表性 ， 波长点 共 １ ００ 个 ， 数量过少 ， 样本之 间 区 分度不 大 ， 因 此精度




不如 ＰＬＳ 主 元个数调优 后所取得的 效果 。 第 ６ 组实验 的 损失 函 数在迭代 中 逐渐被 降低 ， 


见

图 ４ ． １ １
， 该模 型 的 预测值 与 真实值 比较见 图 ４ ． １ ２ 

。

３ ０
－ 

 —
． １ 



－ 



－

２ ． ５



－

２ ．
０

Ｖ


ｉ

ｇ１ ５


－

０


－

１ ．

〇 〇．
＾
 Ｉ    Ｉ

Ｉ
！


１


１


１




〇 １０ ０ ２ ０ ０ ３０ ０ ４０ ０ ５ ０ ０
６０ ０



迭代 轮 数



图 ４ ． １ 〗  Ａ ｌ ｅｘｎ ｅｔ 迭代过程 中 损失 函数



６５


 第 四 章 深度学 习 与 局部建模应用 于光谱定量分析 




基线
 

ｚ
—

１ ６
＿
＋  潇试 集



？


ｙ

１４


－



？


？

１２

々Ａ
＋
、


＋
｜ ：

、
＋


＋ 

＋

８ 
…


？


Ｚ


ｙ

６  ８  １ ０  １ ２  １４  １ ６



真实 值



图 ４ ． １ ２ Ａ ｌ ｅ ｘｎ ｅ ｔ 模型 预测值 与 真 实 值对 比



总体来说 ，
Ｃ ＮＮ 应 用 于 光 谱 数据 定量 分析有 着 较好 的 前 景 。 对 于该小 麦 近红外 光谱



数据而 言 ， 虽 然样本数量较 多 ， 但是所选取 的波段 比较窄 ， 波长 点数少 ， 且 近红外 光谱 之




间 由 于 区分度很小 ， 因 此仅靠 这 一

段光谱 ， 较难 区分开来 。 尤 其是 Ｃ ＮＮ 模型 ， 依赖于提




取 多 种 局 部特征 ， 来进行 区 分 不 同 浓度 的 样 本 ， 当 波长 点 数较少 的 时候 ， 能够提取 的 局 部




特征有 限 ， 因 此 在 小 麦样本上应 用 效果并 不 是特 别 出 彩 。 但是在实 际工业应用 当 中 ，

工业



数据数量 充足 ，
且可 以 人 为 选择更 多 波段 的 数 据 ， 使得 每条样本特征 充足 ， 可 以预想到 

，

此时 Ｃ ＮＮ 将会发挥 出 更 出彩的应用 效果 

。

４ ４ ．
局部 ＰＬ Ｓ 模型探索



ＰＬＳ 用 于 光谱 定量 分析 ， 应用 广 泛 ，
一

直 是研 究 的 热 点 。 但是在某 些 情况下 ， 由 于校



正样本之 间 差异较小 ， 导 致分 子振 动 光 谱 的 响 应 与 检 测 目 标之 间 存在 严 重 的 非线性 问 


题

［
６９ ］

， 往往效果 不是很理想 ， 甚 至 无 法 满 足精 度 要 求 

。

局 部建模策 略的 核心 思 想 ， 是从众 多 校正样本集 中 ， 选择与 当 前 的待测样本最相 似 的




部 分校正样本 ， 组成 局 部校正子集 。 根据 这 些 局 部 校正 子集建立 局 部 的 回 归 模型 ， 用 此模




型 来 对 预 测 未知 祥 本 通 常 采用 样本光谱 间 或祥本光谱 主 成分 间 的 欧式距离 作 为 相 似



４８ ４９
［ 】 ［ ］

判据 ［
４８ ］

。 由 于近红外 光谱往往 包含噪 南 ， 在很 多 情况下 ， 欧 式距离 不 能真实体现样本 间 的



６６


 
第 四 章 深度 学 习 与 局 部 建 模应 用 于 光 谱 定 量 分 析




相似性 。 另
一

方面 ， 由 于线性 回 归 模 型 无 法 克 服校正 样本 集 光 谱 数 据 中 的 非线性而无法获




得足够 的 精度 ， 因 此有 学者提 出 了 局 部 建模策 略 与 线性 回 归 模型 （

如 ＰＬＳ 模型 ） 相 结 合用



以解 决 因 样本 间 差异过大而引 起的 非 线性 问 题 ？ ７ ２
－

［ ］


。

４ ４ ＥＬ ｏｃ ＰＬＳ


－
－

． ． １ ｌ

样本 间 的距离 常 常用 欧 式距 离 来度 量 。 在基于样本 间 欧 氏距离 的局 部建模策略 中 ， 


对

于 未知 待测 的样本 ， 首先根据公式 ４ ． ］
求 出 待 测 样本 与 所有 已 知 样本 间 的欧 氏距离 ， 如公



式 所示 ， 根据距 离 的 大 小 进 行 从小 到 大 排序 ， 选 择 部 分样本 子集 作 为 局 部 校 正 自 己 ， 建立



ＰＬＳ 模型 ， 利 用 该局 部 模 型对未知样本进行预测 

。


２
ＥＤ 
Ｘ Ｘ
Ｚ Ｘ
＝
４
－

（ ， ｅｓ ， 
＾ 

ｊ
）
 Ｊ 
（ ＾ｓ ，
，
ｋ ） （
． １


）
－

＝
Ｖ Ａ 

ｌ

公式 中 ｊ 表示第 ｊ
个 已知样本 ，
ｐ 表示样本光谱 中 的波长数 

。

图 ４ ．
１ ３ 是 以 欧 氏距离 为样本 间 相似性 ， 样本数从小 到 大 ， 针对 不 同 的 样本数得 到 的



校正集均 方根误 差 ＲＭ Ｓ Ｅ Ｃ Ｖ 。 以 ＲＭ Ｓ Ｅ ＣＶ 为 依 据 ， 选择前 ２２４ 个样本 作 为 校正 样 本数 


。

１ ． １  Ｉ     １
１ １ Ｉ


１


１


１




全 局 模 型 Ｒ Ｍ Ｓ ＥＣ Ｖ




局 部 模 型 Ｒ Ｍ Ｓ Ｅ ＣＶ




， 

，
＿





１ 


丨



Ｉ

０ ９ ．
－

丨  

－


Ｉ 
〇 ８
－

３
＿



丨

ＬＵ  

＼

Ｃ ０ 

１

＾ 

＼

Ｑ：  ０ ７ 
 
－



＼

０ ６  ＼
－



－

乂 ： ： ：：二






￣
 、


０ ５ 

－

＾
．

 

〇 ４

 ｉ  １
 ｉ
 
１
 ｉ  ｉ 



０ ５ ０ １ ０ ０ １ ５ ０ ２ ０ ０ ２ ５ ０ ３ ０ ０ ３ ５ ０ ４ ０ ０ ４ ５ ０



选取巅近样本个数



图 ４ ． １ ３ ＥＬ －

Ｉ ｏｃ
－

ＰＬ Ｓ 方法 进行样本 子集 个数 选 择



４ ４ ２Ｓ Ｉ Ｄ
． ．
－

ｌ ｏｃ Ｐ Ｌ Ｓ

－

在文章 提 出 将 常用 于 高 光谱 领域的 光谱信息散度

７２
［ ］

中 ，
引 入局 部建模策 略 中 ， 作为样



本 间 的相 似性度量 

。

６７


 第 四 章 深 度 学 习 与 局部 建 模 应 用 于 光谱 定 量 分 析 



光谱信 息散度 （ ｓ
ｐ
ｅ ｃ ｔ ｒ ａ ｌ  ｎ ｆｏ ｒ ｍ ａ ｉ ｔｉ ｏ ｎｄ ｖ ｅ ｒｇ ｅｎ ｃ ｅ ｉ
， Ｓ Ｄ Ｉ ） 可用 于表征不 同 样本 光谱 间 

相

越小 这 两 个样本 的 相 似度越高 对于光谱

５

似性 不 样本光谱 的 Ｓ ＩＤ ｘ 尸 （ｘ Ｘｕ ｘ
（ ）

间
［ ］

同
…

。 ｉ ｉ ， ， ， ｉ ／


）
。 ，

和 光谱 ｘ 尸 （ｘ ２ １ ，
ｘ２ ｉ ． ．
．

，
ｘ２ 〇 ， 其 中 可 以 得到 两 条光谱 的 概率 向 量分别 是 ９
＝

（ 叫的 ，
…

办 ）
７


和

根据 光 谱 信 息 理论风 可 以得


７ ３

其
］

中 １ ＝
孔
，

到 Ｘ １ ＊ Ｘ２ 的 自 信息 为 

：

ｘ ＝ ｏ
ｌ
＾
ｇ

／
ｉ
（ １
）
（
４ ２）


．

ｘ ＝
ｏｇ ｐ
－


ｌ

，
（ ２ ） ，

（
４ ． ３


）

可 以得到 心 关于 ｘ； 的相对熵 

：


ｘ
ｉ ）
＝
 ２ ＾ －

１ ｔ
ｆ 
１ 〇
§（
￣

）  （
４ ４ －



）

Ｐ
Ｉ
Ｉ

／ １
＿



，

两 者散度 的计 算公 式如 下 

：

Ｓ１Ｄ ｛ ｘ
ｘ
，
ｘ
２ ）
＾
 Ｄ （
ｘ
ｘ Ｈ
ｘ
＾ 
＋ ＤＣｘ  ｊ
－

 ｜ ｜ 
ｘ
，
）  （
４ ． ５


）

将 ＳＩＤ 作 为 近红外光 谱 局 部 建 模 算 法 中 的样本相似性判据 ， 定义如 公式 （

５
） 所示 

：

Ｓ ｍ ｉ ｉ ｌ ａｒ
ｉ ｔｙ （ ｔ ｅ ｓ ｔ ， 
ｃａｌ
＾ 
＝
 ＳＩＤ ｛
Ｘ ｔ ｅｓ Ｊ
，
Ｘ ｃａ ｋ ｌ ）  （
４ ６ ．



）

其 中 尤＆ 是 未 知 样 本 的 光 谱 ， 不心 是 第 〖 个校正样本 的 光谱 ， 散度如 公式 （ ３ ） 所定义 ， 


表

示 未知样本和 第 个校正 样本 的 光谱 信息散度

？

ｚ 间 

。

以 ＳＩＤ 作 为 相 似性判 据 进行 局 部 样本数量 选择 ， 见图 ４ ． １ ４ ， 选择样本数 １ ４４ 


。

  

 
 



１
ｉ
Ｉ
１
１ １ １

Ｉ


全 局 模 型 Ｒ Ｍ Ｓ Ｅ ＣＶ


｜

局 部 模 型 Ｒ Ｍ Ｓ Ｅ ＣＶ




｜




＇


－

１
 Ｉ



Ｉ



｜




＇


－

０ ９
．

＞ 

Ｉ

Ｏ 

！




＿

给 。 ８
＿

＾ 

丨

Ｑ 
：


＼

０ ７

－



＼

 ＇ 

＿

＼
－ 一

０ ６ ．

＿ ＿
＿

、
、


、
￣  —  ￣ ￣
 —  ￣

＾
—  —  —  —
 —  － —  —  — 
？
—  —  —  —
—  —  —  —  —  ：
＿ ＿  —  

一

、 ，

￣ 


￣

、
＇

二
－ ￣
—
一


１  １  １ 


＇ 
＞ 
 １ 
 １

Ｉ 
１

〇 ５

〇 ５ ０ １ ０ ０ １ ５ ０ ２ ０ ０ ２ ５ ０  ３ ０ ０ ３ ５ ０ ４ ０ ０ ４ ５ ０



选取最 近样木个数



图 ４ ． １ ４Ｓ Ｉ Ｄ －

ｌ ｏｃ －

ＰＬ Ｓ 方法进 行 样本子集个数选择



６８


 第 四 章 深度学 习 与 局 部 建模应用 于光谱 定 量分 析 




４ ４ ３Ｎ Ａ Ｓ
．
．
－

ｌ ｏｃ －

ＰＬＳ



Ｌ ｏ ｂ ｅｒ 与 年提 出 净信号
７５
是样本近红外光 谱 中 最有用 的 部分 并且正交于样


一

９８ ６
［ ］
１ ， ，

本光谱 其他的干扰信息 本文采用 提 出 的 净信号技术方法 净信号分析方



７４ ７５
中 ［ ］
。 Ｌｏ ｒｂ ｅ ｒ ｔ ］
。

法 ， 通 常是通 过从近红 外 光 谱 中 ， 除 去所获 得 的 包 含所有 噪声 、

背景等 干扰 信号 的 干扰 子



空 间 ， 从而 得到 与 样本检测 目 标最有 效 的 信 息 。 相 比 较 与 直 接 使用 光 谱 波 长 数据进行 求距




离 来 表征相似性 ， 采用 样本净信号 间 的 欧 氏距 离 可 以 去除干扰 ， 更 能够表征不 同 样本 间 的




相似性 。 局 部建模策略过程如下 

：

１ ．

对 校 正 样 本 集进行 净信 号分析 ， 得 到 所 有 样 本 净 信 号 矩 阵 ＮＡ Ｓ ａ
ｒ ｌ 和 映射矩 阵 Ｈ 

；

２ ．

对于未知样本 ， 根据 Ｈ 计 算 其 净 信 号 ＮＡ Ｓ ， ｅｓ ｔ


：

针对 毎 个未知 样本 计算 其 与 已 知 校 正样本 间 的 相 似性判据

一

３ ．

，


：

Ｓ ｉ ｍ ｉ ｌ ａ ｒ ｉ ｔｙ ｛ ｘ ｔ ｅｓ ？
ｘ
ｃａ ｌ ） 
＝ ￣

 ＮＡ Ｓ ｃａ ｉ ，
ｉ ｆ  （
４ ７ －



）



Ｖ

４ ．

根据相 似性 进行排 序 ， 剩 余思 路 与 ＥＬ －

ｌ ｏｃ
－

ＰＬＳ 相 同 

。

基 于 净 信 号 欧 氏 距离 为 样本 相 似 性 的 局 部建模 策 略 样本 子集 选 择如 图 ４ ． １ ５ ， 选 择样本



数为 ２４ ５ 

。

１  Ｉ        Ｉ
Ｉ Ｊ Ｉ Ｉ Ｉ 

！

Ｉ 


全 局 模 型 Ｒ Ｍ Ｓ Ｅ ＣＶ


！  — —

局 部 模型 Ｒ Ｍ Ｓ Ｅ ＣＶ



０ ９ ．

 ｜ 



｜




－

０ ８ ．



＞


０

＾〇


＿


７
－

１
 

＼



＼

０ ６
 ＼


－

＼


＇

＇
—

＼ 
、 

＿

一 

￣

〇 ５ 
－
＾ 一
＾
一

＊ ＾

〇 ４
１ １  ＇   １   


   １ ｉ

０ ５ ０ １ ０ ０ １ ５ ０ ２ ０ ０ ２ ５ ０ ３ ０ ０ ３ ５ ０ ４ ０ ０ ４ ５ ０



选取最近 样 本 个 数



图 ４ ． １ ５ ＮＡＳ －

ｌ ｏｃ
－

ＰＬＳ 方法进行祥 本 子 集 个数选择




以 上三种 局 部建模策 略 ， 应用 于小麦近红外样本 的 结果见表 


。

６ ９



第 四 章 深度 学 习 与 局 部 建 模 应 用 于 光 谱 定 量 分 析 



表 ４ ． ７ 三种局部 模型 与 全局 ＰＬ Ｓ 模型对 比



模型 潜 变 量 个 数 Ｌ ｏ ｃ ｎｕ ｍ

ＲＭ Ｓ Ｅ Ｃ Ｖ

ＲＭ Ｓ Ｅ Ｃ

ＲＭ Ｓ Ｅ Ｐ




Ｐ Ｌ Ｓ １ １ ４ １ ５ ０ ．
５ ５２８ ０ ．
５ １ １ １ ０ ．
７０３ ７



ＥＬ －

ｌ ｏｃ －

ＰＬ Ｓ １ １  ２ ２ ４ ０ ．
４ ８ ９９ ０ ． ４ ２４５ ０ ．
６３ ６３



ＳＩＤ －

ｌ ｏ ｃ
－

ＰＬ Ｓ １ １  １ ４４ ０ ．
５ ３ ４ ６ ０ ４３ ．
１ １ ０ ． ６９ １ 

３

ＮＡ Ｓ ｌ ｏｃ
－

ＰＬＳ １ １ ２４５ ０ ４ ８３
． １ ０ ４ ２３８
． ０ ． ６ １ １ 

４
  
 

从表 中 可 以得到 ， 针对小麦近红外样本而 言 选择 ，
ＮＡＳ －

ｌ ｏｃ －

ＰＬＳ 模 型 作 为 本章 的探 索模型 

，

该模 型 的预测 结 果与 真 实 结 果见 图 ４ ． １ ６ 

。

１ ８ Ｉ      Ｉ ！ Ｉ １


１

基线
，




＋ 测 试集



／


■


Ｘ


－

１ ４

、
： － 

ｉ ｌ ２ 

．

１ 。

＋


＇
＇

ｇ
／
＿ 
｜  ｜ 
．
 ｉ
 ｉ 
ｉ 
ｊ




６ ８ １ ０ １ ２ １ ４ １ ６ １ ８



真 实值



图 ４ ． １ ６ ＮＡＳ －

ｌ ｏｃ
－

ＰＬ Ｓ 模型 的预测 值与 真实值对 比



４ ４ ４Ｎ Ａ Ｓ
． ．
－

ＶＡ Ｐ Ｓ Ｏ



上文 中 ， 从三种 光谱相似性 中 得 到 ＮＡＳ 对 于 小 麦 祥 本 来 说 效 果 最 好 ， 因 此采用 净信




号距离 作为 小麦样本 的 相似性度 量 。 因 此本节采用 净信号 ， 结合第三章 中 的 ＶＩ Ｐ 自 适应粒




子群算法 ， 进行 波 长 子 集 以 及样本 子 集 采集 建模 。 表 ４ ．
８ 为 该 方 法建模的 结 果 ， 以及与 前



文方法效果的对 比 

。

表 ４ ８
． ＮＡＳ －

ｌ ｏｃ
－

ｐ
ｓ ｏ 方 法 筛 选 波长 子集 与 样 本 子 集建模 结 果



模型 
波长 点 个数 潜 变 量 个 数 Ｌ ｏ ｃ ｎｕｍ  Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ  Ｒ Ｍ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ



全光谱 Ｐ Ｌ Ｓ １ ００  １ １ ４ １ ５ ０ ． ５ ５ ２ ８ ０ ． ５ １ １ １ ０ ． ７０３ ７



ＮＡＳ －

ｌ ｏｃ －

Ｐ Ｌ Ｓ １ ０ ０ １ １  ２ ４ ５ ０ ． ４８３ １ ０ ． ４ ２ ３ ８ ０ ６ ． １ １ 

４

Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ －

１ ２ １ １ ２４５ ０ ． ４９２ １ ０ ４５９４

． ０ ５ ． １ ６８



    

７０


 
第 四 章 深度 学 习 与 局 部建 模应 用 于 光谱 定量 分 析 



从上表 中 可以看出 ，
ＮＡ Ｓ 结 合 Ｖ Ｉ Ｐ 自 适应 粒 子群算 法进 行波长 子集筛选 ， 相 比较与



局 部模型 ， 使用 很少 的 波 长 点 ， 又有 着 更好地 预测 性 能 。 图 ４ ． １ ７ 是 Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ －

模型在进



行 波 长选 择 时全局 最 优 粒 子 的 适 应 度 下 降 情 况 ， 筛选的波长 点见 图 ４ ． １ ８ ， 分布于 光谱 的各




个位置 ， 而该模型 的预测值 与 真实值对 比见 图 ４ ． １ ９ ， 相 比较 与 全光谱全局 ＰＬＳ 模型 


，

ＮＡ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

模型下 ，
ＲＭ Ｓ Ｅ Ｃ 虽然只 下降 了 １ ０％ ， 但 ＲＭ ＳＥ Ｐ 下降 了２ ７ ％ ， 耗 时短 ， 

效

果 出 众 ， 应 用 前景广 

。

１ ８


－

１ ６


－

１ ４


－



ｍ


催 

‘

ｍ
铤
＇

１ ２


－

１ ０
．
－

Ｓ



０ ８
－

 
． 

＾＾
 



０  ２ ０  ４ ０  ６ ０  ８ ０  １０ ０



雜 次数


＇

图 ４ ． １ ７ Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

算法 全局 最优适应 度 值



７ 

１
 第 四 章 深度 学 习 与 局 部建模应 用 于 光谱 定 量 分析 



，４５ －

 

＼
３ ４０
．


－


Ｖ
｜ ＼


＇ 

Ｉ

３ ３ ０

＼


８５ ０ ８ ７ ５ ９０ ０  ９ ２ ５  ９ ５ ０  ９ ７ ５  １０ ０ ０  １ ０ ２ ５  １ ０ ５ ０




＇

 波长 （ ｒ 犯）
！


图 ４ ． １ ８ Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

算法筛选波长 点位置



 


－  

１ ８ Ｉ

基线 

丨

；
＋ 测 試 集 

Ｉ

Ｚ


＋
ｎ
＋ 



？
’
＋


１４
＇
 Ｚ



ｒ
＃


＋
°

 ，４實
８ 

＋

６


－

１
＾
 ，  ，  ，
 ，  ，







６  ８  １ ０  １ ２  １４  １ ６  １ ８



真实 值



图 ４ ． １ ９ Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

模 型 预测 值 与 真 实 值对 比



７ ２



第 四 章 深 度 学 习 与 局 部 建 模应 用 于 光 谱 定 量 分 析 



４ ５ ．
本章 小 结



本章 主 要探 索 不 同 模型 对 于 光谱数据预测性 能 的应 用 效果 ， 将采用 不 同 的 方法来 训练




光谱 数 据并预测 其 性 质 ， 评估 最优 的 定 量 分析模型 。 本章主要探索 两个方 向 ：

一

是将卷积



神经 网 络应 用 于 分 子 振 动 光 谱 数据分析 ；
二 是探 索局 部模 型 ， 解 决 校正 样本差 距 过 大 情 况



下的非线性 问题 ， 并与 Ｖ ＩＰ 自 适应 粒 子群算法相 结 合 ， 提出 Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ
－

算法 

。

在 Ｃ ＮＮ 应用 于分 子振动 光谱 定量 分析 ， 本章实验 了 将 光谱 数据分段 重组成 为 二 维图




像 、 直 接将 每 条 光谱 样本 看 做 高 为 ］ 的 图像两种方式 ， 应用 Ｌ ｅｎ ｅｔ －

５ 模型和 Ａ ｌ ｅ ｘ ｎ ｅｔ 模型 

。

实验结果表 明 Ａ ｌ ｅｘ ｎ ｅ ｔ 在小 麦样本 中 有着 较好的 预测 结果 ， 效果 优 于 Ｌ Ｓ Ｓ ＶＭ ， 且 收敛速




度 ， 但 由 于小 麦样本 波 长 点 较 少 ， 特征提取不足 ， 因 此预测效果 不如传统 的 多 元校正模型 


。

Ｃ ＮＮ 在 分 子 振 动 光 谱 定 量 分析 领域有 着 较 好 的研 究 前 景 ， 但是如何更好地应用 ， 是需要




改进 的地方 

。



＇

另 方面 局 部建模策 略的探 索 中 沿着前人 的路 实验 欧 氏距离 净信号 欧 氏距

一

．
， ， ，
．
了 、

离和 光谱信息散度三种相似性 判 据 ， 根 据 校 正 集 交 叉验证 ＲＭ Ｓ Ｅ Ｃ Ｖ 确 定样本 子集数量 


，

最 后 选 择 ＮＡ Ｓ 作 为 相 似 性 度 量 。 之 后 将 ＮＡ Ｓ 结 合 Ｖ Ｉ Ｐ 自 适 应 粒 子群算 法进行波 长 子集筛




选 ， 相 比较与局部模型 ， 使用 很少 的 波长 点 ， 又有 着 更 好 地 预 测 性 能 。 相 比较与 全光谱 全




局 ＰＬ Ｓ 模型 ，
Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ －

将 ＲＭ Ｓ Ｅ Ｃ 下降 了１ ０ ％ ， 将 ＲＭ Ｓ Ｅ Ｐ 下降 了 ２ ７ ％ 。 该方 法耗 时




＂

短 ， 效果 比仅用 局 部模 型 更加好 ， 在分 子 振 动 光 谱 定 量 分 析 领 域 有 着 很 好 的 前 景 。 
表 ４ ９ ．
分 子振 动 光谱 定量 分析 模 型 研 究 各模 型 效果对 比



ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ
   



ＰＣＲ ０ ５３ ． １ ２ ０ ７ ２ ． １ 

５

ＰＬ Ｓ ０ ． ５ １ １ １  ０ ７０ ３ ７

．

Ｌ ｓ ｓｖ ｍ  ０ ７３０８ ．  ０ ９７５５

 ．

ｌ ｅｎ ｅ ｔ
－

５２ ｄ  １ ． １ ４５ １ ．
２２



ｌ ｅｎ ｅｔ
－

５Ｉ ｄ  １ ． １ ０８  １ ．
０４ ６



Ａ ｌ ｅｘｎｅｔＩ ｄ ０ ９４ ． １ ７  ０ ．
８ ８ ７２



ＥＬ －

ｌ ｏｃ －

ＰＬ Ｓ  ０ ． ４ ８ ９ ９ ０ ６ ３ ６ ３

 ．

ＳＩＤ －

ｌ ｏｃ －

ＰＬ Ｓ ０ ．
５ ３４ ６  ０ ６９． １ 

３

Ｎ Ａ Ｓ ＥＬ ＰＬ Ｓ －
－

０ ４２３ ８
．  ０ ６ ． １ １ 

４

Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ －

０ ４ ５ ９４
． ０ ５ ． １ ６８
   



７３



第 四 章 深度 学 习 与 局 部建 模应 用 于 光谱 定 量分析 



７４


 
第 五章 生 物柴 油 调 和 油 光谱 定 量分析 



第五章 生物柴油调和 油光谱 定量分析




５ ． １ 引 

言

现 阶段 ， 由 于 柴 油 价格便 宜 ，
且动力 大 ， 大 部 分 大 型 车 辆 的 主 要 动 力 燃 料 来 源 依 然是



柴油 。 我 国 的社会主 义发展 的 初 级 阶段决定 了 目 前我 国 对柴油 的 需 求量 很大 。 但是从环保




角 度考虑 ， 柴油燃烧 的效率较低 ， 而且对 空 气污染严 重 ， 我 国 大量使用 柴油 会导致空 气质




量变差 ， 雾霾 问 题 对人们 的 生 活 已 经产 生 了 困扰 。 为 了 解决柴油 的 尾 气污染 以 及雾霾 等 较




严 重 的环境 问 题 ， 如 燃料酒精替代 汽 油 等 其他 可 代替柴油 的 能源

一

直在被研 究 中 。 １ ９ ８４



年美 国和德 国 等 国 科学家 ， 研究过程 中 ， 发 现 采 用 脂 肪酸 甲 酯或 乙 酯 可 以 代替柴 油 燃 烧 


，

对环境危害 较小 ， 称之为 生物柴油 。 与 传 统 石 油 系 的 柴 油相 比 ， 生 物柴 油 具有 以 下优 点 


：

 生物柴油是 以 可再 生 的动 物及植 物脂肪酸单 脂为 原料 可缓解对于进 口 石 油 的迫 切



■

（ １ ） ，

需求 生 物 柴 油 对环境友好 不用 换发动机 我 国 对生物柴油 的 研 究起步较



７ ６］
；
（ ２ ） ；
（ ３ ）
［
。

晚 ， 对 生物柴油 的应用 还 多 为 与 石化柴油 的调和 油 。 在 生 产 过程 中 能 够 快速的 分析 出 调 和




比例 ， 对于 快速 的 将 生物柴油 广 泛应 用 ， 有着非 常重要的 意义 


。

本章研 究 分子振 动光谱应 用 于快速 检测 生物柴油 调和 油 的调合 比 ， 以第三＃ 、 第 四 


章


＞

对 于 调 和 油
＇

中 所提 出 的 多 种 光谱特征波长 筛选 方 法 以 及 局 部模 型 结 合特 征 波 长 筛 选 方 法 ，

样本 分别 检测近红 外 光谱 和 拉曼光 谱 ， 获 得 光谱 数 据 ， 并分 别 进行 光谱数 据预 处理 、 光谱




定量模型 选择 ， 以及特征波长点 筛选 。 实验 结 果表 明 ， 本文提 出 点 的特征波长 点 筛 选新方




法 以 及新光 谱 定 量 分析模 型应 用 ， 在 提 高 生 物 柴 油 调 合 比 检测 精度 而 言 ， 有 着 很好的应 用




效果 ， 提 高检测精度 、 降低计算 复杂 度 方 面 也表现优 秀 。 该方 法相 比 较 与 前人 关 于 生 物 柴




油调 合 比 的检测 方法 ， 拥有检测 费用 抵 、 快速 筒 便 、 检测 精度 高 ， 效果好 等优 点 ， 拥有很




好 的应用 前景 

。

５ ２
．
分 子振动 光 谱 数据采集



近红 外光谱仪与 拉曼光谱 仪均来 自 美 国 Ｏ ｃ ｅａ ｎＯｐ ｔ ｉ ｃｓ 公 司 ， 因 此数据采集软件采 用 该




公 司 的 Ｏ ｃ ｅ ａｎＶ ｉ ｅｗ 软件 。 而 其他相 关 配件 ， 选用 了 北京星达公 司 的 ２ＰＢ －

０ ２４ ０ 系 列 平流泵 

，

７ ８ ５ ｎｍ 半 导体激光器 ， 另 外 还 有 恒温浴 ， 拉曼 探 头 和 工控机 等 。 系 统结 构 如 图 


。

７５



第 五 章 生物柴油 调 和 油 光谱定量分析 



［ ＇


１



１

图 ５ ． １ 拉曼光谱 和近红外光谱在线 收集 系 统实物 


图

近红外 探头


拉曼探头
ｙ



 母
一

ａ ｍｔ


＾


息
恒 温 浴 平 流 泵



图 ５ ２ ． 拉曼 光谱 和近红外 光谱 在 线 收集 系 统 图 解



图 ５ ．
２ 中 的 实 验流 程 可 以 同 时 检 测 到 调 和 油 的 近 红 外 光 谱 与 拉曼 光 谱 。 生物柴油调合



油样 品 由 平流泵输送 到 恒温浴 中 ， 在此过 程 中 经过近 红外探头 ， 产 生近红 外信 号 。 到 达恒




温浴 后 ， 激光器发 出激光 ， 通过激发光纤 传 输到拉曼探头 ， 照 射 恒 温浴 中 的 样 品 而 产 生 拉




曼信号 。 信号 由 １ ６ 位 Ａ Ｄ 转换器 传输到 工控机

／ ，
工 控机处 理 后 显 示 出 完 整光 谱 ， 将两种



光谱 收集后 进行处理 

。

配置调 和 燃料用 的 生 物 柴油 来 自 浙 江 某 能 源有 限 公 司 ， 符合 国 家调和 用 生物柴油标准




ＢＤ １ ００ ； 柴油为 中 石化的 ０４ 柴油 。 为 便于样 品 调配 ， 以 生物柴油 的 质 量 含量表 征调 和 比 


。

按质 量 比配置 了 总个数 为 ６２ 的调 合油 样本 ， 其 中 生物柴油的浓度变化范 围从 ０ ％至 １ ００ ％ 


。

对于近红外光谱采集 ， 设定积分时 间 为 ６５ｍ ｓ ， 每个 样 品 光谱 的 平 均次数 为 １ ６ 次 ； 在拉曼




光谱采集过程 中 ， 设定激光器 所 发射 激光 的 中 心 波长 为 ７ ８ ５ ｍｎ ， 设定积分 时 间 为 ３ ｓ ， 平均




次数 为 １
次 

。

７ ６



第 五 章 生 物柴 油 调 和 油 光 谱 定 量 分 析 



５ ３ ．
调 和 油 近红外光 谱 分析



５ ． ３ ． １ 近红外光谱样 本选择与预处理



最终获得 ６２ 个样本 的近红外光谱 如 图 ５ ３ ．

所示 ， 波长 范 围 为 ９００
？
２ １ ００ｎｍ ； 可以看



出 原 始谱 图 中 存在 明 显的基线漂移 重叠且复杂 需要进 步 的预处理操作

一

， ， 

。

０ ８    
＇

Ｉ Ｉ
ｒ
．

０ ６
．
－

  Ｉ

 ＇  １  １ 



〇２
－

１ ７ ０ ０ １ ８ ０ ０ １ ９ ０ ０ ２ ０ ０ ０ ２ １ ０ ０ ２ ２ ０ ０



波长点 （ ｎｍ 

）

图 ５ ３ ．
生 物 柴油 调 和 油 近 红外 光 谱 图



根据 Ｋ －

Ｓ 理论 ， 将 ６２ 组样 本划分为 校正集 与 预测集 。 其 中 校正集样 本个数为 ４６ ， 


预

测集样 本个数为 １ ６ 

。

表 ５ ． １ 校正 集 与 测试 集 的分布 情况




样本个数 
Ｍ ＡＸ

Ｍ ＩＮ

ＭＥＡＮ

标准差


校 正 集 ４ ６  １ ．
０ ０ ．
０ ０ ． ３ ９７０ ０ ．
３ ０３７



测试集 
１ ６

０ ９７０２
．


０ ０２０３
．
０ ３ ９ ５４
． ０ ３ ０４７
．


 

５ ．
３ ． １ ． １
异 常 样 本分析



在样本的采集过程 中 ， 由 于环境 因 素 变化 、 仪器使用 不 当 或者人为 操作失误等原 因 


，

会导致产 生 异 常 样本数据 。 本小节分别研 究 了 用 于识别 异 常 样本 的 马 氏 距 离 、 学 生化残差




和杠杆值 方 法 

。

７７



第 五 章 生物柴 油 调 和 油 光谱 定量分 析 



 ４
＾

 
￣


８
＇ ＇ 

＇

＇
＇

邾 


２
９
６



。

４
議 
雲

 ＇  ＇
 ＇ 



＇  ＇

６

１ 


＇ 


〇
－

０ ２ ０ ４ ０ ６ ０ ８ ０ ０ ０ ． ２ ０ ４ ０ ６ ０ ８ １
．

 ． ．

样 本 序 号 杠 杆 值



图 ５ ． ４ 近红外光谱异 常 样本分析



从上 图 中 可 以看 出 ，
３ ４ 、 ４９ 、 ５０ 的马 氏距离都 比较大 ， 而 这 两 个样本在杠杆值 、 

学

生 化残差 的 图 中 ， 距离 中 心 都 比较远 ， 因 而 这 三 者 可 能是异 常 样本 。 为 防止误判 ，

对于初



步 判 断 的 结果进行二 审判 别 。 分别 提 出 者 三个可疑样本 ， 建模并对 比模 型 结 果对 比 来确 定




三者 的可疑程度 ， 得 出 结果如表 ５ ．
２ 

。

表 ５ ２ ．
剔 除疑似样 本后模 型 结 果




—

ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ  主 元 个 数
全 部 样 本 ０ ．
０ １ ６５  ０ ０３ ２６
．  

５

只剔除 ３ ４ ０ ． ０ １ ８９  ■

０ ０２７ ８
．
 

４

只剔除  ４９ ０ ． ０ １ ７ １  ０ ０３ ３ ３
．
 

５

只剔 除 ５ ０ ０ ．
０２ ） ８  ０ ０２３ ８
．
 

３

剔除 ３ ４ 、 ５ ０

０ ０
． １ ８０

０ ０３ ３４
．


４




根据表格 内 容可得 出 看 出 ，
３ ４ 和 ５ ０ 号样 本 在被提 出 后 ， 对于 模 型 的预测 精度 君都较



大程度的提出 ， 因 此予 以剔 除 。 最终 确 定的 校正集 为 ４５ 个样本 ， 测试集 为 １ ５ 个 


。

５ ． ３ ． １ ． ２ 基线校正



基线校正 的算法 中 本文选择 阶 多 项式 共迭代 次 基线校正后的调合油拉曼



一

， ，
３００ ，

光谱如 图 ５ ．
５ 所示 

。

７８



第 五 章 生 物柴油 调 和油 光谱 定量分析




校正前


    
Ｉ ！ Ｉ １ ＼

  ｜
１ Ｉ
  

Ｉ

０ ６


－

 Ｓ
．

１ ７ ０ ０１ ７ ５ ０１ ８ ０ ０１ ８ ５ ０１ ９ ０ ０１ ９ ５ ０２ ０ ０ ０２ ０ ５ ０２ １ ０ ０２ １ ５ ０２ ２ ０ ０



波数 （ １ ／ ｎ ｍ 

）

校 正后


        


￣

ｉ ｉ １ Ｉ Ｉ
ｉ ］ Ｉ
ｉ ｉ

６
－

 ｜
．

Ｓ〇 ＋ ２

 

—

ｉ

Ｉ
 ｉ  ［  ｜  ｉ
 
ｉ   ｉ
 ｉ 



１ ７ ０ ０１ ７ ５ ０１ ８ ０ ０１ ８ ５ ０１ ９ ０ ０１ ９ ５ ０２ ０ ０ ０２ ０ ５ ０ ２ １ ０ ０ ２ １ ５ ０ ２ ２ ０ ０




波数 （ １ ／ ｎ ｍ 

）

图 ５ ５
．
扣 除基线 前后 的近红外光谱 比较



对 基 线 校 正 后 的 调 合油 近红 外 光谱 建 立 模 型 ， 模 型 的 各个评价指 标模 如 表 ５ ． ２ 所示 

，

由 表 ５ ２ ．

可 以 看 出 经 过 基 线 校正 后模 型 拟合 能力 显著提 高 ，
ＲＭ Ｓ Ｅ Ｃ 和 ＲＭ Ｓ Ｅ Ｐ 下 降显著 

。

生 物柴 油 近红外 光 谱 经 过 基 线 校 正 后 ， 模 型 的拟合能力 以 及预测性 能 都得到 了 提高 ， 同 


样

也证 明 了 基线校正 的 重 要性 

。

表 ５ ３ ．
基线校正 后模型效杲与 原始光谱模 型效果 对 

比


ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ 主 元 个数


 



原 始 光 谱 ０ ． ０ １ ８ ０ ０ ． ０３ ３ ４  ４ ０ ．
９ ８ ８０



基 线 校正后 
０ ． ０ １ ７６ ０ ０２４６
． ４ ０ ． ９９３ ５



 

５ ． ３ ． １ ．
３ 平滑算 法



在上 小节 中 通过基线校正消 除 近红外 光谱 的 噪声 干扰 但通过光谱仪获得的光



一

， 了 ，

谱数据通 常 都 会有 暗 电流 引 起 的 毛 刺 和 噪声 ， 要 去 除 这 些 毛 剌 和 噪声 需 要 需 要 对 光谱 数据



进行平滑 。 光谱 分析 中 最 常用 的 数据平 滑方法有移动 平均和 Ｓ －

Ｇ 卷积 平滑 

。

移动 平均平滑算 法 中 ， 由 于窗 口 宽度 的大小确定对平滑结果非 常 重要 ， 因 此对调 合 油




近红外 光 谱 的 平 滑分别 采 用 了 窗 口 宽度为 ３ 、 ５ 、 ９ ， 建模 结 果如 表 ５ ． ４ 所示 。 从表 中 数据




可以看 出 ， 过大会 （ 如取 ９ ） ， 导致 中 心 点数据失真 ， 建模效果变差 ； 宽度过小时 （

如取



７９



第五章 生物柴油 调 和 油 光谱 定量分析 



３ ） 时 ， 平 滑效果 不 明 显 

。

Ｓ －

Ｇ 卷积 平滑算 法 中 ， 同 样需要确定窗 口 宽度 ， 另 外还 需 要考虑 多 项式 阶次 的选择 


。

对 比不 同 的 参 数 的 建模结 果 ， 如表 ５ ．
５ 所示 。 总 体建模效 果对 于 模 型 的 改善 影 响 相 比较 与



移动 平滑窗 口 而言较小 

。

综 合对 比 两种 平 滑算 法 ， 选择 Ｓ Ｇ 平滑算法 ， 窗 口 宽度 为 １ ３ ， 多 项式 阶次为 ２ 

。

表 ５ ４
．
移动 平滑窗 口 宽度对模型 的影响



宽度 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ 主元个数 Ｒｒ




 


３ ０ ．
０ １ ９９ ０ ．
０２４ ８  ４ ０ ．
９９３４



５ ０ ． ０２０５ ０ ． ０２４７  ４ ０ ． ９９３５




９ ０ ０２．
１ １ ０ ０２５２
． ４ ０ ． ９ ９３ ２




  

表 ５ ５Ｓ ． Ｇ 平滑 中 窗 口 宽度 、 阶次 对 模 型 的 影响



宽度 阶次 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ 主 元个数
［
、
］

   ＾ 



［
９ 、 ２
］ ０ ．
０２ ０ １ ０ ． ０２４ ７  ４ ０ ． ９９３４



［
１ ３ 、 ２
］
０ ． ０２ ０６ ０ ． ０２４６  ４ ０ ． ９ ９３ ５



［
１ ５ ， ２ ］ ０ ．
０２ ０７  ０ ０２４ ８
：  ４ ０ ． ９９３４



１ ３ 、 ３ ０ ０２ ０ ６． ０ ０ ２４ ６
． ４ ０ ．
９９３ ５


［ ］
 
 

平滑前

 ￣ 

￣

Ｊ          １ Ｊ ｔ Ｉ １
！ Ｉ
！ Ｉ

 Ｊ


－

０ ６
－

ｉ ｜  ｉ  ｉ 
ｉ  ！

ｉ

ｉ
 ｊ


Ｉ  

１ ７ ０ ０ １ ７ ５ ０１ ８ ０ ０１ ８ ５ ０１ ９ ０ ０１ ９ ５ ０ ２ ０ ０ ０２ ０ ５ ０２ １ ０ ０ ２ １ ５ ０２ ２ ０ ０




波数 （
１ ／ ｃｍ 

）

平滑后

 

￣

Ｉ          ｜ ［ ［ Ｉ ！ Ｉ Ｉ
！
Ｉ

〇 ２


Ｓ

！ Ｉ
！ ｉ  ！   


｜    
  ｌ ｉ
Ｉ

１ ７ ０ ０１ ７ ５ ０ １ ８ ０ ０ １ ８ ５ ０  １ ９ ０ ０ １ ９ ５ ０  ２ ０ ０ ０ ２ ０ ５ ０  ２ １ ０ ０２ １ ５ ０２ ２ ０ ０




波数 （
１ ／ ｃｍ 

）

图 ５ ６Ｓ ．
－

Ｇ 卷积 平 滑前后 效杲 对 比



平滑效果见 图 ５ ．
６ ， 可 以看 出 ， 经过 Ｓ －

Ｇ 平滑 ， 去棹 了 部 分毛躁 

。

８０


 
第 五 章 生 物柴 油 调 和 油 光 谱 定 量分 析 



５ ．
３ ． ２ 近红 外 光 谱 定 量 分析模 型



５ ． ３ ． ２ ． １ ＰＣＲ 模型



由 图 ５ ． ５ 可得 ， 当 主 成分个数为 ６ 时 ，
ＲＭ Ｓ Ｅ Ｃ Ｖ 值 最小 且 达 到 稳定水平 ， 模 型 的预测



情况指标如 图 ５ ７ ．
右 图 所示 ， 模型精度 见表 ５ ６
．


。







０ ０ ６


二 基线
—
１
＇

１
 

 Ｕ— ／


｜

＼
Ｉ
０ ０５
．

＞

Ｉ
０ ０４

＼  Ｉ
。 ５

 ．

 〇＾
 ＇




０ ０２
 ＇  ■ —

０ ５ １ ０  〇 ０ ．
５ 

１

主 成 分 数 真 实 值



图 ５ ７
． ＰＣＲ 选 择 主元 个 数 以 及 预测 偉 与 真 实 值 对 比



表 ５ ６
． Ｒ ＣＲ 糢型 结果



模型 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ ＥＰ 主 元 个数

   



Ｐ ＣＲ ０ ０２ ３ ５
． ０ ０２ ５ ９． ６ ０ ９９３ ２

 ．

   

５ ．
３ ． ２ ２Ｐ Ｌ Ｓ
．
模型



在应用 ＰＬ Ｓ 时 ， 同 样 需 要 使 用 交 叉验 证 的 方 法 得 到 最 佳 的 主 元 个数 ，
本研究应 用 了 留


＇


交 叉验证 的 方 法 得 到 模 型 指 标 ＲＭ Ｓ Ｅ Ｃ Ｖ 确 定模 型 的 最佳ｉ 元个数 图 给出 主元


一

， ，
５ ． ７ 了

个数与模型指标 ＲＭ Ｓ Ｅ Ｃ Ｖ 的关系 

。

０ ０５ ＇  ＇



１

ｒ ？ １
－ —

ｍ ．

７


＋测试集 Ｉ

ｙ 

Ｋ

Ｕ
０ ５



 ０
— ＇ 

０ ０ ２
   ＇   


０ ５  １ ０ １ ５ ０ ０ ５ ．


１

潜 变 量 数 真 实 值



图 ５ ８ ＰＬ Ｓ
． 潜变量个数选择 以及预测结果与 真实值对 

比

表 ５ ７ ＰＬＳ
．
模型结果



模型 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ 主元个数 Ｒ ＝

    



ＰＬ Ｓ Ｒ ０ ０２ ０ ６
． ０ ０２４ ６
．
４ ０ ． ９９３ ５


   

８１


 第 五 章 生物柴油 调 和 油 光谱 定量分析 




５ ．
３ ． ２ ３Ｌ ｓ ． ｓｖ 

ｍ

本研 究 中 ＬＳ ＳＶＭ 模 型核 函 数采用 径 向 基 （ ＲＢ Ｆ ） 核函数 ， 采 用 主 成 分分析 后 近红外




光谱数据的前 个 主 成分作 为 模型 输入 径 向 基核宽度和 正规化参数 的确 定 采取 留 


交
一

６ 。 ，

叉验证法进行优选 ， 评估指标为 ＲＭ Ｓ Ｅ Ｃ Ｖ 值 ， 表 ５ ．
８ 为 Ｌ Ｓ Ｓ ＶＭ 的 参数选 择 与 建模结 果 

。

＇ 
１

〇 ３ ．

 ０ ．


８
｜  Ｘ 

］
］ 

〇 ２

＇

姻０


６
．



１

６ ４ Ｚ
〇 Ｉ  


． 

２
 ０ ０ ． ２ ０ ４ ０ ６ ０ ８ １
．

 ． ．

ｇ （ Ｙ ）
 ｌ
ｑ （ ａ
２

）  真实值



图 ５ ． ９ Ｌ Ｓ Ｓ ＶＭ 参数选择 以 及该 参数下 建模 的预测值与 真 实值对 比




表 ５ ． ８Ｌ Ｓ Ｓ ＶＭ 模型 结果




—


模 型  ｇ  ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ  Ｒ
２

４
Ｌ Ｓ ＳＶＭ
３
１ 〇 １ 〇 ０ ００３４
．
０ ０３ ３ ０
．
０ ９ ８ ９ ． 

１


 
 

由 Ｌ Ｓ Ｓ ＶＭ 的 建摸结 果 可 以 看 出 ， 模型在训练集上的 ＲＭ Ｓ Ｅ Ｃ 值很小 ， 但 ＲＭ Ｓ ＥＰ 


值

升高较多 模型预测效果不理想
－



。
，

５ ３ ． ． 

２ ４  Ｃ ＮＮ

在第 四 章 中 ， 分 别 试验 了 Ｌ ｅ Ｎ ｅ ｔ
－

５ 应 用 小 麦近红外光谱数 据 的 ２ｄ 、
Ｉ ｄ 情况 ， 最后使



用 Ａ ｌ ｅｘｎ ｅｔ 网 络训 练 小 麦 数据 ， 获得 了 比 Ｌ Ｓ ＳＶＭ 更 好 的效果 ， 但精度微弱于 ＰＬＳ 。 本章




依然采用 了Ａ ｌ ｅｘ ｎｅ ｔ 网 络训 练数据 ， 网 络结果如 图 ５ ． １ ０ 所示 ， 运行效果见表 ５ ．

９ 

。

８２



第 五 章 生物柴 油 调 和 油光谱 定 量分析 



Ｉ Ｎ Ｐ ＵＴ




（
？ ４ ，
５ １ ２ ，
１ 

｝


￣ ＂
Ｃ ｏ ｍ／ １
 ／ 
Ｃ ｏ ｎ ｖ２
 ／ 
Ｃ ｏ ｎ ｖ３
   ／
￣ ＂
Ｆ ｌ ａ ｔｔ ｅ ｎ１



￣ ￣ ￣



ｗ Ｔ ｕ ｉＸ ｓ ｔ ）


／

Ｗ ：

（
１ ，
８ ８４ ６
， ）
Ｗ ：
（ ｌ ，
２ ，
１ ６ ２４ ， ｝

ｎ Ｄｕ ｔ
＝
ｒ 〇 ＊
６４
  
ｊ

Ｏｕ ｔ
ｐ ｕｔ ：
 （
？， １ ，
５ １２ ，
８｝ ／ Ｏｕ ｔ
ｐｕｔ ：
 ｛
？ 丄 ６４ ，
１ ６） Ｏｕ ｔ
ｐ ｕｔ ：

｛ ？ ， 
１ ，
１ ６ ２４ ， ）


／
／

Ｓ ｔ ｒ ｉ ｄ ｅ ：

 ［
１ ，
１ ， Ｕ ］  ／
ｓ ｔ ｉｄｅ
ｒ ：

［ １ ，
１ ４４ ］  ｓ ｔ ｒ ｉ ｄｅ ：

［ Ｕ ，
１ ，
１］  

／

Ｍ ａｘ ＿
ｐｏｏ ｌ  １  Ｍ ／ ａｘ ＿ ｐｏｏ ｉ 

２
￣
 ￣
Ｃｏ ｎ ｖ４
 ｄ ｊ
ｒ ｏｐ ｏｕｔ



＾  
— 
￣



Ｔｏ ｏ ！ ｓ ｉ ｚ ｅ
＝
［
ｌ ， Ｕ６ ，
ｌ ］

／
Ｐｏｏ
Ｌｓ ｉ ｚ ｅ＾ ｆ
ｌ ，
！ ！ ］
／ Ｗ ：
 （
１ ，
２ ，
２４３ ２ ）
   



Ｓｔ ｒ ｉ
ｄｅ ＿
ｓ ？ ２ｅ
＝
［
ｌ ／
１ ，
８ １ ／ ］ 
；

／  Ｓ ｔ ｒ ｄ ｅ＾ ｓ ２ ｅ
ｉ ｉ
＝
｛
ｌ ，
ｌ Ａｌ ）

／
Ｏｕ ｔ
ｐｕ ｔ ：
 （
？ ４４６ ，
３２ ） ｄ ｒ ｏｐｏ ｕｔ ＝
０ ５

 ．

Ｏｕ ｔｐ ｕｔ ：
［
７ ，
１ ，
６４ ８ ， ］ ／ Ｏ ｕ ｔ
ｐｕｔ ：  ／ ｓｔ ｒ ｉ ｄｅ ：

 ［
１ ，
１ ，
１ ， １ 

１

＾ ＿
ｙ ｉ  

Ｉ

＾ｅｎ ｓ ｅ
Ｃ ｏ ｎ ｖ５
 ￣  
一 



Ｗ ：

｛
１ ２， ３２ ６４ ｎ ＝
５ １２


ｐｕ
， ， ｝
ｌ ｔ

Ｏｕ ｔ
ｐ ｕｔ ：

 （
？， １ ，
１ ６ ，
６４ 

）

〇ｕ ｐ ｕ
＝


ｔ ｔ 

ｌ
ｓｔ ｉ ｄｅ
ｒ ：

［
１ ，
１ ４ ，
１ ］

Ｍ ａｘ ｐｏ ｏ ！  ５  

／

Ｐｏ ｏ ｌ

＿
ｓｉ ｚｅ
＝
［ ｌ ／ ｌ ４， ｌ ／ ］  

／

Ｓｔ ｒ ｊ ｄｅ ｓ ｚｅ＝ ｉ
［
ｌ， ｌ， ２ ，
ｌ ］

＾


＿

Ｏ ｕｔｐ ｕ ｔ ：

［ ？， ｌ ／
８ ，
６４］ ｉ



图 ５ ． １ ０ Ａ ｌ ｅｘ ｎ ｅｔ 应用 于 生 物柴 油近红外 光谱 网 络结 构 与 参数



表 ５ ９． Ａ ｌ ｅｘｎ ｅ ｔ 应用 于 生物柴油近红外光谱预测结果




运 行 次 数 Ｌ ｅ ａｍ ｉ ｎｇ ＿
ｒａ ｔ ｅ 阈 值 设 置 
迭 代次数

ＲＭ ＳＥＣ

Ｒ Ｍ Ｓ ＥＰ



１ ０ ． ０００ ］ ０ ． ００ ０６  １ ５ ６ ８ ０ ． ００ ７ １ ０ ． ０２ １ 

３

２ ０ ． ０００ １ ０ ． ０００９  １ １ １ ７ ０ ．

Ｑ０８９ ０ ． ０２ ６ 

１

３  ８ｅ －

５ ０ ． ０００８  １ ７ １ ８ ０ ． ０ ０ ８４ ０ ． ０ １ ９９



４（ 不做增强 ）

８ｅ －

５

Ｑ ． ０００８

１ ５５４

０ ００９４
．


０ ． ０２ ６３



第 ４ 组数据 中 ， 训练集仅为 ４５ 个校正集 样本 ， 测试集 为 １ ５ 个测试集祥本 。 而前 ３ 


组

采用 了 数据增 强 （ Ｄａ ｔ ａ Ａｕ ｇｍ ｅｎ ｔ ａｔ ｉ ｏｎ ） ， 即将校正集数据进行人为 扩增 （ ４５ 个校正集 重 复




后变为 ９０ 个 ） ， 作 为 训 练 集数 据 ， 而 测试集数据不 变 ， 依然是划 分的 １ ５ 个样本 。 可以看




出 ， 增加训练集 能够提高训练模型 的拟合能力 。 第 四 组 的过 程 与 结果见 图 ５ ． １ １ 、 图 ５ ． １ ２ 


。

８３



第 五 章 生 物柴 油 调 和 油 光谱 定 量 分 析 



１０

－



１

０ ８
．
－

 

＼

０ ６
．
－

 

Ｉ

ＶＩ  

Ｉ

Ｊ  

１

ａ２

０ ０ ，
Ｉ －  

 
        — —



０  ２ ５ ０  ５ ０ ０  ７５ ０  １ ０ ０ ０  １ ２ ５ ０  １ ５ ０ ０  １ ７ ５ ０


？

 ：

 逯＾ 轮 數   

．



‘

图 第 四 组 ＣＮ Ｎ 迭 代 中 损 失 函 数 收 敛 情 况
？
＇

５ ． １ １

Ｘ ＜ ！ ３
 ［ 
— 

—



’
＋ 顏试集 丨

：
 知
＇

’

／
．



０ ８
－

 一 车
＇

 ，



祕 －

ｚ


域 

／
霧 

＇


，
〇 ４ ． 
－

ｙ



？

０ ２ ．
＾




ｙ

０ ０．
－ ＾


Ｉ Ｉ  ！  Ｉ  ＼  

Ｉ

０ ０ ０ ２ ０ ４ ０ ６ ０ ８ １ ０
． 
 ． ， ． ． ．

真鎌



图 ５ ． １ ２Ｃ ＮＮ 模型 第 四 组运行预测值与 真实值对 比




从第 ３ 组数 据 中 可以看 出 ，
Ｃ ＮＮ 在 生物柴油近红外 光 谱 上预测精 度 比 ＰＣＲ 模型 、 ＰＬ Ｓ



模型 、 Ｌ Ｓ ＳＶＭ 模型都要好 相 比较与 ，

ＰＬ Ｓ 模型 ，
Ｃ ＮＮ 使得 ＲＭ Ｓ Ｅ Ｃ 降低 ５９ ％ ， 使得 ＲＭ ＳＥ Ｐ



８４



第五章 生物柴油 调 和油 光谱定量分析 



降低 １ ９％ ， 预测精度 高 ， 而 且 随着数据量 的 提 高 ， 预计将会获得 比 ＰＬ Ｓ 更好 的效果 ，

Ｃ ＮＮ



应用 于 维近 红 外 光 谱 数 据有 着 很好 的 前 景
一



。

５ ３ ２ ５
． ． ．
局 部 建模策 略



在第 四章 中 ， 分别讨论 了 基于光谱 欧 氏 距离 为 光谱 相似性的 ＥＬ －

ｌ ｏｃ
－

ＰＬ Ｓ 模型 、 基于



光谱信息散度为 相似性 的 Ｓ ＩＤ －

ｌ ｏｃ －

ＰＬ Ｓ 模型 ， 以 及基 于 净信号的 欧 氏距离 相似性的




ＮＡ Ｓ －

ｌ ｏｃ
－

ＰＬ Ｓ 模型 。 在本章 节 中 ， 依 旧 使用 这 三 个模 型 寻找 最适 合 生 物 柴 油 近红外 光 谱 的



相似性模型 ， 作为后续的 Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ
－

算法的局 部模型 。 三种局 部模 型 中 ， 以 当 前局部样




本 ， 寻找使得局 部样本拟合 的局部校正模型 ＲＭ Ｓ Ｅ Ｃ 最小 的 主 元 个数建模 。 所获得的的最




优结果如表 ５ ． １ ０ 所示 

。

表 ５ １０ ． 基于 三 种 相 似 性 的 局 部建模 策 略 建 模 结 果



相 似 性 主 元 个 歌  选 择 枰 本 数  ＲＭ Ｓ Ｅ Ｃ Ｖ  ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ Ｒ ２


ＥＬ  ３  ３ ４ ０ ． ０ ２２ ８ ０ ０ ． １ ９８ ０ ． ０ ２４ ２  ０ ９ ９ ３ ７

 ．

Ｓ Ｉ Ｄ  ３  ３ ３  ０ ０ ２ ３２  ０ ０ ． ． １ ９９ ０ ０ ２３ ６ ０ ９ ９４ ０

 ． ．

ＮＡ Ｓ ７ ３ ５ ０ ０２６７
．
０ ０２ ０
． １ ０ ０２３ ４
． ０ ９ ９４
． 

１

     

其 中 ， 选择光谱信息散度 （ Ｓ ＩＤ ） 作 为 最适 合 生 物柴油 的 局 部 模型 ， 它相 比较与 ＰＬ Ｓ ， 


同

时降低 了 ＲＭ ＳＥ Ｃ 和 ＲＭ Ｓ ＥＰ 提高 拥 有很好 的 拟合能 力 和 预测 能 力 三种 模型 的



２
， 了Ｒ ， 。

参数选择 以 及 Ｓ ＩＤ －

ｌ ｏｃ
－

ＰＬ Ｓ 预测值 与 真实值对 比 见 图 ５ ． １ ３ 

。

０ ０３５ ．  ０ ０ ３５
．


Ｏ０ ０ ３１ “  ａ  〇０ ． ０ ３ 

■

＾  ｒ ＼
， ＼

＾
．

＾

Ｖ ０ ０２ ５ ．
．

／
１
广
？

｜ 
 ＼


Ｖ
０ ０２ ５
＼  ＿


—

｜ 

０
■

０ ０２
＇ ＇  １  ＇ ＇  ＇ ＇ 

０ ２
—  ＇   ＇    
— ＇  ＇ ＇ 

＇

． ．

１ ５２ ０ ２ ５３ ０３ ５４ ０４ ５ １ ５  ２ ０  ２ ５  ３ ０  ３５  ４ ０  ４ ５




ＥＬ选 择 样 本 数  Ｓ Ｄ ４ 择样
Ｉ Ｊ 本数



 
￣ 

￣

０ ０３５ １

〇  ／＼ ｒ
＾ Ｖ  ＾ ＋ 测 试 集

 ．
，

／＼

’

議 〇 ５

 ．

圓
｜

 ０
１  １

０ ０２ ５ 
Ｉ  
１
  ＇  １   １




２ ０ ３ ０ ４ ０ ０ ０ ． ２ ０ ４ ０ ６ ０ ８ １
．
 ． ．

ＮＡ Ｓ 选 择样 本 数  真实 值



图 ５ ． １ ３  ＥＬ 、 ＳＩＤ 、 ＮＡＳ 局 部 模型 参数选 择 以及 ＳＩＤ －

ｌ ｏｃ －

ＰＬＳ 预测值与 真实值对 比




８５


 
第 五 章 生物 柴油 调 和 油 光谱 定 量分析 




５ ． ３ ． ３ 特征波长 点筛选



基本二 进制 粒 子群算 法 的 收敛位置 受初始化影 响 比较大 ， 因 此在第 三章 中 本文提 出 


了

基于 Ｖ 的 改进粒 子 群算 法 Ｖ ＩＰ 值对于 ＢＰ ＳＯ 算法 能够指引 个好的方 向 但是



一

Ｉ Ｐ 。 ， 。

Ｂ Ｐ Ｓ Ｏ ＶＩ Ｐ ＿
算 法依然存在 随机性大 ， 结 杲 时好 时坏 ， 过早 收敛的 问 题 ， 因 此提出 了 基于



Ｖ Ｉ Ｐ 的 自 适应粒 子群算 法 。 为 了 获 得稳 定 的 结 果 ， 对 ＶＡ Ｐ Ｓ Ｏ 算 法 进 行 重 复 ５０ 轮 ， 获得很




好的稳定的 结 果 。 但是 由 于重复耗 时 比较久 ， 由 此提 出 减少 粒子位数的 间 隔偏 最小 二乘结




合 Ｖ Ｉ Ｐ 自 适应 粒 子群算 法 

。

第 四 章 主 要 讨论 定量 分析模型 ， 但 是在 讨论局 部 建模策略 的 同 时 ， 将局部模型 结 合第




三 章 的 ＶＩＰ 自 适应粒子群算 法 ， 获得 了 很好的 效果 


。

在本章 中 ， 主要实验 Ｖ ＰＡ Ｓ Ｏ 、 ｉ ＶＡ Ｐ Ｓ Ｏ 以 及稳定 的 ｒｅ

＿
ｉ ＶＡ Ｐ Ｓ Ｏ 模型 ， 第 四章 中 的局



部模型 Ｖ Ｉ Ｐ 自 适应 粒 子群算 法算 法 

。

５ ３ ． ３ ． １ ＶＡ Ｐ Ｓ Ｏ


＇

Ｖ Ｉ Ｐ 自 适应 粒 子群算 法应 用 于 生物 柴油 近红外 光谱 ， 做 了
一

下的调整 

：

１ ．

在初始化步 骤 ， 将 初 始 的 全 局 最优 粒 子 设 为 全光 谱 情 况 时 的 适 应 度值 以 及粒 子 位



置 ， 速度设置 为 ｖｍ ａｘ 

；

２ ．
适应 度 函数 中 ， 将 设置为 ０ ２
．
，  ｗ２ 设置 为 １ ， 削 弱训练集的影响 ， 否 则容易 出 现



过 拟 合 的 情 况 


＇
＇

３ ．
由 于 最优 粒 子 为 全 光 谱 的 情 况 ， 所 以对于学 习 率 ， 将 ｃ ｌ
，
ｃ２ 从 ０ ２ ．

调整为 ０ ５ ．
， 调高



最优粒子的指引 能力 

。

Ｖ ＩＰ 自 适应 粒子群 算 法 的 迭 代 效果见 表 ５ ． １ １ 所示 

。

表 ５ １ １Ｖ
． ＡＰ ＳＯ 算 法 寻 找 最 优 波 长 子 集 结 

果

方 法  迭 代 次 数  波 长 个 数  主 元 个 数  ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ Ｒ２




ＶＡ Ｐ Ｓ Ｏ １ ００ １ ０ ７ ０ ０ ． １ ９０ ０ ０２ ０ ８
． ０ ９ ９５４
． 

     

可 以看出 Ｖ Ｉ Ｐ 自 适应 粒 子群算 法筛 选 了 较好 的 波 长 子集 进 行 建模 相 比较全 光 谱 ，

ＰＬ Ｓ



模型而言 ， 使得 ＲＭ Ｓ Ｅ Ｃ 降低 了  ８ ％  ＲＭ Ｓ Ｅ Ｐ ， 降低 了 １ ５ ％ ， 并且选择很少 的 波长 点数 ， 

使

得模型 更加 筒 化 。 其 中 筛 选 波 长 点 位置见 图 ５ ．
１ ４ 

。

８６



第五 章 生物 柴油 调 和 油 光 谱 定 量分 析 



０ Ｓ
－


．



｜

０ ５


－

１


１

０ ４


－



ｍ
桊 修 

＂

ｍ
 

Ｊ

０ ０ ．
＾  ＊ Ｖ



１ ７ ００ １９ ０ ０  ２ ０ ００  ２ １ ０ ０  ２ ２ ０ ０
 ；  １８ ００  －




 讖长 細 


？
？

？





？
？

 ？

 ．

图 ５ ． １ ４  ＶＡ Ｐ Ｓ Ｏ 算 法 选 择最优 波长 点 位置



５ ３
． ．
３ ２ｉ
． ＶＡ Ｐ Ｓ Ｏ



将 ＶＡ Ｐ Ｓ Ｏ 算 法 应 用 于 生 物 柴 油 近 红 外 光 谱
ｉ ， 其 中 Ｖ ＩＰ 自 适应粒 子群算 法采用 ５ ３ ３
． ． ． 

１

中 略微修 改 的粒 子群算 法 ， 即 最优粒子初始化为 全光谱 的 情况 。 ｉ ＶＡ Ｐ Ｓ Ｏ 算法总共分为 


２

轮 在第 轮 中 筛选最诜 间 隔组合 来 降 低训 练 集 和 验证集 的 精度 并且 重 复 多 次 


来
一

， ， ， ， ，

获 得各个 间 隔 的被选频次 ， 作为第 二 轮筛选 的 初 始化值 。 在第二轮 中 ， 采用 Ｖ Ｉ Ｐ 自 适应 粒




子群 算 法 来 筛 选 最优 波 长 子 集 。 该方 法应 用 的结杲如表 ５ ． １ ２ 所示 

。

表 ＶＡ Ｐ Ｓ Ｏ 算法第 轮筛 选 结果


一

５ ． １ ２ｉ

第 轮 间 隔 长 度 循 环 次 数 选 择 间 隔 数 平 均 ＲＭ ＳＥ Ｃ


一

３２ ２０ １ ６ ０ ０ ． １ ４８
    



表 为第 轮 间 隔的筛选结果 各个 间 隔被选频次见 图 在第 轮循环 


次
一 一

５ ． １ ２ 。 ５ ． １ ５ 。 ２０

的过程 中 ， 每轮校正 集 的 ＲＭ Ｓ Ｅ Ｃ 平均值 为 ０ ０

． １ ４８ ， 对校正集拟合能力 提高 。 在这样的基



础上 ， 第 二 轮的筛选结果如表 ５ ． １ ３ 所示 ， 是 十 次运行 取 最优 的 结 果 

。

表 ５ ． １ ３  ｉ ＶＡ Ｐ Ｓ Ｏ 算法第 二 轮 筛 选 结果



筛 选 波 长 个 数 主 元 个 数 ｂ ｅ ｓ ｔＦ ｉ ｔ ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ ＥＰ Ｒ２


   

１ １ ５ ０ ０２
． １ ４ ０ ０
． １ ９３ ０ ０ ． １ ９４ ０ ９９ ６０
． 

   


８７


 第五 章 生物柴油 调 和 油 光谱 定 量分析 



Ｖ Ｐ 值



 Ｉ
４ ０
＿



｜

ｉ ａ
ｒ 被选 雛




－

３ ． ５

０


－

３ ．

Ｓ ？ 
ｓ


Ｉ
５


■

２
缉
．

＾ 

Ｉ

『：
 ｋｆ


：
０  １０ ０  ２ ０ ０  ３ ０ ０  ４ ０ ０  ５ ０ ０


幽 ａ 

Ｈ
玻长 点 以 及 间 隔



图 ＶＡ Ｐ Ｓ Ｏ 算法第 轮筛 选 间 隔


一

５ ． １ ５ ｉ

ＶＡ Ｐ Ｓ Ｏ 方法与 ＶＡ Ｐ Ｓ Ｏ 方法 的 区别 在于 前者 第 二轮只 迭代 次 而后者在第 


二
一

ｉ ｒｅ ｉ
， ，

轮 中 多 次重复 ， 评估 每轮波长 子集 的 表 现得分 ， 根据得分从高 到 低筛选 波长子集 


。

ｒｅ ｉ ＶＡ Ｐ Ｓ Ｏ 方法能够获得更加稳定的结果 。 实验过程 中 ， 在第 二 轮重复 ３ ０ 次 ， 采用 Ｓ ｃ〇 ｒｅ ２




来评 估 波 长 点 表现 ， 波长数选择见 图 ５ ．
１ ６ ， 实验 的 结 果见表 ５ ． １ ４ 

。

— ？ 

－

０ ０ ３ ０
．

 Ａ
 ＲＭ Ｓ Ｅ Ｐ
＇ － ￣  －



（ 、 

０ ０ ２ ６  Ｉ
－

． 
 １

Ｍ  ！


＼
？
＊

 

＼

ｇ 
° ０ ２ ４
－
－

｛

Ｓ
 ＼


Ｓ


Ｉ



Ｉ

０ ０ ２ ２


－

ｌ 

ｈ  
＊

＾
Ｉ
＾ ＂   


１
＊

“ － ￣


１

｝
，
Ｉ Ｉ
 

ｌ
Ｉ



＼

０ ０ ２ ０
－

 Ａ

ｔ

 ＼ ｉ ／
一，



／  一
一



／
、
Ｉ

？ 崎
 — ｃ  

＿

０ ０ １ ８ ．

 
 




   ｒ
  ， ，

ｉ
ｉ
ｉ

０ １０ ２ ０ ３０ ４０



波长 点 个 数



图 ５ ． １ ６ ｒｅ
＿
ｉ ＶＡ Ｐ Ｓ Ｏ 方法波长 子集确定



８８



第五章 生 物柴油 调 和油 光谱 定量分 析 



表 ５ ． １ ４ｒ ｅ
＿
ｉ ＶＡ Ｐ Ｓ Ｏ 算 法筛选波长点 结果



指标 波长个数 主元个数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ Ｒ２



  


Ｓ ｃ ｏｒｅ２ ４４ ４ ０ ． ０２０８ ０ ．
０ １ ９３ ０ ９９ ６０
．


   

从表 ５ ． １ ４ 中 看出 ，
ｒｅ
＿
ｉ ＶＡ Ｐ Ｓ Ｏ 算 法筛 选 波长数较少 相 比较 与 全光谱 ，
ＰＬ Ｓ 而言 ，
ＲＭ Ｓ ＥＣ



持平 ， 但 ＲＭ Ｓ ＥＰ 降低 ２ １ ． ５ ％ 。 虽然 ＲＭ ＳＥＣ 相 比 较 ＶＡ Ｐ Ｓ Ｏ 方 法 更 高 ｉ
， 但是结果稳 定 

。

筛选的 ４４ 个波长 的位置 ， 以 及 各个 波 长 点 得分如 图 ５ ． １ ７ 所示 


。

２ ６Ｈ ．  

Ｉ

１ ４
－

 Ｉ
ｉ
—

波 长 点得 分

 １ ２．
－

｜


｜

４  
＾ Ｉ
１


Ｉ

Ｓ  
－

！
］ 

Ｉ

ｍ   ｔ


ｔ


ｉ

？ ｉ


＼


｜

０ ８ 

－

．
ｉ
！

｜


｜

ｙ ｖ ｜     

１ ７ ０ ０ １ ８ ０ ０ １ ９ ０ ０  ２ ０ ０ ０ ２ １ ０ ０ ２ ２ ０ ０


Ｉ
ｊｉ
１
Ｉ Ｉ


－



ｌ

波长 点



图 ５ ． １ ７ 各波 长 点 表现 得分及选 择波长 点 位置



５ ． ３ ． ３ ．
３ 局 部 摸 型 结 合 Ｖ ＰＡ Ｓ Ｏ 寻 找 最 优 波 长 点



在 ５ ． ３ ． ２ ５ ．
中 ， 得到 Ｓ Ｉ Ｄ 作为 光谱相似性 ， 最适 合 生 物柴 油近红外光谱 进行 建模 。 因此



本小节选取 Ｓ ＩＤ 作为相似性 建立Ｖ ，

Ｉ Ｐ 自 适应 粒 子群 局 部建模 版本进行波 长 点 寻优 并建模 

，

得到结果如表 ５ ． １ ５ 所示 

。

表 ５ ． １ ５ 基于 ＳＩＤ 的 Ｖ Ｉ Ｐ 自 适 应粒 子群 算法 建摸 结 果



模 型  选 择 波 长 数  主 元 个 数  选 择 祥 本 数  Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ  Ｒ Ｍ Ｓ Ｅ Ｃ  Ｒ Ｍ Ｓ Ｅ Ｐ  Ｒ ２
Ｓ Ｉ Ｄ ＶＡ Ｐ Ｓ Ｏ
－

２５ ３ ３ ３ ０ ０２ ２５
． ０ ．
０ １ ９３ ０ ． ０ １ ９４ ０ ．
９９６０



  

从表 中 可以看出 ， 局 部建模策 略 加上 Ｖ Ｉ Ｐ 自 适应 粒 子群 算 法筛选 波长 子集 ， 获得较好的结




杲 ， 将 ＲＭ Ｓ ＥＣ 降低 ３ ％ ， 将 ＲＭ Ｓ Ｅ Ｐ 降低 １ ８ ．
５ ％ 。 该 方 法应 用 于 生 物柴 油 近红 外光 谱 就 

，

速度 较快 ， 获得的结果更 优 ， 拥有很好的应用 前景 。 筛选 的 波长 点 见 图 ５ ． 】 ８ ， 该波长 子集




的 预测 结 杲见 图 ５ ． １ ９ 

。

８９


 第 五 章 生 物 柴 油 调 和 油 光谱 定量 分 析 



０ ６ 
－

．


Ｉ

０ ５


－



ｆ

０ ４


－

ｍ 

ｆ
来 ０ ３ 
－

， 

ｆ
：

１ 

，
 ，  

？  

，
  



１ ７ ００  １ ８ ０ ０ １ ９ ０ ０ ２ ０ ０ ０ ２ １ ０ ０ ２ ２ ０ ０



波长 （ ｎｍ）



图 ５ ． １ ８ Ｓ Ｉ Ｄ ＶＡ Ｐ Ｓ Ｏ
－

算法筛选最优 波长 点 位置



Ｌ０ — ＂ ￣ — 

—

１  

＇

基线
夤 校正 集  

＾

＋ ？ 试 集 ★


产
夤令



０ ６


－



’
Ｓ ．， ４
＇

稼 １ ＞ 

嘈


ｍ
０ ４
Ｘ


－

〇 ２
－


ｘ
．

＾


Ｊ
ｒ
ｊｍｒ





Ｍ
０ ０ ． Ｗ － 

１


．


１


！




１

０ ０ ０ ２ ０ ４ ０ ６ ０ ８ １ ０
，

 ． ， ， ．
．

真实 值



图 ５ ． １ ９ ＳＩ Ｄ ＶＡ Ｐ Ｓ Ｏ
－

算 法预测值与 真实值对 比



９０


 
第 五章 生物柴油 调 和 油 光谱 定量 分析 



５ ３ ４
． ．
近 红外光 谱 分析小 结



本小 节 研 究 生 物柴 油 近 红外 光谱 快速检测 调 合 比 的 问 题 ， 在获 取 样 本 后 ， 分别进行异



常 样本检测 、 基 线 校正 与 平滑滤 波 。 这 些 预处 理 技术提 高 了 模型 的预测精度 ， 见表 ５ ． １ ６ 


。

表 ５ ． １ ６ 生 物柴油近红外光谱新校正模 型 结 果对 比



模型与 方法 主 元 个数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ
   



原 始光谱  ＰＬＳ ５  ０ ０ ． １ ６５  ０ ０３ ２ ６

 ．

处理后  ＰＬ Ｓ Ｒ  ４  ０ ０２ ０ ６
．  ０ ０２ ４ ６

 ．

Ｐ ＣＲ  ６ ０ ０２ ３ ．
５ ０ ． ０２ ５ ９



Ｌ Ｓ ＳＶＭ  无 ０ ００３
． ４ ０ ０ ３ ． ３ ０



ＣＮ Ｎ 无 ０ ０ ０ ８４
． ０ ． ０ １ ９９



Ｓ ＩＤ －

ｌ ｏｃ
－

ＰＬ Ｓ ３ ０ ０ ． １ ９９ ０ ０２ ３ ６．

   



对 于 生 物柴油近红 外 光谱 的 定量 分析模 型选择 ， 参考 第 四 章 的 内 容 ， 本节 对 比 了Ｐ Ｃ Ｒ




： 模型 、 ＰＬ Ｓ 模型 、 Ｌ Ｓ Ｓ ＶＭ 模型 、 Ｃ ＮＮ 模型 以 及三种 局 部校正模 型 。 表 ５ ． １ ６ 的实验结 果表




明 ，
．

在 生 物柴油 近红外 光 谱 数据集上 ？

， ＣＮＮ 模型有 着最好 的拟合能力 和预测 能力 ，

＼ 效果



远 优 于 其 他 的 定 量 分析模 型 。 相 比较与 ＰＬ Ｓ 模型 ， 将 ＲＭ Ｓ Ｅ Ｃ 降低 了５ ９ ％  ＲＭ Ｓ ＥＰ

， 降低



了１ ９ ％ 

。

表 Ｓ ． １ ７ 生 物 柴 油 近 红 外 光 谱 波 长 选 择算 法 结 果 对 比



波长选择 方法 波长 点数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ



 

Ｉ ＰＬ Ｓ ７６  ０ ０２ ３ ２
．
 ０ ０２３ ５
．



Ｃ ＡＲ Ｓ  １ ６  ０ ０ ． １ ６２ ０ ． ０２ ５ ６



ＧＡ １ ２５  ０ ０２ ４ ９
． ０ ．
０２ ５９



ＶＡ Ｐ Ｓ Ｏ  １ ０  ０ ０ ． １ ９０ ０ ． ０２ ０ ８



ｌ ＶＡ Ｐ Ｓ Ｏ  １ １  ０ ０ ． １ ９ ３ ０ ０ ． １ ９４



Ｒ ｅＪ ＶＡ Ｐ Ｓ Ｏ  ４４ ０ ０２ ０ ８ ０ ０ ．
． １ ９３



Ｓ ＩＤ －

ＶＡ Ｐ Ｓ Ｏ ２５ ０ ０ ．
１ ９３ ０ ０
． １ ９４
   



当 采用 ＰＬ Ｓ 模型 时 ， 需 要进 行特征波长 点 筛 选 。 参考第 三章 的 内 容 ， 本节实验 了Ｖ Ｉ Ｐ




自 适 应 粒 子群算 法 、 间 隔偏最小二 乘 Ｖ Ｉ Ｐ 自 适 应 粒 子群算 法 以 及基 于 光谱 信 息 散 度 的 局 部




模型特征 波长筛 选算法 。 实 验 结 果见表 ５ ． １ ７ ， 可以看 出 ， 与 前人 的 波长选择算 法 对 比 ， 


本

文提 出 的 多 种算法在生物柴油 Ｎ Ｒ Ｉ 光 谱 上都 有 着 较好 的 效果 

。

５ ４
．
调 和 油 拉 曼 光 谱 定 量 分析



前文 中 ， 不 管 是定量分析模型 亦或是特征波长 点 筛选 方法 ， 都是 在近红外 光 谱 上进 行




９１



第 五 章 生 物 柴油 调 和 油 光谱 定 量 分 析 



了 实验效果对 比 。 但 本文提 出 的 方 法不仅适用 于 近红 外 光谱 ， 同 样适用 于拉 曼 光谱 。 本小




节 将前文所提方法应用 于 生物柴油拉曼光谱 ， 与 ５ ． ３ 节相 同 ， 同 祥从预处理 、 定量模 型选




择 、 特征波长 筛 选 三个 方面入手 

。

５ ． ４ ．
１ 拉曼光谱样本选择与预处理



５ ． ４ ． １ ． １
样本选 择



同 样采集 了 ６ ２ 个样本拉曼光谱 ， 如 图所示 ， 经过 线 性插值处 理 后 选择拉曼位移 范 


围

ＳｅＯ －

ｌ Ｓ Ｏ Ｏ ｃ ｎｒ
１

这 一

段 光谱 进行分析 ， 同 样拉曼光谱也需 要进行基线校正处理 


。

３ ５ ０ ０   ！ Ｉ
ｉ     Ｉ Ｉ
！

３ ０ ０ ０   Ｉ


－

 Ｉ


－

２ ５ ０ ０

Ｉ
  
ｌ 


｜  ｜

Ｑ

 ｜ ｜

４ ０ ０ ６ ０ ０ ８ ０ ０ １ ０ ０ ０ １ ２ ０ ０ １ ４ ０ ０ １ ６ ０ ０ １ ８ ０ ０



波数 （
１ ／ ｃ ｍ ）

图 ５ ２０
．
生 物柴 油 调 合 油 拉曼光谱



采 用 Ｋ ｅ ｎｎ ａ ｒｄ
－

Ｓ ｔｏ ｎｅ 划 分校正样 本 ， 划分 ４６ 个校正祥本 ，
１ ６ 个预测样 本 。 划分的数



据集 中 生物柴 油 调 合 油 浓度 分布 情 况如 下表所示 

：

表 ５ ． １ ８ 生物柴油 调 合油 数据集 划 分情况





—

数 据 集  数 量  最 大 值  最 小 值 平 均 值  标 准 差 
校 正 集 ４ ６ １  ０ ０ ．
４０６６ ０ ．
３ ０６６



测试集 
１ ６

０ ９４ ． １ ３

０ ． ０２ ０ ３

０ ３８８ ８
．


０ ２ ９４
． 

１

采用 马 氏距离 、
学 生 化残差 和 杠杆值方 法 来 判 断 样本 中 异常样本 。 如图 ４ ４
．
给出 了６ ２



个样本 的 马 氏距离 和 杠杆值 以 及学 生化残差 关 系 图 


。

９２



第 五 章 生 物柴油 调 和油 光谱 定量 分析 



 ３
    



  

ｎ
＇ ＇

３ ５
＇
■
■
■

来５ ８



３〇  ．
６２
 ２

遂


２
＾ ⑶
４ ＾
２５

—
―
 １

ｆ
来３
布 １


１

！ ！ ， 頌
綱 奶
Ｉ
２〇
ｓ

Ｕ＾ 
。

ｌ
ｉ
： 〇
：
ｍ 

－

２



：
—

５ 

０  －



３

〇  ２ ０ ４ ０ ６ ０ ０ ０ ． １ ０ ． ２ ０ ３ ０ ４ ０ ５
． 
 ． ．

样 本 序 号 杠 杆 值



图 ５ ２ ． １
采用 马 氏距离 、 学 生 化 残差 和 杠杆值进 行 异 常 样本 分析



可以直观的看 出 ， 由 于 ３ １ 、 ３ ４ 、
１ 、 ６２ 样本马 氏距离较大 ， 但是 １
号和 ６２ 号样本位



于样本 集 两 端 ， 而 ３ １ 、 ３ ４ 样本杠杆值依 然很大 ， 因 此确 定样本序号 为 ３ １

和 ３４ 的 样本为



可 疑样本 。 为 了 防止误判 的 可 能 ， 采用 偏小 二乘 回 归 方法建模 ， 进行 第 二轮 的 判 断 。 由 于




拉 曼光谱 建模 的 Ｒ Ｍ Ｓ ＥＣ 过小 ， 灵敏性 比 较强 ， 故采用 ＲＭ Ｓ ＥＣＶ 来 进行判断 


。

表 ５ ． １ ９ 剔 除 疑似 样本 后 模 型 结 果


￣

Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ  ＲＭ Ｓ Ｅ Ｐ  潜变量数


全 部 样 本 ０ ０ ２ ８ ２ ０ ０ ２ ６ ４ ３
． 
 ．

只剔 除 ３ １ ０ ．
０２７３  ０ ． ０２６６  

５

只剔除 
３４  ０ ． ０２７９  ０ ． ０２６２  

５

剔 除３ １
，
３ ４
 
０ ０２８２
．


０ ０２ ６４
．


３




从表 中 可 以判断出 ３ ４ 号样 本是异 常样本 ， 将 其剔 除 ， 最终剩 下 的 校正集 为 ４６ 个样 本 ， 


测

试集 为 １ ５ 个样本 

。

５ ４
． ． １ ．
２ 基 线校正



基线校正后 的调 合油拉曼光谱如下 图 所示 。
从表 中 可 以 看 出 ， 基线校正 降低 

了

Ｒ Ｍ Ｓ Ｅ ＣＶ 和 ＲＭ Ｓ Ｅ Ｐ ， 提高 了 光谱 的预测性能 ， 使得 模 型 能 够 更 好地 拟 合数据 。 由 于拉曼




光谱所携带的信息充足 ， 众 多 的波 长 点建模的 ＲＭ Ｓ ＥＣ 过小 ， 故采用 Ｒ Ｍ Ｓ ＥＣＶ 来进行判




断 

。

９３


 生物柴油 调 和 油 光谱 定量分析
 第 五 章 



    


３ ０ ０ ０


！
Ｉ 

１

１ ｉ
Ｉ Ｉ



－

２ ５ ０ ０
 
－

２ ０ ０ ０   １


－

辑 

Ｉ

 
１ ５ ０ ０


Ｉ
＿
｜

４ ０ ０ ６ ０ ０ ８ ０ ０ １ ０ ０ ０ １ ２ ０ ０ １ ４ ０ ０ １ ６ ００ １ ８ ０ ０



波数 （ １ ／ ｎ ｍ 

）

图 ５ ２ ２ ．
扣除基线后的调合油拉曼光谱



表 ５ ２０．
基线 校正 后 模型效果 与 原 始光谱 模型 效 果对 比



ＲＭ Ｓ Ｅ Ｃ Ｖ ＲＭ Ｓ Ｅ Ｐ
—
潜变 量 数 





＿

原 始 光 谱 ０ ０２ ７ ９
．
  ０ ０２６２
．
 「


基 线 校 正 后 
０ ０２５０
．

 
０ ． ０２ ６０

３




５ ４
． ． １ ． ３ 平滑算 法



本 小 节 仍 使用 这 两 种 算 法对 生 物柴 油 调 合 油 拉 曼 光 谱 数据 进 行 平 滑处 理 。 由 于拉曼光



谱 建模 的 ＲＭ Ｓ Ｅ Ｃ 过小 ， 故采用 ＲＭ Ｓ Ｅ ＣＶ 来进行判 断 

。

表 ５ ２
． １ 移动 平 滑 窗 口 宽度 对模型 的影响



ＲＭ Ｓ Ｅ Ｃ Ｖ ＲＭ Ｓ ＥＰ 潜变 量数 




 

未 平 滑 ０ ． ０２５ ０  ０ ０２６０ ．  

３

３  ０ ０２５ ０
．
 ０ ０ ２ ６０．
 

３

１ １  ０ ０ ２４９
． ０ ． ０２ ２ １  

７

１ ５ ０ ０２５ ０
．
０ ０ ２ ６０．
３





 

表 ５ ． ２ ２Ｓ Ｇ 平滑 中 窗 口 宽度 、 阶次 对 模 型 的 影响



［ 宽度 、
阶次 ］
ＲＭ Ｓ Ｅ Ｃ Ｖ ＲＭ Ｓ Ｅ Ｐ

潜变量数 






［
５ ， ２ ］  ０ ０２５ ０ ．
０ ．
０２６０  

３

［
９ 、 ２
］ ０ ． ０２ ５ ０  ０ ０２６０ ．
 

３

［
９ 、 ３
］ ０ ．
０２５ ０  ０ ０２６０ ．
 

３

１ ３ 、 ５ ０ ０２５ ０ ．
０ ０２ ６０ ．
３
［ ］





 

从两表 中 可 以 看 出 ， 移动平滑算法降低 了ＲＭ ＳＥＣ 和 ＲＭ Ｓ Ｔ ＥＰ ， 而 Ｓ －

Ｇ 算法平滑对于模型 的



预测 能力 没有 改变 。 因 此拉曼光谱 采用 移动平滑算法 。 图 ５ ． ２３ 为 平滑前后 的对 比 


。

９４


 
第五章 生 物柴油 调 和 油 光谱 定量分 析 



平滑前


３ ００ ０ Ｉ       Ｉ
ｉ Ｉ Ｉ
Ｉ



Ｉ

漏 
２ 。 。 。
－

  Ｉ

４ ０ ０ ６ ０ ０ ８ ０ ０ １ ０ ０ ０ １ ２ ０ ０ １ ４ ０ ０ １ ６ ０ ０ １ ８ ０ ０



波数 （
１ ／ ｃｍ 

）

平滑后


３ ０ ０ ０      ｉ ｉ ｉ ｉ
ｉ  

ｉ



Ｉ

２０ ０ ０
－

 Ｉ

 Ｖ ＾ｉ
．




Ａ

４ ０ ０ ６ ０ ０ ８ ０ ０ １ ０ ０ ０ １ ２ ０ ０ １ ４ ０ ０ １ ６ ０ ０ １ ８ ０ ０



波数 （
１ ／ ｃｍ 

）

图 ５ ２３
．
平滑处理前 后 的调 合油 拉 曼光谱 全局 对 比



上文 中 对拉曼 光 谱 进 行 了 异常样本筛选 ， 划 分 为 校正集和 测试集 ， 并对光谱进行基线




校正 与 平 滑 经过这 系 列 的处理 拉曼光谱 的 ＰＬＳ 模 型 的 预测 精度 较 之 前 提 高 显著

一

。 ， 

。

５ ． ４ ２ ．

模型选择



５ ． ４ ２ ． ． １ 传统校正模 型



本文主 要 与 ＰＣＲ 模型 、 ＰＬＳ 模型 以及 ＬＳ Ｓ ＶＭ 模型进行对 比 ，

三种模型应用 于生物柴



油拉曼 光谱 的效果如表 ５ ２３．

所示 

。

表 ５ ２３
． 三种 传统校正 模型 效杲对 比



模型 模型 参数 主 元 个数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ Ｒ２


  
 

Ｐ ＣＲ  无  ３ ０ ． ０２３ ２ ０ ． ０２ ６ ２ ０ ． ９９２ ７



Ｐ Ｌ Ｓ 无 ７ ０ ０ ０ ４ ５ ０ ０ ２ ２ ． ． １ ０ ． ９ ９４５



Ｌ Ｓ Ｓ ＶＭ １ ０
４
、 １ ０
５

 无 ０ ． ０ １ ３ ５ ０ ．
０２ ３ ６ ０ ．
９ ９４ 

１

三种模型 中 ，
ＬＳ ＳＶ Ｍ 在参数选择后获得 了 较好的效果 ， 但是 参数选 择 的 时 间 耗 时过



长 。 相 比较三种模型 ，
ＰＬ Ｓ 模 型 在校正集 的 表现上 非 常好 ， 测 试集 上 的 精度 偏 高 ， 但是依



然比另 外两者要好 ， 因 此 对 于拉曼 光 谱 ，

ＰＬ Ｓ 模型 比较适 合 。 其 中 ＰＬＳ 模 型 的 参数选择 以


９５



第 五 章 生 物柴油 调 和 油 光谱 定 量分析 



及 预测 结 果如 图 ５ ． ２４ 

。

 
  
  

０ ０ ８
■ 

１
７Ｆ
．



１

基线


＋ 测 试 集


〇 



７
。

！
Ｋ０ ．
１ 
０４ ＼ ＼ ，
ｋ ？ ＾ ＾ｅ＾ ？ ？ ？ ？ ＆？ ？ ＾ ＞
－
－

－ － －

 〇＾
  ■ 

〇 〇２
 



０ ５ １ ０ １ ５ ０ ０ ５ ． 

１

潜 变 量 数 真 实 值



图 ５ ２ ４Ｐ
． ＬＳ 的 主 元 个数选择 以 及 预测 值 与 真 实 值对 比



５ ．
４ ２ ２  Ｃ ＮＮ
．

 ．

Ｃ ＮＮ 应用 于 生物柴油拉曼 光谱 ， 依然采用 Ａ ｌ ｅ ｘ ｎ ｅ ｔＩ ｄ 模型 ， 模 型 的 结构 参数见 图 ５ ２５

． 


所示 

。

￣ ￣

（
？ ，
１ ，
１５４ １ ，
１｝


］

￣
￣



—
Ｃ ｏ ｎ ｖ１
—
 ；

ｆ
 —
ｃ 〇 ｎ ｖ２

—  Ｃｏ ｎｖ — ＂
 ３
— —
１





—



Ｗ ：
（
１ ，
１ ００ １ ８ ， ， ）
Ｗ ：

（
１ ，
２５ ，
８ ，
１ ６ ）

／
Ｗ ：
（
１ ６ １ ６ ２４
， ， ， ）
＇

． 
 Ｏ


￣

Ｏ ｕｔｐ ｕ ｔ ：

！？ １ ， ，
１５４ １ ，
８ ） ／ ｕｔ ｐ ｕ ｔ ：
（
？ ，
１ ，
１９３ ，
１６ ）
 ／
Ｏｕｔｐｕｔ ：
 （
７， １ ，
４９ ２４ ， ）
 
／
°


ＰＵ


Ｓｔｒ ｄ ｅ ｉ ：  ：

ｓ ｔ ｒ ｉ ｄｅ ：
［ １ ，
１ ，
１， １］  ｓ ｔ ｒ ｉ ｄｅ ：
［
１ ，
１， １ ， １ ］
丨
＂

ｉ  Ｉ  １
：  

１

Ｍ ａｘ ＿
ｐｏｏ ｌ  １  Ｍａｘ ／
＿
ｐｏ ｏ ｌ ２
 
￣
Ｃｏ ｎ ｖ４
￣  ｄ ｒ ｏｐｏ ｕ ｔ




＂



Ｕ５ Ｗ ６ ２４３ ２



— 

＝
Ｐｏ ｏ ｉ ￥ ｉ ２ ｅ ＝
［
ｌ ，
ｌ ＞
ｌ 〇〇 ，
ｌ ］ ／ Ｐｏｏ ｌ

一
ｓ ｉ ｚｅ ［
ｌ ，
：

；
： Ｉ
ｌ
：
（
１ ， ， ）

＾
Ｓ ｔｒ ｉ ｄｅ ＿
ｓ ｉ ２ ｅ ＝
［
ｌ ／
ｌ ＃
８ ｌ］ ｉ   ／ Ｓｔ ｒ ｉ ｄ ｅ ＞ ＿
ｓ ｉ ｚｅ ＝
［
ｌ ， 
１ ４ ， ，
１ ］

 Ｊ Ｏ ｕ ｔ
ｐ ｕｔ ：
 （
？ ， 
１ ，
４９ ３ ２ ， ） ｄ ｒｏ
ｐ〇 ｕｔ
＝
０ ５

 ．

Ｏｕｔ ｐ ｕ ｔ ：
［
？ ｌ ，
１９ ３ ８］ ； ／ Ｏ ｕｔｐ ｕ ｔ ：
［ ？， １ ４ ９ ， ；１ ６ ） ／ ｓｔ ｉ ｒ ｄｅ ：
［ｌ ＡＡ １ 

］

｜  
，





Ｃｏ ｎ ｖ５ ｄ ｅ ｎｓ ｅ
    



Ｗ ：
（
１ Ａ ３２ ；
６４）
 ｉ ｎｐｕ ｔ
＝
１０２４


Ｏ ｕ ｔｐ ｕｔ ？ ４ ４ ９ ６４ ）




、
：
 （ ， ，
…
。 卿 咖 １
ｓｔｒ ｉ ｄｅ ：

［
１ ，
１， １ ４ ］
１ Ｌ

Ｍａｘ — ｐｏｏ ｌ  ５  

／

Ｐｏ ｏ ｌ
＿
ｓ ｉ ｚ ｅ ＝
［
ｌ ， １， ４ ，
１ ］  

／

＝
Ｓｔ ｒ ｉ ｄｅ ｓ ｉ ｚ ： ｅ ［
ｌ ，
ｌ ，
２ ，
ｌ ］


／

ｙ
＿

Ｏ ｕｔ ｐ ｕ ｔ ：

 Ｐ ，
ｌ ，
２５ ，
６４］ 

／

ｙ

图 ５ ． ２ ５Ｃ ＮＮ 应 用 于 拉曼 光 谱 模 型 结 构 与 参数



以 上 的 Ｃ ＮＮ 模型 ， 对于不 同 的 学 习 率和 ｅ ａｒｌ
ｙ
－

ｓｔ ｏ
ｐｐ
ｉ ｎｇ 阈值 ， 得到 的 不 同 的 模型精度 

，

见表 ２４ 所示 其 中 第 组 运 行 的 掼 失 函 数如 图 所示
一

５ ．
。 ５ ． ２６ 

。

９ ６



第 五 章 生 物 柴油 调 和 油 光 谱 定 量 分 析 



表 ５ ２ ４Ｃ
． ＮＮ 应 用 于 生 物柴油拉曼光谱不 同 参数所获得结果



运 行 次 数 Ｌ ｅ ａｍ ｉ ｎ
ｇ ＿
ｒａ ｔ ｅ 阈 值 设 置 迭代次数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ



 

１ ０ ． ０００５ ０ ． ００ １  ３ ０４ ０ ． ００９５ ０ ． ０３ ０ 


１

２ ０ ．
０００ １ ０ ．
００ １  ６ ２ ９ ０ ．
０ ０ ９４ ０ ．
０３ １ 

２

３ ０ ． ０００５ ０ ． ０００５ ３７ ０ １ ．

００６５ ０ ．
０３ ６７



４（ 不做增强 ）

０ ０００５
．


（ Ｋ００ １


３３２

０ ． ００９０

０ ． ０３ ６３



３ ０
－ ￣ 


￣

． １



－

２ ． ５

２ ． ０

！ ／５



？
１ ５


－

Ｌ 〇

 

．

０ ５
－

０ ０Ｊ
  — － —   

￣

． ｒ ｒ ｒ

０  ５０  １０ ０  １ ５ ０  ２ ０ ０  ２ ５ ０  ３ ０ ０



迭代轮 数



图 ５ ２ ６Ｃ
． ＮＮ 模型 应用 拉曼光谱 损失 函 数 收敛情况



可以看出 ， 在 当 前的 Ａ ｌ ｅｘ ｎ ｅ ｔ 模 型 以 及 这 几组参数条件 下 ，
Ｃ ＮＮ 对于 生 物柴油 拉曼光



谱 的拟合 能力 并不是非 常 的好 。 在校正集上拟合不如 ＰＬＳ 的结杲 ， 但是优于 ＰＣＲ 模型和




Ｌ Ｓ ＳＶＭ 模型 ， 其预测 能 力 微弱 于 传 统校正模型 。 初 步 分析是 由 于光谱特征波长 点过 多 而




导 致参数过 多 ， 但是样本数却很少 ， 由 此训练量不够 ， 这 两 者 差距过大导致训 练 的模 型 表




达能力 不够导致 

。

５ ４ ２
． ． Ｊ 局 部建模策略



对于 生物柴油 的拉曼光谱 ， 同 样应用 三种 局部模型 ， 效果对 比见表 ５ ．

２５ 

。

表 ５ ２５ ． 三种局部 模型应用 于 生物柴油拉 曼光谱效果 对 比




相 似 性  主 元 个 数  选 择 样 本 数 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ Ｒ Ｍ Ｓ Ｅ Ｃ  Ｒ Ｍ Ｓ Ｅ Ｐ  Ｒ ２



全样本  Ｐ Ｌ Ｓ ７ ４ ５ ０ ０ ２４９
．
０ ．
０ ０ ４ ５ ０ ０ ２ ２ ．
１ ０ ．
９９４５



Ｅ Ｌ ７  ３ ３ ０ ． ０２４０ ０ ． ０ ０ ２ ６ ０ ０ ． １ ８３ ０ ． ９９ ６２



Ｓ Ｉ Ｄ ７  ３ ３  ０ ．
０２２７ ０ ．
０ ０ ２ ３ ０ ０ ２ ０ ２ ．
０ ．
９９５４



Ｎ Ａ Ｓ ７ ３ ３ ０ ． ０２３ ８ ０ ． ００２ ５ ０ ． ０ １ ８８ ０ ． ９９６０




９７



第 五 章 生 物柴油 调 和 油 光谱定量分析 



 

０ ０ ３  〇〇 ３


＇ 


 —

全 局 模 型 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ
．


全 局 模 型 Ｒ Ｍ Ｓ Ｅ ＣＶ




局 部 模 型 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ 局 部模 型 Ｒ Ｍ Ｓ Ｅ ＣＶ


、 



只
＞
－

 




＝

〇〇 ２ ８


八 ＾ ＼
ＬＬ  ／  ＼
山


 ／ 
１

ｃ／３
＼
ｗ〇 〇 ２ ６ ．

Ａ



 ＼ 「  華


？

广

 ：


１ ０ ０２６ ．

厂 一

Ｖ Ｊ １  卜
＇
０ ０ ２ ４ ．

＼ 、 广


ｊ
  ＿ ＿  ＿
一


＾ Ｊ 

Ｊ
０ ０ ２ ４．
— 
＾

 ０ ０ ２ ２
．
—  ￣ ￣
＾

２ ５ ３ ０ ３ ５ ４ ０ ４ ５  ２ ５ ３ ０ ３ ５ ４ ０ ４ ５



ＥＬ 样 本 数 选 择 Ｓ Ｄ样Ｉ
本 数选 择



全 局 模 型 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ
０ ０ ２４ ．

 全 局 模 型 卜
八
－




、  １ ＼广


局 部 模 型 Ｒ Ｍ Ｓ Ｅ Ｃ Ｖ 

局 部模型   ／


＼
ｘ
ｈ
＂

 Ｌ〇 〇 ２ ２ 一

 

０２６ ：
〇 ０
Ｃ
＾ 

；

／
「
－

Ｉ  户 １  －



Ｉ

   
＼

Ｉ ０ ．
０２４ １ Ｖ Ｉ ０ ０２ ．
＼
，
／ ＼ ／


０ ０ ２ ２
．
— ＇ 
＇ ＇  ＇  Ｊ  ０ ０ ． １ ８

＇ 
＇
 ＇
 

＾

２ ５ ３ ０ ３ ５ ４ ０ ４ ５  ２ ５３ ０ ３ ５４ ０４ ５



＋

 Ｎ Ａ Ｓ 样 本 数 选 择 Ｎ Ａ Ｓ 样 本 个 数  

：

图 ５ ２７． 三 种 局 部 模 型 确 定 样 本子集 数 及 局 部 模 型 预测 效 果



图 ５ ． ２７ 展现 了 三种局 部模型样本 子集数 目 的确定 ， 其 中 ＲＭ Ｓ ＥＣＶ 为 校正集的均方根




误差 。 对 于 ＮＡ Ｓ ， 由 于在这
一

段存在三个谷 点 ， 因 此测试 了３ 个谷 点 时 的 模 型 效果 ， 


最

后 选择 ３ ３ 个 局 部 样本数 

。

对 于 上述 的 三 种 局 部 模 型 ， 可 以看 出 ， 针对 生物柴 油 拉曼 光谱 ， 欧 氏 距离 以及净信 号



的 欧 氏距离 都有 比较好的 能 力 其 中 在图 中 最后 张图为 ＮＡ Ｓ 作为相似性时 


随
一

。 ５ ． ２７ ， ，

着 样本数 的增 加 ， 模 型 的 测试集 上 的 精度 先 下 降 后 上升 ， 在很大范 围 内 都 低 于 全样本 子集




情况下 的精度 ， 验证 了 局 部建模策略 的有 效性 


。

５ ．
４ ． ３ 波长选择



如 同 ５ ３ ．

小节 ， 在拉 曼光谱 中 ， 实 验 ＶＡ Ｐ Ｓ Ｏ 、 ｉ ＶＡ Ｐ Ｓ Ｏ 以 及稳定的 ｒｅ
＿ ｊ ＶＡ Ｐ Ｓ Ｏ 模型 

，

局部模型 Ｖ Ｉ Ｐ 自 适 应 粒 子群算 法算 法 

。

５ ．
３ ． ４ ． １  ＶＡ Ｐ Ｓ Ｏ



对于 Ｖ Ｐ 自 Ｉ 适应 粒子群算 法 的 微改如 同 ５ ． ３ ．
３ ． １
所示 。 经过调 整粒 子 参数 ， 以及将初



始化修改 为 全 光谱 ＰＬ Ｓ 模型 的 情况 ， 十 次运行 取 最优 ， 获得的结果如表 ５ ． ２６ 所示 


。

表 ５ ． ２ ６ ＶＡ Ｐ Ｓ Ｏ 算 法 筛 选 波长 点 效果




￣

方 法  迭 代 次 数  波 长 点 个 数  主 元 个 数  ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ  Ｒ２ 
ＶＡ Ｐ Ｓ Ｏ ５０ １ ０５ １ ５ ０ ．
０００７ ０ ． ０ １ ９３ ０ ．
９ ９５８



    

９８


 
第五 章 生 物柴油 调 和 油 光谱 定量分 析 



从表 ５ ． ２６ 中 可 以 看 出 相 比较全光谱 ，
ＰＬ Ｓ 模型 通过波长选 择 使得 ， ，
ＲＭ ＳＥＣ 和 ＲＭ Ｓ Ｅ Ｐ



均 降低较 多 ， 选 出 的 波 长 点 建立 的模 型 有 着 很好 的 你 和 能 力 和 预测 能 力 

。

筛选的 １ ０５ 个波长 点 位置见 图 ５ ． ２８ ， 由 于 拉曼 光 谱 共 １ ５ ４ １

个波长点 ， 因 此筛选出其



中 ６ ８ ． ％的 波长 点 作 为 波长 子集 ， 相 比 较前文 来说 ， 波长 点数很少 

。

２ ５ ０ ０
－

 

Ｉ

Ｉ 

Ｉ

２ ０ ０ ０


－



！
！

１５０ ０

？
 

Ｉ



Ｉ
〇


＿

２ ０ ０ ４ ０ ０ ６ ０ ０ ８ ０ ０ １０ ０ ０ １ ２ ０ ０ １４ ０ ０ １ ６ ０ ０ １ ８ ０ ０



波长 ＜ ｎｍ）



图 ５ ２ ８ Ｖ
． ＡＰＳＯ 算法筛选 生物柴油拉曼光谱 波长 子集 ｆ 立置



５ ４
． ３ ． ２ ｉ ＶＡ Ｐ Ｓ Ｏ



拉曼光 谱 使用 间 隔 偏 最小 二 乘结合的 Ｖ Ｉ Ｐ 自 适应粒子群算法进行波长 点 筛选 


，

表 ＶＡ Ｐ Ｓ Ｏ 第 轮重复情况


一

５ ． ２ ７ ｉ

第 轮 间 隔 长 度 循 环 次 数 第 轮选取 间 隔 数 第 轮平均 ＲＭＳＥＣ



一 一 一

７０ ２０ ２２ ０ ００６８
．

    



表 ５ ． ２ ８ ｉ ＶＡ Ｐ Ｓ Ｏ 算法第 二 轮迭 代 情 况



循 环 次 数波 长 个 数 Ｂ ｅｓ ｔ Ｆ ｉ ｔ  Ｒ Ｍ Ｓ Ｅ Ｃ Ｒ Ｍ Ｓ Ｅ Ｐ 主 元个数 
Ｒ２



１ ００ ５ ０ ０ ０２２．
１ ０ ０ ． １ ６５ ０ ． ０ １ ８ １ ５ ０ ．
９９６３


   
 

从上述 ２ 表可 以看 出 ，
ｉ ＶＡ Ｐ Ｓ Ｏ 算法平衡 了 Ｒ Ｍ Ｓ ＥＣ 和 Ｒ Ｍ Ｓ ＥＰ 两 个 精 度 ， 没有 出 现



ＶＡ Ｐ Ｓ Ｏ 方法 中 出 现 的 较 大 的 过拟合情况 ， 模型精度 高 ， 获得较好 的 效果 


。

为 了 获得更好的稳定性 ， 对 ｉ ＶＡ Ｐ Ｓ Ｏ 算法重复 ３ ０ 次 ， 并根据 各个 波长 点 的表现来评




估波长 点 重要 性 ， 即采用 ｒｅ
＿
ｉ ＶＡ Ｐ Ｓ Ｏ 算法 ， 得到 的结果见表 ５ ． ２９ ， 各个 间 隔 的被选频次 见



图 ５ ． ２９ ， 波长 子集个数选择 见 图 ５ ３ ０ ．

， 筛 选 波长 点 位置见 图 ５ ．
３ １


。

９９



第 五 章 生物柴油 调 和 油 光谱 定 量分析 



表 ５ ２ ９ｒ ｅ
． ｉ ＶＡ Ｐ Ｓ Ｏ 算法进行波长 子集筛选结 果


￣ ￣



波 长 得 分 评 估  波 长 点 个 数  主 元 个 数  ＲＭ Ｓ Ｅ Ｃ  ＲＭ Ｓ Ｅ Ｐ  Ｒ ２ 
Ｓ ｃ ｏ ｒｅ ２ ３ ７ ５ １ ３ ０ ００３
． １ ０ ０２２０
． ０ ９ ９４ ５
． 

  
 


３ °
＇


－

１ 

Ｉ

２ ５


－



Ｊ

ｍ２ ° 
－

ｍ


，



Ｉ

ｊ
－
ｋ ｌ  ｕ ｉ

｜ Ｊ 

ｊ

０  ２ ０ ０  ４ ０ ０  ６ ０ ０  ８ ０ ０  １ ０ ０ ０  １２ ０ ０  １ ４ ０ ０



波长 点 以 及 间 隔



图 ＶＡ Ｐ Ｓ Ｏ 第 轮进行 间 隔 筛选结果


一

５ ２９
． ｉ

° ° ４ ０

＇

｜
—

？Ｓ Ｅ Ｃ



 
？

＼ ％


Ｒ ＭＳ Ｅ Ｖａ ｌ
＾
ｉ ｄ  ！


．

赞
° ０ ３ ５
＇

－ —  －

 ＷＳ ＥＰ
Ｉ 


１   留 交 叉 验 证 乎 均 均 方谟 差
■ 一

＊ ＂



 ＼
…
一
０ ０ ３ ０
－

ａ〇２５
＊

 ｔ ｉ   ｒｗ 
－
＇
？

＃Ｈ
ｉ ｉ ＿＿＿＿＿



氧＾ ，
ｃ 
 ０ ０ １ ５
．
－

１ Ａ 

、


＾

０ ０ １ ０
．
－
 １
Ｕ 一
＂—



０ ０ ０ ５


－

Ｉ        ｒ

 ！ ！ ！
Ｉ
Ｉ
Ｉ

０  ２ ０ ０  ４ ０ ０  ６ ０ ０  ８ ０ ０  １ ０ ０ ０  １ ２ ０ ０  １４ ０ ０  １ ６ ０ ０



波铁 点个 数



图 ５ ３０ ． ｒｅ
＿
ｉ ＶＡ Ｐ Ｓ Ｏ 算法选择波长点数



１ ００


 
第 五 章 生 物柴油 调 和 油 光 谱 定 量分 析 



２ ５ ０ ０

－



蠱



１
２ ０ ０ ０
－

 

１

１ ５ ０ ０
－

 

１

摘
■

：
严 

，
    


  

       


１ Ｉ Ｉ
Ｉ Ｉ
Ｉ


ｔ
Ｉ Ｉ

２ ０ ０  ４ ０ ０  ６ ０ ０  ８ ０ ０  １０ ０ ０  １ ２ ０ ０  １４ ０ ０  １ ６ ０ ０  １ ８ ０ ０



 浚长
＇

（ ｍｕ ）



图 ５ ３ ． １ｒ ｅ ｉ ＶＡ Ｐ Ｓ Ｏ 算法 筛 选波长 点位置




Ｒｅ ＶＡ Ｐ Ｓ Ｏ 方法不如 ＶＡ Ｐ Ｓ Ｏ 方法效果好 效果 略微 比 全光谱 ＰＬ Ｓ 模型好 些 


总
一

ｉ ｉ
，
。
＿

体来说 ， 在拉 曼 光谱 中 ，
ｉ ＶＡ Ｐ Ｓ Ｏ 并不稳定 ， 结 果波动较大 ， 采用 Ｓ ｃ ｅ２
〇ｒ 评分效果 较差 

。

于 光 谱 波长数过 多 每 个 间 隔 建模 效果相 差 不 大 因此第 轮筛 选 并 没有 很好 地 区 分



一

由
一

， ，

开各个 同 隔 的效果 ， 这种情况下 ， 将被选 频次 作 为 第 二 轮的 初始化值 ， 并 没有 指 引 很好地




方 向 

。

５ ４
．
． ３ ．
３Ｌ ｏ ｃ
－

ＶＡ Ｐ Ｓ Ｏ



在前文 中 进行 了 局 部建模策 略应 用 于 生物柴 油拉曼光 谱 实验 ， 实验结 果显示 ， 欧 氏距




离作为 光谱相似性 ， 以及 净信号 的 欧 氏 距离作为 光谱相似性 ， 应用 于拉曼光谱 ， 都有 不错




的 预测精度 。 本节将采用 这两种相似性 ， 结合 Ｖ Ｉ Ｐ 自 适应 粒 子群方法进行波长 选 择 ， 参数




选择 ５ Ａ２ ． ３ 中 最后采用 的参数 。 最后模 型 的结果如表 ５ ． ３ ０ 所示 


。

表 ５ ３０．
两种 局部模 型 结合波长 选择算 法结 果 对 比



相 似 性 主 元 个 数 选 择 样 本 数 选 择 波 长 数  ＲＭ Ｓ Ｅ Ｃ Ｖ  Ｒ Ｍ Ｓ Ｅ Ｃ  Ｒ Ｍ Ｓ Ｅ Ｐ  Ｒ ２



ＥＬ －

ＶＡ Ｐ Ｓ Ｏ  ７  ３ ３  ８ ４  ０ ．
０ １ ８ ７ ０ ．
０ ０ ５ ７ ０ ０ ． １ ８ ０ ０ ． ９ ９ ６３



Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ  ７  ３ ３  ７  ０
－

１ ．
０ １ ９２ ０ ．

００５ ６ ０ ．
０ １ ７ １ ０ ．
９９６７



从表 中 可 以 看 出 ， 两种模型 取得的 效果都很好 ， 相 比较而言 ， 这 两组结果对 比 


，

Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ 方 法略优 点 选取 的波长 点数少 且预测 效果更好 相 比较全 光谱 ＰＬＳ 


模
一

， ， 。

１ ０ １



第 五章 生物柴油 调 和 油 光谱定量分析 



型 ，
Ｅ Ｌ ＶＡ Ｐ Ｓ Ｏ
－

使得 ＲＭ Ｓ Ｅ Ｃ Ｖ 降低 ２ ５ ％ ，
ＲＭ Ｓ Ｅ Ｃ 略微升高 ，
ＲＭ Ｓ Ｅ Ｐ 降低 １ ９ ％ ， 

而

％ Ｒ Ｍ Ｓ Ｅ Ｃ 略 微 升 高 降低 筛选


°
Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

方 法 使得 ＲＭ Ｓ ＥＣ Ｖ 降低 ２３ ， ，
ＲＭ Ｓ Ｅ Ｐ ２ ３ ／。 。

的这 ７２ 个波长点见 图 ５ ． ３ ２ ， 而 预 测 值 的 偏 离 情 况见 图 ５ ． ３ ３ 

。

２ ５ ０ ０ 
－



１



＇

２ ０ ０ ０


－



〇



°
１５０ ０


ｈ        Ｉ Ｉ １ Ｊ
１ Ｉ Ｉ 

Ｉ

２ ００  ４０ ０ ６ ０ ０ ８ ０ ０ １０ ０ ０ １ ２ ０ ０ １４ ０ ０ １６ ０ ０ １８ ０ ０



波长 （ 酿》



图 Ｓ ． ３ ２Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

筛选波长 点



１ ０


 

７１
．

 ｑ 


基线
－

 —



ｊ

＋ 灘忒 集




 ＾


０ ８
，

０ ６
‘

ａ ｚ 

ｍ Ｚ




，
隱  ，

０ ４


－



？



－

０ ２ ．



ｙ


Ａ
ｏ ｏ４ ．
＾ 

，


．


１


！




０ ０ ０ ２ ０ ４ ０ ６ ０ ８ １ ０
．

 ． ． ． ． ．

真实 值



图 Ｓ ３ ３ Ｍ
． Ｉ Ａ Ｓ ＶＡ
－

ＰＳ Ｏ 方法预测 值与 真实值对 比



１０２



第五 章 生物柴油 调 和油 光谱定量分 析 



５ ． ４ ４ ．

生 物柴 油 拉 曼光 谱 分析小 结



本小 节研 究 生物柴油调和 油拉曼光谱 快速检测调合 比 的实 际 问 题 。 与 近红外光谱类




似 ， 同 样对拉曼光谱进 行异 常样本检测 、 基线校正 与 平滑滤 波 


。

在定量分析模型 选择 方 面 ， 本节对 比 了 Ｐ Ｃ Ｒ 模型 、 ＰＬＳ 模型 、 Ｌ Ｓ Ｓ ＶＭ 模型 、 Ｃ ＮＮ 


模

型 以 及三种 局 部 校正模 型 。 表 ５ ３ ． １ 的实验结果表明 ， 在 生物柴油 近拉曼 光谱数据集上 


，

Ｃ ＮＮ 模型预测效果不如 传统方法 。 而基于 欧 氏距离和净信号 欧 氏距离 两种光谱相 似性判




据 的局 部建模策略取得 了 成功 获得 ， 了 比较好 的 结果 相 比较 ，
ＰＬ Ｓ ， 将 ＲＭ Ｓ Ｅ Ｃ Ｖ 降低 ４ ４％
．


，

ＲＭ Ｓ Ｅ Ｃ 降 低 了４４ ％  ＲＭ Ｓ Ｅ Ｐ降 低 
°
，
１ ５ ／〇 

。

在特征波长 点 筛 选 方面 ， 本节实验 了 与 近红外光谱 相 同 ， 实验结果见 表 ５ ３２ ．

。 可 以看



出 ， 与 前人 的 波长选择算 法对 比 ， 本 文 提 出 的 多 种 算 法 在 生 物柴 油 拉 曼 光 谱 上有 着 较好 的



效杲 。 其 中 ＶＡ Ｐ Ｓ Ｏ 算 法 筛选 的 波长 点 所建立 的 模 型 ， 使得 ＲＭ Ｓ Ｅ Ｃ 降低 ８４ ％ ，
ＲＭ Ｓ Ｅ Ｐ



降低 １ ３ ％ ， 有 着很好 的 拟合能力 和 预测 能力 ；
Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

方法选取 了 其 中 ４ ６％ ．
的 波长 点



建 立 波长 子集 ７３ ％的 样本 子集 在保持 ＲＭ ＳＥ Ｃ 相差不大 的 情况 下降低 了 ＲＭ Ｓ Ｅ Ｃ Ｖ 和

＋



．

， ，

ＲＭ Ｓ ＥＰ  

〇

表 ５ ３
． １ 生 物柴 油 拉曼 光谱 定 量 分析 模 型 选 择 结 果对 比



主 元个数 ＲＭ Ｓ Ｅ Ｐ
 ＾  
ＲＭ Ｓ Ｅ Ｃ
 



原始光谱  Ｐ Ｌ Ｓ ３ ０ ０ ０７ ０ ０ ０ ２ ６４

 ． ．

预处理 后
＇

 ＰＬ Ｓ  ７  ０ ０ ０４ ５
．  ０ ． ０２２ 

１

Ｐ Ｃ Ｒ ３  ０ ０ ２ ３ ２  ０ ０２ ６ ２
． 
 ．

Ｌ Ｓ Ｓ ＶＭ  无 ０ ０
． １ ３ ５ ０ ． ０２３ ６



Ｃ ＮＮ  无 ０ ０ ０９ ５
．
０ ． ０３ ０ 

１

ＥＬ －

ｌ ｏｃ －

ＰＬ Ｓ ７  ０ ０ ０２ ６ ０ ０
． ． １ ８３



ＮＡ Ｓ －

ｌ ｏｃ ＰＬＳ －

７ ０ ００２ ５
． ０ ０
． １ ８８
   



表 ５ ３２
．
生物柴油 拉曼 光谱 特征波长 子集 筛 选 方 法结 果 对 比



波长点数 ＲＭ Ｓ Ｅ Ｃ ＲＭ Ｓ Ｅ Ｐ
    



Ｃ ＡＲ Ｓ  ８０  ０ ０ ０ ４４
． ０ ． ０２ ６０



Ｉ Ｐ Ｌ Ｓ ４ ４ ０ ０２３ ５
． ０ ． ０３ １ 

０

ＧＡ  １ ９ １  ０ ０ ０ ９ ４ ０ ０２ ５ ９
．

 ．

ＶＡ Ｐ Ｓ Ｏ  １ ０ ５ ０ ０ ０ ０ ７ ０ ０ ． ． １ ９３



ｉ ＶＡ Ｐ Ｓ Ｏ  ５０  ０ ０ ． １ ６５  ０ ０ ．
１ ８ 

１

Ｒｅ ｉ ＶＡ Ｐ Ｓ Ｏ  ３ ７５  ０ ００３
． １  ０ ０２２ ０
．


Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ －

７ １ ０ ００５６
． ０ ０ ． １ ７ １

   



１ ０３


 
第五章 生物柴油 调 和 油光谱定量分析 



５ ５ ．
本章小 结



本章研 究 分 子振动光谱 应 用 于快速检测 生物柴油调 和 油 的调 合 比 ， 以 第 三章 、 第 四章




中 所提 出 的 多 种 光谱 特征 波长筛 选方 法 以 及局 部模 型 结 合特征 波长 筛 选 方 法 ， 对于调和油




样本分别 检测 近红外光谱 和拉曼光谱 ， 获得光谱数据 ， 并 分别 进行 光 谱 数 据预 处理 、 光谱




定量模型选择 ， 以 及特征波长 点 筛 选 

。

针 对 生 物柴 油 近红外光谱 快速检 测 调 合 比 的 问 题 ， 分别 进行异常 样本 检测 、 基线 校正




与 平 滑滤 波 。 对比 了Ｐ Ｃ Ｒ 模型 、 ＰＬ Ｓ 模型 、 Ｌ Ｓ Ｓ ＶＭ 模型 、 ＣＮＮ 模型 以 及 三 种 局 部 校正



模型 。 在 生 物柴油 近红外 光谱 数据集 上 ，

ＣＮＮ 模型和 ＳＩＤ －

ｌ ｏｃ －

ＰＬＳ 模型 均有 着 比 较好 的 拟



合能 力 和 预测 能力 ，
Ｃ ＮＮ 的 效果 最优 。 特征波长 点 筛选 问 题 ， 对比 了  ＶＡ Ｐ Ｓ Ｏ 、 ｉ ＶＡ Ｐ Ｓ Ｏ 

、

ｒｅ
ｊ ＶＡ Ｐ Ｓ Ｏ 以 及 Ｓ ＩＤ －

ＶＡ Ｐ Ｓ Ｏ 算法 ， 与 传统波长选择算 法对 比 ， 均有 很好 的提高 

。

前 文 均 为 新 型 定量 分 析 模 型 以 及 新 型 波 长 选 择 方 法应 用 于 近 红 外 光 谱 的 实 验 结 果 ， 

本

章 还讨论 新方法应用 于 生物柴油拉曼光谱 样进行 异 常 样本检 测 基线校正 与 平滑滤



＇

了 ， 同 、

波 ， 对 比 定 量 分析 模 型 ， 局 部 建模 策 略 在 该 数据 集 上 比 全局 建 模表 现更 优 。 波长选择方面 

，

Ｎ Ａ Ｓ ＶＡ Ｐ Ｓ Ｏ
－

方法选取 了 其 中 ４ ６％．
的 波长 点建立波长子集 ，
７３ ％ 的 样本 子集 ， 使得



ＲＭ Ｓ Ｅ Ｃ Ｖ 降低 ２３ ％ ，
ＲＭ Ｓ Ｅ Ｃ 相差不大的 情况下 ，
ＲＭ Ｓ Ｅ Ｐ 降低 ２３ ％ 

。

本 文 提 出 点 的 特 征 波 长 点 筛 选新 方 法 以 及新 光 谱 定 量 分析模 型 应 用 ， 在提高 生物柴油



＇

调 合 比 检测 精 度而 言 ， 有 着 很好 的 应 用 效果 ， 提高 检测精度 、 ．

降 低计 算 复 杂 度 方面 也表 现



优秀 。 该 方 法相 比较 与 前 人关 于 生 物柴油 调 合 比 的检测 方法 ， 拥有检测费用 低 、 快速 简 便 


、

检测 精 度 高 ， 效 果好等优 点 ， 拥 有 很好 的 应用 前景 

。

１ ０４


 
第 六章 总 结 与 展望 



第六章 总结与展望



６ ． １ 总结



本文首先仔细调研分子振动 光谱 的 历史 与 发展 ， 近红外光 谱 和 拉曼 光谱 的 原 理 ， 以及



在国 内 外 光 谱 分析 作 为 无损 在 线 分析技术 的 广 泛应 用 阐述 其作为 种 检测 技术的



一

， 、 ， 了

在现代 发挥 的 重要 的作用 。 另 外 还 调 研 分析 分子 振 动 光 谱 波 长 选 择 算 法 的 必 要 性 、 发展情




况 国 内 外对这 技术的研 究现状等

一

，


。

其次 ， 本文介绍光谱分析 中 涉及 到 的主流 的化学计量方法 。 光 谱 分析 的 主 要 步 骤 有 数




据集划分 、 异 常 样本 分析 、 数据预处理 、 波 长 选 择和 多 元校 正模 型 。 在化学计量 学方法 


中
＇

应 用 较 多 的定量 回 归模型有 多 元线性 回 归法 、 主成分 回 归法 、 偏 最小 二乘 法 、 最小二乘支




持 向 量机 回 归 局部建 模 等 应 用 较 多 的 波 长 筛 选 方 法有 间 隔 偏最小 二 乘 遗传算法 变



－

、 、 、
，

量投影 重要系 数等 。 同 时 ， 还 了 解粒子群优化算 法 的基 本 原 理 ， 常见 的模型 评价指标等 


。

在学 习 研究 前人在 分 子振动 光谱 的研究进展后 ， 本 文针对分 子振 动 光 谱 的 特性 ， 提出




了 多 种结 合 ＶＩＰ 系 数 与 粒 子 群 算 法 的波长选择算 法 ， 提出将 ＣＮ Ｎ 模型 、 基于不 同 相 似性




的 局 部 建模策 略 、 局 部 模 型 结 合 新 波 长 选 择 方 法 等 模 型 应 用 于 ￥ 子振 动 光 谱 定 量 分 析 。 

结

果表 明 ， 本 文提 出 的 新 波长选择算 法 以 及定量 分析模型 能够有效 、 快速 、 更 高 精 度 地 分 析 


．

出 样 品 的属性值 ， 在提 高检测 精度 、 降 低计算 复 杂 度 方 面 也表现优 秀 


。

本文的研究 内 容及创 新 点 主 要有 以 下 几个方 面 


：

１ ．
提出 了 新的面 向 于分 子震 动 光谱 特征波长 点 选择方 法 ， 结合 了 粒子群算法与 变 量



投影重 要性 系 数 （
Ｖ ＥＰ ） 的 自 适应 二 进 制 粒 子 群算 法 （ ＶＡ Ｐ Ｓ Ｏ ） ， 并且 设计
一

套波长 点 表现



得 分评 估 方案 ， 用 于 重 复 筒 单 算 法 来 获 得 更 加稳 定 、 更高精度的结果 （ Ｒ ｅ ＶＡ Ｐ Ｓ Ｏ＿
） 。 

在

探索初期 首先设计用 ＶＩＰ 系 数来为 ＢＰ Ｓ Ｏ 算 法指引 个 更好 的 收敛方 向 称 为 Ｂ Ｐ Ｓ Ｏ ＶＩ Ｐ



一

， ，

算法 为 获得更好地稳定 效果 设计 套 光谱 波长 点 表现评 分 方案 用 于在 多 次重 复基


一

。 了 ， ，

本算法时 ， 根据训 练 集 和 验证集 的误 差 来 评 估 波长 点 的表 现得分 。 由 于基本 二 进制 粒 子群




算法学 习 速 率难 以控制 粒 子群 收敛快 容易 陷入局 部 最优 点 中 很难跳 出 提出 种新的



一

， ， ，

基于 Ｖ Ｉ Ｐ 值的 自 适应粒 子群算法 （
ＶＡ Ｐ Ｓ Ｏ ）
。 该算 法较 Ｂ Ｐ Ｓ Ｏ ＶＩＰ 算法 ， 能够寻找到 更优 的



波长 子集 并且 速 度 更 快 在 杏 仁 软糖 标准数据集上 相 比 较 全光 谱 算 法 该 方 法将
， 。 ， ， ＲＭ Ｓ Ｅ Ｃ



降低 １ ９ ％ ， 将 ＲＭ Ｓ Ｅ Ｐ 降低 ３ ８ ％ 。 重 复 ＶＡ Ｐ Ｓ Ｏ 算 法 来 评 估 波 长 点 得 分 ， 能够获得更加稳


１ ０５



第六章 总 结与展望 



定 、 优秀的结果 ， 然而耗 时 比较久 


。

２ ．
由 于 ＶＡ Ｐ Ｓ Ｏ 算 法 在 特 征 波 长 点 很 多 的 情 况 下 重 复 时 速 度 较 慢 ， 提 出 结 合间 隔偏最



小二乘的 ＶＡ Ｐ Ｓ Ｏ 算法 在第 轮 中 将光谱 分 为 多 个 区 间 以 毎个 区 间 为 单位进行最优



一

ｉ 。 ， ，

的 区 间 组合选择 ； 第 二轮 以之前获得 的 区 间 被选 频次作为 初始化 ， 筛 选少 量 波长 子集 中 


的

波长 点 。 通 过 这 种 方式 减少 迭 代 中 粒子长度 ， 以 较少 的 时 间 即 可达到较 高 、
并且更稳 定 的



预测 性 能 。 同 时 ， 通过 更少 次数的 循环 评估来筛 选 出 更优 的 波长 子集 。 在杏仁软糖标准数




据集上 ， 相 比较全光谱算法 ， 该方法将 ＲＭ Ｓ Ｅ Ｃ 降低 ２０％ ， 将 ＲＭ Ｓ Ｅ Ｐ 降低 ４８ ％ 


。

由 于 分 子振动 光谱 数据是 维 的谱 图 可 以从 中 挖掘 出 维谱 图 的 局 部 特征用 于



一 一

３ ．
，

预测 样 本性 质 因 此本 文提 出 将深度学 习 领域常应用 于 图像领域的 ＣＮＮ 模型 应用 于



一

， ，

维 光谱 定 量分析 中 。 Ｃ ＮＮ 模 型 常用 于 图像分类 、 图像分割 等技术 中 ， 拥有着 出 众的 图像




识别能力 。 Ｃ ＮＮ 模 型 在 生 物 柴油 近 红 外 标准数据 集 中 ， 迭 代速度快 ， 预测精度 高 ， 对数





＋

据 的 拟合优异 ， 获得 了 很好 的 效果 。 在 生 物柴 油 Ｎ ＩＲ 光谱 中 ， 相 比较 ＰＬＳ 模型 ， 该方法

将 ＲＭ Ｓ Ｅ Ｃ  降 低
 ５ ９ ％ ， 将  ＲＭ Ｓ Ｅ Ｐ降 低１ ９ ％ 。


．

４ ．
针对分子振动 光谱数据常 常 用 于 训 练 的 校正 样本分布广 泛 ， 因 而 导致对于 单个测



试样本 的 预测 结 果 不是很理 想 的 问 题 ， 本文探 索 了 基于欧 氏距离 为相似性 ， 基于净信号为




样本相 似性度量 ， 和 基 于 光 谱 信 息 散度 作 为 相 似 性度 量 三 种 局 部 模 型 ， 提 出 局 部 模 型结 合



Ｖ ＩＰ 自 适应 粒 子群算法 ， 进行 波长 ｆ集 以 及样 本 子集 的 筛选 的 方 法 （
Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ ）
－

。 该方法



耗时短 ， 效果 比 仅用 局 部模 型 更加 好 ， 在分子振动光 谱 定 董 分析领域有 着 很好 的 前 景 


。

５ ．
针对 上文 所提 出 的多 种 不 同 的新波长选 择算法 以 及新定量分 析 模型 应用 于检测 生



物柴 油 调 和 油 的 调 合 比 。 对 于 所获 得 的 调 和 油 样 本 分 别 检 测 近红 外 光 谱 和 拉 曼 光 谱 ， 获得



光 谱数据 ， 并分别 进行光谱数据预处理 、 光谱 定量模型 选 择 ， 以 及特征波长 点 筛 选 。 然后 


，

将 提 出 的 新光谱特 征波 长 筛 选方 法 （ ＶＡ Ｐ Ｓ Ｏ 、 ｉ ＶＡ Ｐ Ｓ Ｏ ） ， 新 的 定 量分析模型 （ Ｃ ＮＮ 模型 

、

Ｌｏ ｃ －

ｐ
ｌ ｓ 以及 Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ
－

方法 ） 。 实验结果表 明 ， 本 文 提 出 点 的 特征波长 点 筛选新 方 法 以




及新 光谱 定 量 分析模 型 应 用 ， 在提高 生物柴油调 合 比 检测 精度而言 有 着 很好 的应用 效果 ， 


，

提高检测 精度 、 降低计 算复 杂度 方 面 也表现优 秀 


。

１ ０６


 
第六 章 总结 与 展 望 



６ ． ２ 展望



本研 究 中 提出 的多种结合 ｖ ｉｐ 系 数和 粒 子 群 算 法 的 波 长 选 择 算 法 ，
多 种不 同 的定量 

分

析模 型 应 用 于 光 谱 数据分析 ， 在 食 品 领域 以 及新 能 源领域获 得 了 很好 的 结 果 。 但这
一

研究



还有待进 步 深度 挖掘 本文提 出 的 新方 法 的 不足之处 以 及 改进 方 向 如下

一

， 

。

在波长选择算法 方面 ， 各 个算 法都有 自 己 的优缺点 与 适用 情况 


。

ＶＡ Ｐ Ｓ Ｏ 算法存在 定 的 随机性 筛 选 的 波长 点建模预 测 结 果 有 好有坏 虽然波动



一

１ ．

， ，

相 比较与 基本 粒 子群算法而言 ， 有着很大 的提 高 ， 但 是 结 果 的 波 动导 致 实 际 应 用 时 如 何 选




择
一

组 最好的结 果存在 问 题 。 而 由 此引 出 的 ｒｅ
＿
ＶＡ Ｐ Ｓ Ｏ 方 法虽 然 结果更加 稳 定 ， 波动小 

，

但是需要多 次 重 复 模型 ， 来评 估各个波长 点 的 表现结果 ， 耗费 时 同 相 比较较长 。 本文提 


出

的基于 Ｖ Ｉ Ｐ 的 自 适 应 粒 子群算 法适 用 性很广 ， 若 能 改进结果波动 的 问 题 ， 将会有非 常好 的




应用 前景 。 未来 期 望 改进 的 方 向 是 改进适应 度 函 数 ， 以增强该算法结果的稳定性 

。

法加快 单次运行 时 的运行效 率 但是 于 筛选 的 是 区 组合 会 导 致



＇

 ２  ＶＡ Ｐ Ｓ Ｏ 方 ． ｉ
？
了 ， 由 间 ，

？

 
＊



＊


－


 ．
？

些 优 异 的 波长 点 被 漏选 在第 轮 中 若不进行重 复 运行 会导 致筛 选 出 很少 的 区 间
一 一

。 ， ， 

，

最终 会导 致最 后 的 结 果 不 如其 他波长 选择 方法 。 通过少 量 的重 复 ， 提高 了 预测精度 ， 增加




了 稳定性 ， 同 样也增加 了 时间 开销 。 如何选 择更 好的 区 间 ， 来进行第 二轮 的 波 长 点 筛选 


，

这是未来 的 个 改进 方 向
一



。

． 在 定 量 分 析 模 型 方 面 ， 本文有 以 下几个未来 的 故进方 向 ：  


．

１ ．
从 生 物柴油 的近红外光谱 实验结 果 中 可 以看到 ，
Ｃ ＮＮ 应用 于 合适 的 光 谱 数据 ， 

会

有 这超 出 其他方法 的 更好 的表现 ， 迭 代 收敛速 度快 ， 预测精度 高 ， 尤 其是 当 收集 的 数据集




数越 多 ，
Ｃ ＮＮ 优 于 其 他 模 型 的 表 现 将 会更 加 突 出 。 这是 ＣＮＮ 的优 点 。 然而 ， 这个优 点 有



个前提条件 即 合适 的 光 谱 数 据 例如 本文 拉曼光谱有 个波长 点 而只有

一

， 。 中 ，
１ ５４ １ ，
４５



个训 练样本 。 因 此 ＣＮ Ｎ 模 型 将 会有 众 多 的 参数 需 要 训 练 ， 但是样 本 量 少 导 致 欠拟 合 的 情



况 。 本文只 尝试 了Ａ ｌ ｅ ｘ ｎ ｅｔ 网 络 ， 未来可 以 尝试其他更 复 杂 的模 型 ， 更宽 、 更深的模型 Ｃ ＮＮ




模 型 或许会有较好 的 效果 ， 但是都 建立在 足够 的 训 练 样本 的 条件 下 。 在样本量充足的 情况




下 ， 选 中 ＣＮＮ 更加合适 。 如何将 ＣＮＮ 应用 于光谱过长 ， 训 练 样本 过 少 的 问 题 ， 是未 来 的




研究方 向 。 研究的方 向 可 以 参考 Ｄ ｅ ｅｐ Ｕ ｎ ｓ ｕ ｐ ｅ ｒ ｖ

ｉ ｓ ｅ ｄ Ｅｘ ｅ ｍｐ ｌ ａｒ  Ｌ ｅ ａｒｎ ｉｎ
ｇ 等方法 ［
８ （＞］


。

２ ．

在 Ｌ ｏ ｃ ＶＡ Ｐ Ｓ Ｏ
－

算法 中 ， 局 部 模 型 的 主 元 个数 和 选 择 的 样 本 个数 经 过 优 化 之 后 就 固



定不变 。 倘 若 将 主 元个数 与 祥本个数都 进 入适 应 度 函 数 ， 针对不 同 的 样本 子集进行重新选




择 ， 会导致 优化的 时 间 过长 。 如何简 化这

一

过程是 以 后 的研究 方 向 

。

１ ０７



第六章 总结 与 展 望 



１０８


 
参考 文 献 



参考文献


［
１
］  Ｐ ｅｄ ｅ ｒ ｓ ｅｎ Ｄ  Ｂ ａ ，
ｌ ｌ ｉ ｎｇ
 Ｅｎ ｇ ｅ ｌ ｓ ｅｎ Ｓ  Ｍ ｏｎ ． ｉ ｔ ｉ ｎ ｇ  ｉ ｎ ｄ ｕ ｓ ｔ ｒ ｉ ａ ｌ  ｆｏ ｏ ｄ  ｐ ｒ ｏ ｃ ｅ ｓ ｓ ｅ ｓ  ｕ ｓ ｉ ｎ ｇ  ｓ ｐ ｅ ｃ ｔ ｒｏ ｓ ｃ ｏ
ｏｒ
ｐｙ
ａ ｎｄ



ｃ ｈ ｅｍ ｏ ｍ ｅｔｒ
ｉｃｓ Ｊ Ｎ ｅｗＦｏ ｏ ｄ ２ ００ ４ ２ ９ ３
－

． １ ：  １ 

．

［ ］  ３ ， （ ）

［
２
］ Ｍ ｉ ｌｌ ｅｒ Ｆ Ａ  ．  Ｔｈ ｅｈ ｉ ｓ ｔ ｏｒ
ｙｏ ｆ  ｓ
ｐ ｅ ｃ ｔ ｒｏ ｓ ｃ ｏｐ ｙ  ａｓ  ｉ ｌ ｕ ｓ ｔ ｒ ａ ｔ ｅ ｄ  ｏ ｎ  ｓ ｔ ａ ｍ ｐ ｓ ｆ Ｊ ］
ｌ ．  Ａ ｐｐ ｌ ｉ ｅ ｄＳ
ｐ ｅ ｃ ｔ ｒｏ ｓ ｃｏ ｐｙ  １ ９ ８ ３ ， ， ３ ７ （ ３ ）


：

２ １ ９ ２２ ５ －



．

［
３
］ Ｍ ｉ ｌ ｌ ｅｒＦ Ａ ．  Ｔｈ ｅ  ｈ ｉ ｓｔｏｒ
ｙｏ ｆ  ｓ
ｐ ｅ ｃ ｔ ｒｏ ｓ ｃ ｏ ｐ ｙ  ａ ｓ  ｉ ｌ ｌ ｕｓ ｔ ｒ ａ ｔ ｅ ｄ  ｏ ｎ  ｓｔ ａ ｍ
ｐｓ ［Ｊ ］ ．  Ａｐｐ ｌ ｉ ｅ ｄＳ
ｐ ｅ ｃ ｔｒ ｏ ｓ ｃ ｏｐ ｙ １ ９ ，
８ ３ ３ ７ ３
（ ，
）


：

２ １ ９ ２２５ －



．

［
４
］
褚小 立 ．
化 学 计 量 学 方法 与 分 子 光 谱 分析技术 Ｍ ［ ］
．
化学 工业 出 版社 ，
２０ １ １ 

．

［
５
］
陆婉贞 ．
现代近红 外光谱 分析技术 ［
Ｍ ］
．
中 国 石化 出 版社 ，
２００７ 

．

［
６
］  Ｔａ ｎ  Ｃ ，
Ｗａ ｎ ｇ 
Ｊ
， Ｑ ｉ ｎＸ ，
ｅ ｔ  ａ ｌ  Ｅ ｎ ｓ ｅｍｂ ｌ ｅ  ． Ｍｕ ｌｔｉ ｉ ａ ｔｅ  Ｃ ａ
ｖ ａｒ ｌｉ ａ ｔ ｏｎ  Ｂ ａ ｓｅ ｄ ｏ ｎ Ｍ ｕ ｔｕ ａ
ｂｒ ｉ ｌ  Ｉ ｎ ｆｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ  ｆｏ ｒ  Ｆ ｏ ｏ ｄ



Ａ ｎａ ｌ
ｙ ｓ ｉ ｓ Ｕｓ ｉ ｎｇ 
Ｎ ｅ ａｒ ＿

Ｉ ｎｆ
ｒ ａｒｅ ｄ  Ｓ
ｐ ｅ ｃ ｔｒｏ ｓ ｃ ｏ
ｐｙ ［ Ｊ
］
．  Ａｎ ａ ｌ
ｙ ｔｉ ｃ ａ ｌ  Ｌ ｅ ｔ ｅ ｒｓ ， 
２ ０ １ ０ ，
４３（ １ ６） ：  ２ ６４０ ２ ６ ５ －

１  

？

［
７］ 尼珍 ，
胡 昌勤 ，
冯芳 ．
近 红 外 光 谱分析 中 光 谱预 处 理 方 法 的 作 用 及 其 发展 ［
Ｊ
］
．
药物分析杂志 ，
２００ ８ 

，

（
５ ： ８ ２４ －

８ ２９ 

．

［
８
］  Ｈ ｕ ａｎ ｇ 
Ｚ ， 
Ｔａ ｏ Ｗ Ｆ ａ ｎ ｇ 
， 

Ｊ
， 
ｅｔａ ｌ ．  Ｍｕ ｌ ｔ ｉ ｖ ａｒ
ｉ ａｔｅｃ ａ ｌ ｉ ｂ ｒａｔ ｏ ｎ  ｏ ｆ ｏ ｎ
ｉ 
－

ｌ ｉ ｎｅｅｎｒ ｉ ｃ ｈ ｍ ｅｎ ｔ ｎ ｅ ａｒ －

ｉ ｎ ｆｒ ａ ｒ ｅ ｄ  （ Ｎ Ｒ Ｉ
）
ｓ
ｐ
ｅ ｃ ｔｒ ａ



ａｎ ｄ  ｄ ｅｔｅ ｒｍ ｉ ｎ ａ ｔ ｉ ｏ ｎ  ｏ ｆ  ｔ ｒａ ｃ ｅ  ｌ ｅ ａ ｄ  ｉ ｎ  ｗ ａ ｔ ｅ ｒ  ［Ｊ ．  Ｃｈ ｅｍ ｏ ｍ ｅｔｒ ｉ ｃ ｓ  ＆  Ｉ ｎ ｔ ｅ ｌ ｌ ｉ
ｇ ｅ ｎ  Ｌ ａ ｂ ｏ ｒ ａ ｔ ｏｒ ｙ  Ｓ ｙｓ ｔ ｅｍ ｓ  ２ ０ ０ ９
ｔ
］ ， 

，

９８ ９５ ２ ００
－

： １ ． 


－

（ ）

［
９
］ Ｋ ｌ ｉ ｎｇｓ ｐ ｏ ｍ ＪＭ ， 
Ｊ ｉ ａｎ
ｇＮ ， Ｐ
ｏｚｚｉＥ Ａ ｓ 
ｅ ｔ  ａ ｌ  Ｉ ｎｔｒ ａ ｍ ｏ ｌ ｅ ｃｕ ｌ ａ ｒ  Ｉ ｎ ｓ ｉ
．

ｇｈ ｔ  ｉ ｎ ｔ ｏ  Ａ ｄ ｓ ｏ ｒｂ ａ ｔ ｅ
－

Ｓ ｕ ｂ ｓ ｔｒａ ｔ ｅ  Ｉ ｎ ｔ ｅ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｓ



ｖｉ ａ  Ｌ ｏ ｗ Ｔｅ ｍｐ ｅ ｒ ａ ｔ ｕ ｒ ｅ Ｕ ａｈ
ｇｈ
Ｖａ ｃ ｕ ｕ ｍ  Ｔ Ｅｎｈ ａ ｎ ｃ ｅ ｄ  Ｒ ａ ｍ ａ ｎ  Ｓ ｐ ｅ ｃ ｒｏ ｓｃ ｏ  Ｊ ｏ ｕｒｎ ａ  ｏ ｆ  ｈｅ


ｐ ｙ ［ Ｊ］
－ － －

ｔｒ ｉ ｔ ｌ ｔ
ｐ
ｌ ｉ ．

Ａｍ ｅｒ ｉ ｃ ａｎ Ｃｈ ｅ ｍ ｉ ｃａ ｌ  Ｓ ｏ ｃ ｅｔ
ｙ ｉ
， 
２０ １ ４ ， １ ３ ６ （
１ ０） ：  ３ ８８ １
－

３ ８８７ 

．

［
１ ０
］ 
Ｋａ ｌ ｋａｎ ｉ ｓ  Ｓ  Ｎ ， 
Ｋａ ｓ Ｒ Ｅ Ｒ ｏ ｔ 
， 
ｓ ｅｎ ｂ ｌ ｕｍ  Ｍ  Ｌ ， 
ｅｔａｌ ．
 Ｒａ ｍ ａ ｎ  ｓ
ｐ ｅ ｃ ｔｒ ｏ ｓ ｃ ｏ ｐ ｙ  ｔ ｏ  ｄ ｉ ｓ ｔ ｉ ｎ ｇｕ ｉ ｓｈ
ｇ
ｒｅ
ｙ  ｍ ａｔ ｔ ｅ ｒ ， 
ｎ ｅ ｃ ｒｏ ｓ ｉ ｓ ，

ａｎ ｄ ｏｂ ａｓ ｔ ｏ ｍ ａ  ｍ ｕ ｆｏ ｒ ｍ ｅ  ｉ ｎ  ｆｒ ｏ ｚ ｅ ｎ  ｔ ｉ ｓ ｓ ｕ ｅ  ｓ ｅ ｃ ｔ ｉ ｏ ｎ ｓ Ｊ  Ｊ ｏｕｒｎ ａ  ｏ ｆ  ｎ ｅ ｕ ｒ ｏ －

ｏ ｎ ｃ ｏ ｏ ｇｙ  ２ ０ ４  ６（３
ｇ ｌ ｉ ｌ ｌ ｔ ｉ
ｆ ］
．
ｌ ｌ
，
１
，
１ １
）


：

４７ ７ ４ ８ ５ －



．

［
１ １
］
Ｃ ｏ ｏｐ ｅｒＪＢ ， 
Ｗ ｉ ｓ ｅ ＫＬ ，  Ｇ ｒｏ ｖ ｅ ｓ  Ｊ ，  ｅ ｔ  ａｌ ．  Ｄｅ ｔ ｅ ｒ ｍ ｉ ｎ ａ ｔ ｉ ｏ ｎ  ｏ ｆ  ｏ ｃ ｔ ａｎ ｅ  ｎｕｍ ｂ ｅ ｒ ｓ  ａ ｎ ｄ  Ｒｅ ｉ ｄｖａ
ｐ
ｏｒ
 ｐｒｅ ｓ ｓ
ｕｒ ｅ  ｏ ｆ



ｃ ｏ ｍｍ ｅｒｃ ｉ ａｌ
ｐ ｅ ｔｒ ｏ ｌ ｅ ｕｍ  ｆ ｕｅ ｌ ｓ  ｕ ｓ ｉｎ
ｇ  ＦＴ
－

Ｒ ａ ｍ ａ ｎ  ｓｐ ｅ ｃ ｔｒ ｏ ｓ ｃ ｏｐ ｙ  ａ ｎ ｄ
ｐ ａｒｔ ｉ ａ ｌ  ｌ ｅａ ｓｔ ｓ －

ｑ ｕ ａ ｒｅ ｓ
 ｒｅ ｇ ｒ ｅ ｓ ｓ ｏｎ

 ｉ

ａｎａｌ ｙｓ ｓ ｉ
ｆ
Ｊ
］
．  Ａｎａ ｌ
ｙｔ ｉ ｃ ａｌ Ｃｈｅ ｍ ｉ ｓ ｔｒ
ｙ ， 
１ ９ ９ ５ ，６ ７ （２２
）
：  ４０９６ ４ －

１ ００ 

．

［
１ ２
］
王宗明 ， 华伟英 ，
程桂珍 等 ，
．
近红外光谱法测 定汽油 辛 烷值和 辛 烷值仪 的研制 ［
ｃ］ ．
分 子光谱 学进


展 ． １ ９ ９６ ２２ ：
－

２７ 

．

［
１ ３
］ 史月 华 ．
主成 分 回 归 残差 神经 网 络 校正算法用 于近红外 光谱 快速测 定汽油 辛 烷 值 ［ Ｊ ］ ．
分析化学


研 究 筒报 ，
２ ００ １ ，
２ ９（ １ ）  ： ８ ７ －

９ １ 

．

［
１ ４］ 褚小立 ３ 许育鹏 ，
陆婉珍 ．

支持 向 量 回 归建立成 品 汽油通 用 近红外校正模 型 的 研 究 ［

Ｊ
］
．

分析测试学


报 ，
２００８ ，
２７（６
：
）
： ６ １ ９ －

６２２ ．

［
１ ３
］
包鑫 ，
戴连奎 ，
Ｂ ａ ｏＸ ｉ ｎ ，
等 ．
基于局部最小 二 乘支持 向 量机 的 光谱 定量


分析 ［
Ｊ
］
．
分析化学 ，
２００８ ，
３ ６
（
】
）
： ７５
－

７８ 

．

［
１ ５
］
Ｋ ｉ ｍ Ｍ Ｎ ｏｈ ， 
Ｊ
， 
Ｃ ｈ ｕｎ ｇ  Ｈ ．  Ｃ ｏ ｍｐ ａｒ
ｉｓ ｏ ｎ ｏ ｆ  ｎ ｅａｒ －

ｉ ｎ ｆ ｒ ａ ｒｅ ｄ  ａ ｎ ｄ  Ｒ ａ ｍ ａ ｎ  ｓ
ｐｅ
ｃ ｔ ｒｏ ｓ ｃ ｏ
ｐ ｙ
ｆｏ ｒ  ｔ ｈ ｅ  ｄ ｅ ｔ ｅ ｒ ｍ ｉ ｎ ａ ｔ ｉ ｏ ｎ  ｏ ｆ



ｔ ｈ ｅｄｅ ｎ ｓ ｉ ｔ
ｙ  ｏ ｆ ｐ ｏ ｙ ｅ ｔｈ ｙ 
ｌ ｌ ｅｎ ｅ
 ｐ
ｅ ｌ ｌ ｅｔｓ
［
Ｊ
］
．  Ａｎ ａ ｌ
ｙｔ ｉ ｃ ａｃ ｈ ｉ ｍ ｉ ｃａａ ｃ ｔ ａ
， 
２００９ ， 
６３ ２（ １
）
：  １ ２ ２ －

１ ２７ 

．

［
１ ６
］
Ｐ ｅ ｌ ｉ ｔｅ ｚ Ｍ Ｖｏ ｎ Ｌ Ｈ Ｍ ａ ｎ ； 

， 
ｔ ｅ ｌ ｅ Ｗ ． Ｉ ｎ ｆｒ ａ ｒ ｅ ｄ  ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐ ｃ  ａｎ ａ ｙ ｓ ｉ ｓ  ｏ ｆ ｈ ｕ ｍ ａ ｎ  ｎ ｔ ｅ ｒ ｓ ｔ ｉ ｌ  ｉ ｉ ｔｉ ａ  ｆｌ ｕｉ ｄ  ｎ  ｖ
ｌ ｉ ｉ ｔｒ ｏ ａｎ ｄｉｎ



ｖ ｖｏｕｓ ｎ ｇＦＴ
ｉ ｉ
－

Ｉ Ｒｓ ｐ ｅｃ ｔ ｒｏｓｃ ｏ ｐ ｙ  ａ ｎ ｄ ｐ ｕ ｌ ｓ ｅ ｄ ｑ ｕ ａ ｎ ｔｕ ｍ  ｃ ａ ｓ ｃ ａ ｄ ｅ  ａ ｓ ｅ ｒｓ  （
 
ｌ
Ｑ Ｃ Ｌ） ： Ｅ ｓ ｔａｂ ｌ ｉ ｓｈ ｎ ｉ

ｇ
ａｎ ｅｗ 往
ｐｐ
ｒ ｏ ａｃ ｈ



ｔ ｏ  ｎ ｏ ｎ  ｉｎ ｖ ａ ｓ ｉ ｖ ｅ
ｇ ｌ ｕ ｃ ｏ ｓ ｅ  ｍ ｅ ａ ｓ ｕ ｒｅｍ ｅ ｎ ｔ Ｊ ］
［
． Ｓｐｅ ｃ ｔ ｒｏ ｃ ｈ ｉ ｍ ｉ ｃ ａ Ａｃ ｔ ａ  Ｐ ａ ｒｔ  Ａ Ｍ ｏ ｌ ｅ ｃｕ ｌ ａ ｒ ＆ Ｂ ｉ ｏ ｍ ｏ ｅ ｃｕ ａｒ

 ｌ ｌ

Ｓ ｅｃ ｔ ｒｏ ｓ ｃ ｏ
ｐｙ ２ ０ ２ ８５ ６ ６５
－

１
ｐ
ｌ ： Ｉ 

．

，  ，  （ ）

［
１ ７
］ 
Ｗ ｉ ｌ ｌ ｉ ａｍ ｓ ＰＣ Ｐｒｅ ｓｔ ｏｎ ，
Ｋ Ｒ ， 
Ｎｏ ｒ
ｉｓ Ｋ Ｈ ｒ 
， ｅｔａｌ  ． Ｄ ｅ ｔ ｅｒ ｍ ｉ ｎ ａ ｔ ｏｎ  ｏ ｆ
ｉ 
Ａｍ ｉ ｎ ｏ Ａｃ ｉ ｄ ｓ  ｎ  Ｗ ｈ ｅ ａｔ  ａ ｎ ｄ  Ｂ ａ ｒ ｅ
ｉ
ｙ  ｂｙ

 ｌ

１ ０９



参考 文 献 



Ｎｅａｒ ｎｆ
ｒａｒ ｅ ｄ Ｒ ｅｆ ｅ ｃｔａｎｃ ｅＳ Ｆｏ ｏ ｄ Ｓ ｃ ｉ ｅｎ ｃ ｅ ９ ８４， ４ ９ （
－

ｐ ｅ ｃ ｔｒ ｏ ｓ ｃ ｏ ｐ ｙ ［ Ｊ ］ Ｊ ｏｕｒｎ ａ ｏｆ ７ ２０
－

 Ｉ  １
 ｌ ． ｌ 
， １ ｌ
）
： 

，

［
１ ８］ 孙耀 国 ，
林敏 ，
吕 进 等 ，
．
近红外光谱 法测定绿茶 中 氨基酸 、 咖 啡碱和茶 多 酚的含量ｍ ．
光谱实验 室 

，

２ ０ 〇４？ ２ ５ ９４ ０ ９４３
－

１ ： 

．

（ ）

［
１ ９ ］  Ｃ ｅｒｖ ｅ ｒ ａ ｐ ａ ｄｒ ｅ ｌ ｌ  Ａ Ｅ Ｎ 
，
ｉ ｅ ｌ ｓ ｅｎ  Ｊ  Ｐ ３ 
Ｐ ｅ ｄ ｅｒｓ ｅ ｎ  Ｍ  Ｊ ， 
ｅ ｔａｌ  ． Ｍｏｎ ｉ ｔ ｏ ｒ ｉ ｎ ｇ  ａ ｎ ｄ  Ｃ ｏ ｎ ｔｒ ｏ ｌ ｏ ｆ ａ Ｃ ｏｎ ｔｉ ｎｕ ｏｕ ｓ Ｇｒ ｇ ｎ ａｒ ｄ

 ｉ

Ｒｅ ａ ｃ ｔ ｉ ｏ ｎ  ｆｏ ｒ  ｔ ｈ ｅ  Ｓ ｙ ｎ ｔｈ ｅ ｓ ｉ ｓ  ｏ ｆ  ａ ｎ  Ａ ｃ ｔ ｖ ｅ  Ｐ ｈ ａ ｒｍ ａ ｃ ｅ ｕ ｔ ｉ ｃ ａ ｉ ｌ  Ｉ ｎ ｇｒ ｅ ｄ ｉ ｅｎ ｔ  Ｉｎ ｔ ｅ ｒ ｍ ｅ ｄ ｉ ａｔｅ Ｕｓ ｉ ｎ ｇＩ ｎ ｌ ｉ ｎ ｅＮ ＩＲ




ｓ
ｐ ｅ ｃ ｔ ｒｏ ｓ ｃ ｏ ｐ ｙ ［
Ｊ
］
．  Ｏｒｇ ａｎ ｉ ｃ  Ｐ ｒｏ ｃ ｅ ｓ ｓ  Ｒ ｅ ｓ ｅ ａ ｒｃ ｈ ＆ Ｄ ｅ ｖ ｅ   ｌ ｏｐ ｍ ｅ ｎ ｔ ， 
２０ １ ２ ， 
１ ６（ １ ６
）
： ９０ １
—

９ １ ４ 

．

［
２ ０ ］  Ｌｉ Ｓ Ｄ ａｉ ＬＫ ｓ
． Ｃ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ  ｏ ｆ  ｇ ａ ｓ ｏ ｌ ｉ ｎ ｅ  ｂ ｒａｎ ｄ  ａｎ ｄ  ｏ ｒ
ａｓ ｓ ｉ ｆ ｉ ｇｉ ｎ  ｂ ｙ  Ｒ ａｍ ａｎ ｓｐ ｅ ｃ ｔｒ ｏｓｃ ｏ
ｐｙ 
ａｎ ｄ  ａ  ｎ ｏ ｖ ｅ ｌ



Ｒ －

ｗ ｅ ｉ ｇｈ ｔ ｅ ｄ  Ｌ Ｓ Ｓ Ｖ Ｍ  ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈｍ ［ Ｊ ］ ．  Ｆｕ ｅ ｌ
， 
２０ １ ２ ， ９
６（ １
）
： １ ４６ －

１ ５２ 

．

［
２ １
］
田 高友 ．

拉曼 光谱技术在石 油 化工领域应 用 进展 ［
Ｊ
］
．
现 代 科 学 仪器 ，
２００９ ， （
２
）
： １ ３ ０
－

１ ３ ４ 

．

［
２２］ 王拓 ，
戴连 等 ．
重整汽油 在 线拉曼分析 系 统开 发与 工业应 用 ［
Ｊ
］
．
仪 器 仪表 学 报 ，
２０ １ ５ 

，

３ ６ （
６） ： １ ２０ １
－

１ ２０ ６ 

．

［
２３ ］ 
Ｇｈｅｓ ｔｉ ＧＦ ｓ  Ｍ ａｃ ｅ ｄｏＪＬ Ｄ 
，  Ｒｅ ｓ ｃ ｋ Ｉ Ｓ ， ｅｔａ ｌ Ｆ Ｔ ．
－

Ｒ ａ ｍ ａｎ  Ｓｐ ｅ ｃ ｔｒ ｏ ｓ ｃｏｐ
ｙ  Ｑ ｕ ａ ｎｔ ｉ ｆ ｉ ｃ ａ ｔｉ ｏ ｎ  ｏ ｆ  Ｂ ｉ ｏ ｄｉ ｅ ｓ ｅ ｌｉｎａ



Ｐ ｒｏ ｇｒ ｅ ｓ ｓ ｖ ｅ  Ｓ ｏ ｙ ｂ ｅ ａｎ  Ｏ ｉ ｉ ｌ  Ｔｒ ａ ｎ ｓ ｅ ｓｔ ｅ ｒｉ ｆ
ｉ ｃ ａｔ ｉ ｏ ｎ  Ｒ ｅ ａ ｃｔ ｉ ｏ ｎ  ａ ｎ ｄ  Ｉ ｔ ｓ  Ｃ ｏ ｒ ｒ ｅ ａ ｔ ｏ ｎ  ｗ ｉ ｔｈ  １ ｌ ｉ Ｈ  Ｎ Ｍ Ｒ  Ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐｙ



Ｍ ｅ ｔｈ ｏ ｄ ｓ ｆ
Ｊ
］
．  Ｅ ｎ ｅ ｒ ｇｙ ＆ Ｆｕ ｅ 
 ｌ ｓ ， 
２ ００ ７ ， 
２ １
（
５） ： ２ ４ ７５ －

２４ ８ ０ 

．

［
２４ ］ Ｍ ｉ ｒａ ｎ ｄ ａ  Ａ Ｍ 
， 
Ｃ ａｓ ｔｉ ｌ ｈｏ －

Ａ ｌ ｍ ｅ ｄａＥ Ｗ ｉ
， 
Ｆｅ ｒ ｒ ｅ ｉ ｒａ ＥＨ Ｍ ， ｅ
ｔ ａｌ ．
 Ｌ ｉ ｎ ｅｓｈ ａｐ ｅａｎ ａ ｙｓ ｌ ｉ ｓｏ ｆ  ｔ ｈ ｅ  Ｒ ａ ｍ ａｎ  ｓ
ｐ ｅ ｃ ｔｒａ



ｒ ｏｍ
ｆ ｐ ｕｒ ｅ ａ ｎ ｄ  ｍ ｉｘ ｅ ｄ  ｂ ｉ ｏｆ
ｔ ｉ ｅ ｌ ｓ  ｅ ｓ ｔ ｅ ｒｓ  ｃ ｏ ｍ ｐ ｏ ｕ ｎ ｄ ｓ ［ Ｊ ］ Ｆ ｕｅｌ ２０ ４ ６ ２５


？

 ． 

１
１ １ ５（ １ ： １ １ ８
－

１ －

， ，
）
．

［
２５
］
许以明 ．
拉曼光谱及其在缔构 生物 学 中 的 应用 Ｍ ［ ］
．
化学 工业 出 版社教材 出 版 中 心 ，
２ 〇 〇５ 

．

［
２６
］
郭 萍 ，
易 光辉 ， 熊 平 ， 等 ．
癌 症 患 者 血 清 的 激 光 拉 曼 光 谱 ［
Ｊ
］
．
光 谱 学 与 光 谱 分 析 ，
２ ００ ０ 

，

２ ０ （ ６ ） ８ ４４ ８ ４ ６
－

： 

．

［
２ ７］Ｓ ｃａｌ ｆ
ｉｈ ａ ｐｐ 
Ｃ ， 
Ｊ ａｕ ｓ ｓ  Ａ ， 
Ｈｏ ｌ ｌ ｒｉ ｃｈ ｅ ｒ  Ｏ ， 
ｅｔａｌ ，
 Ｃ ｏ ｎ ｆｏ ｃ ａ ｌ  Ｒ ａｍ ａ ｎ  Ｍ ｉ ｃ ｒｏ ｓ ｃ ｏ
ｐ ｙ  ｆｏ ｒ  Ｉ ｎ ｖ ｅ ｓ ｔ ｇ ａ ｔ ｏ ｎ 
ｉ ｏｆ ｉ  ｔ ｈ ｅ  Ｌ ｅｖ ｅｌ  ｏ ｆ



Ｄ ｉ ｆｆｅ ｒ ｅ ｎ ｔ ｉ ａ ｔ ｉ ｏ ｎ  ｉ ｎ  ｌ ｉ ｖ ｉ ｎ
ｇ ，
Ｎ ｅｕｒ ｏ ｂ ｌ ａ ｓ ｔ ｏ ｍ ａ  Ｔｕｍ ｏ ｒ  Ｃ ｅ ｌ ｌ ｓ
［
Ｃ ］
／／  Ｅ ｕ ｒ ｏ ｐ ｅ ａ ｎ  Ｃ ｏ ｎ ｆｅ ｒｅ ｎ ｃ ｅ  ｏ ｎ  Ｂ ｉ ｏ ｍｅ ｄ ｉ ｃ ａｌ Ｏｐ ｔｉ ｃｓ 

．

Ｉｎｔ ｅ ｒｎ ａｔ ｉ ｏ ｎ ａ ｌ  Ｓ ｏ ｃ ｉ ｅｔ
ｙ  ｆｏ ｒ  Ｏｐ ｔｉ ｃ ｓ  ａｎ ｄ  Ｐｈ ｏ ｔｏｎ ｉ ｃ ｓ ， 
２ ０ ０７ ： ： ｅ ｌ ７４ ６ ９ 

．

２ ８ ］  Ｎ ａｓ ｓ  Ｔ Ｉ ｓ ａ
ｋｓ ｓ ｏ ｎ  Ｔ  Ｌ ｏｃａ ｌｌ
ｙ  ｗ ｅ ｉ ｇｈ ｔ ｅ
ｄｒｅ
ｇｒ
ｅ ｓ ｓ ｉ ｏ ｎ  ｉ ｎ  ｄ ｉ ｆ ｆｕ ｓ ｅ  ｎ ｅ ａ ｒ －

ｉ ｎｆ
ｒ ａ ｒ ｅ ｄ  ｔ ｒ ａ ｎ ｓ ｍ ｉ ｔ ｔ ａｎ ｃ ｅ  ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ Ｊ
ｐｙ  ［


．
．

［ ，
］

Ａｐｐ ｌ ｉ ｅ ｄＳ
ｐ
ｅ ｃ ｔｒ ｏ ｓ ｃ ｏ
ｐｙ ， 
１ ９９２ ， 
４６（ １
）
： ３ ４ ４３－



．

［
２９ ］ Ｎ ａｄ ｌ ｅｒ  Ｂ  Ｃ ｏ ｉ ｆｍ ａｎ  ，
Ｒ Ｒ  Ｔｈ ｅ  ｐ ｒ ｅ ｄ
 ． ｉ ｃ ｔ ｉ ｏ ｎ  ｅ ｒｒ ｏｒ  ｉ ｎ  Ｃ Ｌ Ｓ  ａｎ ｄＰＬ Ｓ ： ｔｈ ｅ ｉ ｍ
ｐ ｏｒ ａ ｎ ｅ 
ｔ ｃ ｏ ｆ ｆｅ ａ ｔ ｕ ｒ ｅ  ｓ ｅ  ｌ ｅ ｃｔｉ ｏ ｎ  ｐ ｒ ｉ ｏｒ



ｔ ｏ  ｍｕｌ ｔ ｉｖ ａ ｒ
ｉ ａｔ ｅ  ｃ ａ ｌ ｂ ｒ ａ ｔ ｏ ｎ Ｊ ｉ ｉ
［ ］
． Ｊ ｏ ｕｒｎ ａ ｌ  ｏ ｆ  Ｃ ｈ ｅ ｍ ｏ ｍ ｅｔ ｒ ｉ ｃｓ ，２ ０ １ ０ １ ９ （ ２）
，
： １ ０７ －

１ １ ８ 

．

［
３ ０
］
Ｓ
ｐ
ｉ ｅ
ｇｅ ｍ ａｎ
ｌ ＣＨ ｓ 
Ｍ ｃ ｓｈ ａｎ ｅ  Ｍ  Ｊ ，  Ｇｏｅ ｔ ｚ ＭＪ ， ｅｔ ａ ｌ
．  Ｔｈ ｅ ｏ ｒ ｅ ｔ ｉ ｃ ａ ｌ  Ｊｕ ｓ ｔｉ ｆ ｉ ｃ ａｔ ｉ ｏ ｎｏ ｆ  Ｗａ ｖ ｅ ｌ ｅｎ
ｇｔｈ  Ｓ ｅ ｅ ｃ ｔ ｏ ｎ  ｉ ｎ

 ｌ ｉ

ＰＬ ＳＣ ａ ｌｉ ｂ ｒ ａ ｔ ｉ ｏｎ  Ｄ ｅ ｖ ｅ ｌ ｏ ：

ｐ ｍ ｅｎｔｏ ｆ ａ   Ｎ ｅｗ Ａ  ｌ
ｇｏｒ ｉ ｔｈｍ ．

［
Ｊ
］
．  Ａｎ ａ ｙ ｌ ｔｉ ｃ ａ ｌ  Ｃ ｈ ｅ ｍ ｉ ｓ ｔｒ
ｙ ， １ ９９８ ， 
７０ （
ｌ
）
： ３ ５
－

４４ 

．

［
３ １
］
Ｓ ｗ ｅ ｒ ｅｎ ｇ ａ ａ  Ｈ 
ｉ
ａ
Ｇｒ ｏ ｏ ｔ ａＰＪ Ｄ ，  Ｗｅ ｊ ｅ ｒｂ  Ａ  Ｐ  Ｄ ｉ ．  Ｉ ｍ ｐ ｒ ｏ ｖ ｅ ｍ ｅ ｎ ｔ  ｏ ｆ  Ｐ Ｌ Ｓ  ｍ ｏ ｄ ｅ  ｔ ｒ ａ ｎ ｓ ｆｅ ｒ ａ ｂ ｌ ｉ ｌ ｉ ｔ
ｙ  ｂ ｙ  ｒ ｏ ｂ ｕ ｓ ｔ

ｗ ａｖ ｅ ｌ ｅｎ
ｇ ｔｈ  ｓ ｅ ｅ ｃ ｔ ｉ ｏ ｎ ［ Ｊ ］
ｌ ．  Ｃｈ ｅ ｍ ｏ ｍ ｅ ｔ ｒｉ ｃ ｓ  ＆  Ｉ ｎｔｅ ｌ ｌ ｉ
ｇ
ｅｎｔ Ｌ ａ ｂ ｏ ｒａｔｏ ｒ ｙ 
Ｓ
ｙｓ ｔｅｍｓ ， 
１ ９９８ ，
４ １
（
２） ２ ３ ７ ２ ４ ８
：
－



．

３ ２ ］ Ｘ ａ ｏ ｂ ｏ  Ｚ  Ｊ ｉ ｅ ｗ ｅ ｎ  Ｚ  Ｐ ｏｖ ｅ ｙ  ＭＪ  ｅ ｔ  ａ ｌ  Ｖａ ｒ
ｉ ａｂ ｌ ｅ ｓ  ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ  ｍ ｅ ｔ ｈ ｏ ｄ ｓ  ｉ ｎ  ｎ ｅ ａ ｒ ｎ ｆｒ ａ ｒ ｅ ｄ  ｓ ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏ ｐｙ ［ Ｊ ］
－

ｉ ． ｉ 

．

［ ， ， ，

Ａｎ ａ ｌ
ｙｔ ｃ
ｉ ａ  Ｃｈ ｉ ｍ ｉ ｃ ａ  Ａｃ ｔ ａ ， 
２０ １ ０ ， 
６６７
（
１
－

２） ： １ ４ 

．

［
３ ３
］ 
Ｓ ａｒａ ｔ ｈ
ｊ
ｉｔ ｈＭ Ｃ ， 
Ｄ ａ ｓ Ｂ  Ｓ Ｗａ ｎ 
， 
ｉ ＳＰ ，  ｅ ｔａ ｌ ．  Ｖａ ｒ
ｉ ａｂ ｌ ｅ  ｉ ｎ ｄ ｉ ｃ ａ ｔ ｏ ｒ ｓ  ｆｏ ｒ  ｏ
ｐ ｔ ｍ ｕ ｍ ｗ ａｖ ｅ
ｉ  ｌ ｅｎ
ｇｔｈ 
ｓ ｅ ｌ ｅ ｃ ｔｉ ｏ ｎ  ｉ ｎ  ｄ ｉ ｉ
ｆ ｉ ｓｅ



ｒｅ ｆ ｅ ｃ ｔ ａ ｎ ｃ ｅ  ｓ
ｌ
ｐ
ｅ ｃ ｔｒｏ ｓ ｃ ｏ
ｐｙ
ｏｆ  ｓｏｉ ｌ ｓ
［
Ｊ
］
．  Ｇ ｅ ｏ ｄｅ ｒｍ ａ ， 
２０ １ ６ ， 
２６７ ： １
－

９ 

．

［
３ ４］ 陈斌 ，
王豪 ，
林松 ，
ｅｔ ａ ｌ ．
基 于 相 关 系 数 法 与 遗 传 算 法 的 啤 酒 酒精 度 近红 外 光 谱 分析 ［
Ｊ
］
．
农 业工程学



报 ，
２００５ ， 
２ １
（
７） ： ９ ９
－

１ ０２ 

．

［
３ ５
］ 
Ｂ ａｎ ｇ ａ ｌ ｏｒｅ Ａ  Ｓ ， 
Ｓ ｈ ａ ｆ ｆｅ ｒ  Ｒ Ｅ 
， 
Ｓｍ ａ ｌ ｌ  Ｇ Ｗ 
， 
ｅｔａ ｌ ．  Ｇ ｅｎ ｅ ｔｉ ｃａ ｌ
ｇ
ｏ ｒｉ ｔ ｈ ｍ －

ｂ ａ ｓ ｅ ｄ  ｍ ｅ ｔ ｈ ｏ ｄ  ｆｏ ｒ  ｓ ｅ ｌ ｅ ｃ ｔ ｎ
ｇ
ｗ ａ ｖ ｅ ｅ ｎ ｔｈ ｓ
ｇ 
 ｉ ｌ

ａ ｎ ｄ  ｍ ｏ ｄ ｅ ｌ  ｓ ｉ ｚ ｅ  ｆｏ ｒ ｕ ｓ ｅ  ｗ ｑ ｕ ａ ｒ ｅ ｓ  ｒｅ ｇ ｒ
ｏ ｎ  ｔ ｏ  ｎ ｅ ａｒ ｎ ｆｒ ａ ｒ ｅ ｄ  ｓ
ｈ
ｐ ａｒ ａｌ ｅ ａ ｓｔ ｓ ｅ ｓ ｓ ｏｎ ａ ｃ ａｔ
ｐ ｅ ｃ ｔｒｏ ｓ ｃｏ ｐｙ［ Ｊ］
－

ｔ
－

ｔｉ
ｐｐ
 ｉ ｌ ｉ ： ｌ ｉ ｉ ｉ 

．

Ａｎａ ｌ
ｙｔ ｉ ｃ ａｌ Ｃ ｈ ｅｍ ｉ ｓ ｔｒ
ｙ ， １ ９ ９ ６ ６ ８ （２ ３ ） ，
： ４２ ０ ０ ４０ －

１ ２ 

．

［
３ ６ ］Ｃ ｈ ｏｎ
ｇＩ
－

Ｇ ， 
Ｊ ｕｎＣ －

Ｈ ．  Ｐ ｅ ｒ ｆｏ ｒ ｍ ａ ｎ ｃ ｅ  ｏ ｆ  ｓ ｏ ｍ ｅｖａｒ
ｉ ａｂ ｌ ｅ  ｓ ｅ ｌ ｅ ｃ ｔ ｉ ｏ ｎ  ｍ ｅ ｔｈ ｏ ｄ ｓ  ｗ ｈ ｅ ｎ  ｍ ｕ ｌ ｔ ｃ ｏ ｌ ｉ ｌ ｉ ｎ ｅ ａｒ ｉ ｔ
ｙ ｉ ｓ
 ｐ ｒ ｅ ｓ ｅ ｎ ｔ

１ １０


 
参考文献 




［
Ｊ
］
．  Ｃ ｈ ｅｍ ｏ ｍ ｅ ｔｒ ｉ ｃ ｓ  ａｎ ｄ  Ｉ ｎ ｔ ｅ ｌ ｌ ｉ
ｇｅ ｎ ｔ  Ｌ ａ ｂ ｏ ｒ ａｔ ｏ ｒ ｙ Ｓ ｙｓ ｔ ｅ ｍ ｓ  ， 
２ ０ ０ ５ ，７ ８ （
１
）
： １ ０３ －

１ １ ２ 

．

［
３ ７ ］ＬｉＨ ， 
Ｌ ｉ ａｎ
ｇ 
Ｙ ＸｕＱ ，  ， 
ｅｔ  ａ ｌ ．  Ｋｅｙ 
ｗ ａｖｅ ｌ ｅｎ
ｇ
ｔ ｈ ｓ  ｓ ｃ ｒ ｅ ｅｎ ｎ ｇ ｕ ｓ ｎ ｇ  ｃ ｏ ｍ ｐ ｅ ｔ ｉ ｔ ｉ ｖ ｅ  ａ ｄ ａ ｐ ｔ ｖ ｅ  ｒ ｅ ｗ ｅ ｉ ｇ ｈ ｔ ｅ ｄ  ｓ ａ ｍ ｐ ｌ ｎ ｇ
ｉ
 
 ｉ ｉ ｉ

ｍ ｅ ｔ ｈ ｏ ｄ ｆｏ ｒ ｍ ｕ   ｌ ｔｉ ｖ ａ ｒ ａ ｔ ｅ  ｃ ａ ｌ ｉ ｂ ｒａｔ ｉ ｏ ｎ ［ Ｊ ］
ｉ ，  Ａｎ ａ ｙ ｌ ｔ ｉ ｃ ａｃｈ ｉ ｍ ｃ ａａ ｃ ｔａ ｉ
ｓ 
２ ０ ０９ ， 
６４ ８ （ １
）
： ７ ７ －

８４ 

．

［
３ ８
］
Ｃ ｅ ｎ ｔｎ ｅ ｒ  Ｖ  Ｍ ａ ｓ ｓ ａ ｒ ｔ  Ｄ Ｌ ，
－

， ｄｅ Ｎ ｏ ｏ ｒｄ  Ｏ  Ｅ ， ｅ ｔａ ｌ ． Ｅｌ ｉ ｍ ｎ ａｔ ｏ ｎ  ｏ ｆ ｕｎ ｎ ｆｏ ｒ ｍ ａ ｔ ｖ ｅ  ｖ ａ ｒ

ｉ ｉ  ｉ ｉ ｉ ａｂ ｌ ｅ ｓ  ｆｏ ｒ  ｍ ｕ ｌ ｔ ｉ ｖ ａｒ ｉ ａ ｔ ｅ



ｃａｌ ｉ ｂｒ ａｔ ｏ ｎ  ［ Ｊ］ ｉ ．  Ａｎ ａ ｌ
ｙｔ
ｉ ｃ ａ ｌ  ｃ ｈ ｅｍ ｉ ｓ ｔ ｒ
ｙ ， 
１ ９ ９６ ， 
６８（２ １
）
： ３ ８５ １
－

３ ８５８ 

．

［
３９
］
Ｋ ｅ ｎ ｎ ａ ｒｄ  Ｒ  Ｗ  Ｓ ，
ｔ ｏｎ ｅＬＡ ．  Ｃ ｏ ｍ ｐ ｕｔ ｅ ｒ  ａ ｉ ｉ ｍ ｅ ｎ ｔ ｓ ［ Ｊ ］  Ｔｅ ｃ ｈ ｎ ｏ ｍ ｅ ｔ ｒ ｉ ｃ ｓ
ｄ ｅ ｄ  ｄ ｅ ｓ ｇｎ  ｏ ｆ  ｅ ｘ ｐ ｅ ｒ ｉ ．

，  １ ９６９ ，  １ １
（
１
）


：

１ ３７
－

１ ４８ 

．

［
４０
］
Ｌ ｉ ｅｂｅｒ ＣＡ ，  Ｍ ａ ｈ ａ ｄ ｅ ｖ ａｎ －

Ｊ ａ ｎ ｓ ｅｎ  Ａ ．  Ａｕ ｔ ｏ ｍ ａ ｔ ｅ ｄ  ｍ ｅ ｔ ｈ ｏ ｄ  ｆｏ ｒ  ｓ ｕ ｂ ｔ ｒ ａ ｃ ｔ ｏ ｎ  ｏ ｆ  ｆ ｌ ｕ ｏ ｒ ｅ ｓ ｃ ｅ ｎ ｃ ｅ  ｆｒ ｏ ｍ  ｂ ｏ ｏ ｇ ｃ ａ ｌ ｉ ｉ ｌ ｉ

Ｒ ａｍ ａ ｎ ｓ
ｐ ｅ ｃ ｔｒａ ［
Ｊ
］
，  Ａｐｐ ｌ ｉ ｅ ｄｓ
ｐ ｅ ｃ ｔ ｒ ｏ ｓ ｃ ｏｐ ｙ  ２ ０ ０ ３ ， ， 
５ ７（ １ １
）
： １ ３ ６ ３ －

１ ３ ６７ 

．

［
４ １
］ 
Ｅｉ ｌ ｅ ｒｓ  Ｐ Ｈ ，  Ｂ ｏ ｅ ｅｎ ｓ  Ｈ  Ｆ  Ｂ ａ ｓ ｅ ｌ ｎ ｅ  ｃ ｏ ｒ ｒ ｅ ｃ ｔ ｉ ｏ ｎ  ｗ
ｌ ． ｉ ｉ ｔ ｈ  ａ ｓ ｙｍ ｍ ｅ ｔｒ ｉ ｃ  ｌ ｅ ａ ｓ ｔ  ｓ
ｑｕ ａ ｒ ｅ ｓ  ｓ ｍ ｏ ｏ ｔ ｈ ｎ ｇ ［ ］
ｉ Ｊ Ｌ ｅ ｉ ｄｅ ｎ

 ．

Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ  Ｍ ｅ ｄ ｉ ｃ ａ ｌ  Ｃ ｅｎ ｔ ｒ ｅ  Ｒ ｅ ｐ ｏｒ ｔ ， 
２ ００５ 

．

［
４ ２ ］  Ｃ ｏ ｏ ｌ ｅｙ  Ｊ  Ｗ  Ｔｕ ｋ ｅ ｙ  Ｊ  Ｗ  Ａ ｎ  ａ
，
． ｌ
ｇ ｏ ｒ ｉ ｔ ｈ ｍ  ｆｏ ｒ  ｔ ｈ ｅ  ｍ ａ ｃ ｈ ｎ ｅ  ｃ ａ ｉ ｌ ｃｕ ｌ ａ ｔｉ ｏｎｏ ｆｃ ｏ ｍ
ｐ ｌ ｉ ｅｒ  ｓ ｅ ｒ
ｅｘ  Ｆ ｏｕ ｒ ｉｅｓ ｆ
Ｊ
］


．

Ｍａ ｔ ｈ ｅｍ ａ ｔ ｃ ｓ  ｏ ｆ ｉ  ｃ ｏｍ
ｐ ｕｔａ ｔ ｏ ｎ ｉ
， 
１ ９ ６５ ， 
１ ９（９ ０
）
：  ２９７ ３０ －



Ｌ

［
４３ ］Ｂ ａｍ ｅｓＲ ？ 
Ｄ ｈ ａｎ ｏ ａ Ｍ Ｌ 
， 
ｉ ｓ ｔ ｅｒ  Ｓ  Ｊ  Ｓ ｔ ａ ｎ ｄ ａｒ ｄ  ｎ ｏ ｒｍ ａ ｌ  ｖ ａ ． ｉ ａ ｔ ｅ  ｔ ｒ ａ ｎ ｓ ｆｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ  ａ ｎ ｄ  ｄ ｅ
ｒ －

ｔｒ ｅｎ ｄ ｉｎ
ｇｏ
ｆ ｎ ｅａｒ 
－

ｉ ｎ ｆｒａｒｅ ｄ



ｄ ｆｆ ｕ ｓ ｅ  ｒ ｅ ｆ ｅ ｃ ｔ ａ ｎ ｃ ｅ  ｓ
ｉ ｌ
ｐ ｅ ｃ ｔｒａ［ Ｊ］
．
 Ａ ｐｐ ｌｉ ｅ ｄｓ
ｐ
ｅ ｃ ｔｒ ｏ ｓ ｃｏ
ｐｙ ， １ ９８９ ， 
４３（ ５
）
： ７ ７２
－

７７７ 

．

［
４４
］ 
Ｗｏ ｌ ｄ Ｓ ， Ｒｕ ｈ ｅＡ ， 
Ｗｏ ｌ ｄＨ ， 
ｅ ｔ  ａ ｌ  Ｔｈ ｅ  ｃ ｏ ｌ ｌ ｉｎ ｅ ａｒ
．
ｉｔ ｙ  ｐ ｒｏ ｂ ｌ ｅ ｍ  ｉ ｎ  ｌ ｉ ｎ ｅ ａ ｒ  ｒｅ
ｇ ｒｅ
ｓｓｉ ｏ ｎ  Ｔｈ ｅ ．

ｐ
ａｒｔ ｉ ａ  ｅ ａ ｓ ｔ  ｓ ｑ ｕ ａ ｒｅ ｓ
ｌ ｌ



（
Ｐ Ｌ Ｓ ）  ａｐ
ｐ
ｒ ｏ ａ ｃｈ ｔ ｏ
 ｇ ｅ ｎ ｅｒ ａ ｌ ｉ ｚ ｅ ｄ  ｉ ｎ ｖ ｅ ｒｓ ｅｓ
［
Ｊ
］
．
ＳＩ ＡＭ 
Ｊ ｏｕ ｒ ｉ ｆ ｉ ｃ  ａ ｎ ｄ  Ｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ａｌ  Ｃ ｏ ｍ
ｎ ａ ｌ  ｏ ｎ  Ｓ ｃ ｉ ｅ ｎｔ
ｐ ｕｔ
ｉ ｎｇ ，
１ ９ ８４ 

，

５
（
３
）
： ７３５
－

７４ ３ 

．

［
４５
］ 
Ｎ ｉ ｕＸ Ｓ ｈ ｅｎＦ ， ，  Ｙｕ Ｙ  ｅ 
，
ｔ ａｌ ．  Ａｎ ａ ｌ
ｙｓ ｉ ｓ  ｏ ｆ  ｓｕ
ｇ ａｒ ｓ  ｎ  Ｃ ｈ ｎ ｅ ｓ ｅ  ｒ ｉ ｉ ｉ ｃｅｗｉｎ ｅｂ
ｙ  Ｆ ｏ ｕ ｒ ｉ ｅ ｒ  ｔｒ ａ ｎ ｓ ｆｏ ｒ ｍ  ｎ ｅ ａ ｒ
－

ｉ ｎ ｆｒ ａ ｒ ｅ ｄ



ｓ
ｐ ｅｃ ｔ ｒｏ ｓ ｃ ｏｐｙ  ｗ
ｉ ｔ ｈ  ｐａ ｒ
ｔｉ ａ ｌ ｌ ｅａ ｓ ｔ
－

ｓ
ｑ ｕ ａ ｒｅ ｓ  ｒ
ｅ
ｇ ｒｅ ｓ ｓ ｏ ｎ  ［ ］
Ｊ ｉ ． Ｊ ｏｕｍａＪｏｆａ
ｇ ｒ ｃ ｕ ｔ ｕ ｒａ
ｌ ｉ ｌ  ａ ｎ ｄ  ｆｏ ｏ ｄ  ｃ ｈ ｅ ｍ ｉ ｓ ｔ ｒ
ｙ ，
２００８ 

，

５６（ １ ６） ： ７ ２７ １
－

７２ ７ ８ 

．

［
４ ６ ］  Ｓ ｔ ｅ ｎ ｕｎ ｄ  Ｈ  Ｊ ｏ ｈ ａ ｎ ｓ ｓ ｏ ｎ  Ｅ  Ｇ ｏ ｔ ｔ ｆ
ｌ ｒｉ ｅ ｓ  Ｊ  ｅ ｔ  ａ ， ， ，
ｌ ．  Ｕｎ ｌ ｏ ｃ ｋｉ ｎ
ｇ  ｎ ｔ ｅｒｐ ｒ ｅ ｔ ａｔ ｏ ｎ  ｎ  ｎ ｅ ａ ｒ  ｎ ｆｒ ａｒｅ ｄ  ｍ ｕ
ｉ ｉ ｉ ｉ ｌ ｔｉ ｖ ａｒｉ ａ ｔ ｅ



ｃ ａ ｌ ｉ ｂ ｒａ ｔ ｉ ｏ ｎ ｓ ｂ ｙ ｏ ｒ ｔｈ ｏ ｏ ｎ ａ
ｇ 
ｌ
 ｐ ａ ｒｔｉ
ａｌｌ ｅａ ｓｔｓ
ｑ ｕ ａｒ ｅ ｓ  ［
Ｊ
］
．  Ａ ｎａ ｙ ｌ ｔ ｉ ｃ ａ ｌ  ｃｈ ｅ ｍ ｉ ｓｔｒ
ｙ ， 
２００８ ， 
８ １
（
１
）
：  ２ ０３ －

２０９ 

．

［
４ ７ ］  Ｓ ｕｙｋ ｅ ｎ ｓ  Ｊ  Ａ  Ｋ ？ 
Ｖａｎ ｄ ｅ ｗ ａ ｌ ｌ ｅＪ Ｌｅ ａｓ ｔＳ ．

ｑｕ
ａｒ ｅ ｓ  Ｓ ｕ
ｐ ｐ ｏ ｒｔ
 Ｖｅ ｃ ｔ ｏ ｒ  Ｍ ａ ｃ ｈ ｉ ｎ ｅ  Ｃ ａｓ ｓ ｆ
ｉ ｅ ｒｓ ［Ｍ ］ ｌ ｉ ．  Ｋ ｌ ｕｗ ｅ ｒ  Ａ ｃ ａ ｄ ｅ ｍ ｉ 

ｃ

Ｐｕ ｂ ｌ ｉ ｓｈ ｅｒｓ  １ ９ ９ ９ ，


．

［
４ ８
］
石雪 ，
蔡文生 ，
邵学广 ．

局 部建糢方 法用 于 烟 草样 品 的 近红外 光谱 定 量 分析 ［
Ｊ
］
．
光谱 学 与 光谱分


析 ，
２００８ ， 
２８（ １ １
》 ２ ５ ６ １ ２ ５ ６４
－



．

［
４ ９ ］  Ｃ ｅ ｎｔｎ ｅ ｒ  Ｖ ，  Ｍ ａｓ ｓ ａｒ ｔ Ｄ Ｌ Ｏ ．

ｐｔ ｍ ｚ
ｉ ａｔ ｏ ｎ  ｎ  ｌ ｏ ｃ ａ ｉ ｉ ｉ ｌ ｌ
ｙ  ｗ ｅ ｇｈ ｔ ｅ ｄ  ｒ ｅ ｇ ｒｅ ｓ ｓ ｉ ｏ ｎ  ［ Ｊ ］
ｉ ，  Ａ ｎａ ｙ ｌ ｔｉ ｃ ａｌ  ｃ ｈ ｅ ｍ ｉ ｓ ｔ ｒ
ｙ ，
１ ９９８ 

，

７０（ １ ９
）
：  ４２ ０ ６ ４２ －

１ １ 

．

［
５０
］ 
Ｃｈ ａｎ ｇ  Ｃ －

Ｉ ．  Ｓ ｐ ｅ ｃ ｔ ｒ ａｌ  ｎ ｆｏ ｒ ｍ ａ ｉ ｔｉ ｏ ｎ  ｄ ｉ ｖ ｅｒ
ｇｅｎ ｃ ｅ
 ｆｏ ｒ  ｈ
ｙ ｐ ｅ ｒ ｓｐ ｅ ｃ ｔ ｒ ａ ｌ  ｉ ｍ ａ ｇ ｅ  ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ  ［ Ｃ Ｊ Ｐ ｒ ｏ ｃ ｅ ｅ ｄ ｉ ｎ ｇ ｓ  ｏ ｆ  ｔ ｈ ｅ

 ．

Ｇ ｅｏ ｓ ｃ Ｒ ｅｍ ｏ ｔｅ  Ｓ ｅ ｎ ｓ ｎ ｇ  Ｓ ｙｍ ｐ ｏｓ ｕｍ  １ ９ ９ ９  Ｉ Ｇ Ａ Ｒ Ｓ Ｓ ９ ９  Ｐ ｒ ｏ ｃ ｅ ｅ ｄ ｎ ｇ ｓ  Ｉ Ｅ Ｅ Ｅ  １ ９ ９ ９  Ｉ ｎ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｏ ｎ ａ
＇

ｉ ｅ ｎ ｃ ｅ  ａｎ ｄ  ｉ ｉ ｉ ｌ


，
，

Ｉ ＥＥＥ ， １ ９９ ９ ： ５ ０９ ５ －

１ １ 

．

Ｔ ｈ ｏ ｍ ａ ｓ  Ｅ ｄｗ ａ ｒ ｄ  Ｖ  ａ ｎ ｄ  Ｄ ａ ｖ ｄ  Ｍ  Ｈ ａ ａ ａｎ ｄ  Ｃ ｏ ｍ ｐ ａｒ
， ｆ

５ １ ｉ ｌ ｉ ｓ ｏ ｎｏ ｆｍｕ ｌ ｔｉ ｖ ａ ｒｉ ａｔｅｃ ａｌ ｉ ｂ ｒａ ｔ ｏ ｎ  ｍ ｅ ｔ ｈ ｏ ｄ ｓ  ｆｏ ｒ

ｉ 


． ．
．
，
［ ］ ，

ｑ ｕ ａ ｎ ｔｉ ｔ ａ ｔ ｖ ｅ  ｓｐ ｅ ｃ ｔｒ ａ ｉ ｌ  ａ ｎ ａｌ ｙ ｓ ｉ ｓ ．  Ａｎａ ｙ ｌ ｔｉ ｃ ａ ｌ  Ｃｈ ｅ ｍｉ ｓ ｔｒ
ｙ６ ２ ． １ ０（ １ ９９ ０） ： １ ０９ １
－

１ ０９９ 

．

［
５２
］ 
Ｊｉａｎ
ｇ
Ｊ Ｈ ３  Ｂ ｅ ｒ ｒ ｙ  Ｒ  Ｊ  Ｓ ｅ ｓ ｅ ｒ  Ｈ  Ｗ  ｅ ｔ  ａ ｌ  Ｗａ ｖ ｅ ｅ ｎ ｇ ｔ ｈ  ｎ ｔ ｅ ｒ ｖ ａ  ｓ ｅ ｅ ｃ ｔ ｏ ｎ  ｎ  ｍ ｕ ｌ ｔ ｃ ｏ ｍ ｐ ｏ ｎ ｅ ｎ ｔ  ｓ ｐ ｅ ｃ ｔ ｒ ａ
，
ｉ ｌ
，
． ｌ ｉ ｌ ｌ ｉ ｉ ｉ 

ｌ

ａｎ ａ ｌ
ｙｓ ｉ ｓ  ｂ ｙ  ｍ ｏｖ ｎ ｇ  ｗ ｎｄ ｏ ｗ  ｐ ａ ｒ ｉ ｉ ｔｉ ａ ｌ  ｌ ｅ ａ ｓｔ －

ｓ ｒ ｓ ｓ ｉ ｏ ｎ  ｗ ｉ ｔｈ  ａ
ｑｕ ａｒｅ ｓ  ｒ ｅ ｇ ｅ ｐ ｐ ｌ ｉ ｃ ａｔ ｉ ｏ ｎ ｓ  ｔ ｏ  ｍ ｉ ｄ
－

ｉ ｎ ｆｒ ａ ｒ ｅ ｄ  ａ ｎ ｄ



ｎ ｅａ ｒ －

ｉ ｎ ｆｒａ ｒ ｅ ｄ  ｓ
ｐ
ｅ ｃ ｔ ｒｏ ｓ ｃ ｏ
ｐ ｉ ｃ  ｄ ａ ｔａ ．

［
Ｊ
］
．
 Ａｎａ ｌ
ｙｔ ｉ ｃａ ｌ  Ｃｈ ｅｍ ｉ ｓ ｔｒ
ｙ ， 
２ ０ ０２ ， ７
４（ １ ４） ３５５５ ： 

．

［
５３
］ 
Ｗｏ ｌ ｄＳ ， Ｊ
ｏ ｈ ａ ｎ ｓ ｓ ｏｎ  Ｅ ，  Ｃｏｃ ｃｈ Ｍ ｉ  ．  ＰＬ Ｓ —

ｐ ａｒ
ｔ ａ ｉ ｌ ｌ ｅ ａｓｔｓ
ｑ
ｕ ａ ｒｅ ｓ  ｐ ｒ ｏ ｅ ｃ ｔｉ ｏ ｎ ｓ  ｔ ｏ  ｌ ａ ｔｅ ｎ ｔ  ｓ ｔｒｕ ｃ ｔ ｕ ｒ ｅ ｓ Ｊ
ｊ ［ ］
．
３ Ｄ  Ｑ Ｓ ＡＲ



ｉ ｎ  ｄ ｒｕ ｇ  ｄ ｅ ｓ ｇｎ ｉ
，  １ ９９３  ，
１ ； ５ ２３
－

５ ５ ０ 

．

［
５４ ］ Ａ ｆａｎ ａ ｄ ｏ ｒ Ｎ  Ｌ 
， 
Ｔｒ ａ ｎ  Ｔ  Ｎ ．  Ｂｕ ｙｄｅ ｎ ｓ ＬＭ Ｃ ．  Ｕｓ ｅｏ ｆ ｔ ｈ ｅ  ｂ ｏ ｏｔｓ ｔ ｒａ
ｐ
ａｎ ｄ
ｐ
ｅ ｍｉ ｕ ｔ ａ ｔ ｏ ｎ  ｍ ｅ ｔ ｈ ｏ ｄ ｓ  ｆｏ ｒ  ａ  ｍ ｏ ｒ ｅ
ｉ 


ｉ ｌ ｌ



参考 文献 



ｒｏｂｕ ｓｔｖ ａ ｉ ａｂ
ｒ ｌ ｅｉ ｍｐ ｏｒ
ｔ ａｎ ｃ ｅ  ｎ  ｔ ｈ ｅ  ｐ ｒ ｏｊ ｅ ｃ ｔ ｏ ｎ  ｍ ｅ ｔ ｒ
ｉ ｃ  ｆｏ ｒ  ｐ ａ ｒ
ｔ ｉ ａ  ｅ ａ ｓ ｔ  ｓ ｑｕ ａ ｒ ｅ ｓ  ｒ ｅ ｇｒ ｅ ｓ ｓ ｏ ｎ
ｉ ｉ ｌ ｌ ｉ Ｊ
］
．  Ａ ｎ ａ ｌ ｙｔ ｃ ａ

 ｉ
［

ｃ ｈ ｉ ｍ ｃ ａａ ｃｔａ，２ ０
ｉ １ ３ ７ ６ ８ ，
：  ４９ ５ ６ －



．

［
５５
］
钱锋 ．

粒 子群算 法 及 其 工 业应 用 ［
Ｍ ］
．
科学 出 版社 ，
２０ １ ３ 

．

［
５６
］
杨华 ．
基于 粒 子 群算 法 的特征基 因 选 择方 法研 究 ［
Ｄ ］
．
湖南大学 ，
２０ １ ０ 

．

［
５ ７
］
褚小立 ，
袁洪福 ，
王艳斌 等 ，
．
遗 传 算 法用 于 偏 最 小 二 乘 方 法 建模 中 的 变 量筛 选 ［
Ｊ
］
．

分析化学 ，
２００ １


，

２ ９ （４ ： ４ ３ ７ ４４ ２ －



，

［
５ ８
］
张明锦 ．
基于特征选 择 的 多 变 量数据分析 方法及其在谱 学 研 究 中 的应用 ［
Ｄ ］ ；
华东理工大学 ，
２０ １ １ 

．

［
５９
］
刘 建 华 ，
杨荣华 ，
孙水华 ．
离 散 二 进制粒 子群算 法分析 ［
Ｊ
］
．
南 京 大 学 学 报 （
自 然科 学 ） ，
２０ １ １


，

４７ ５ ５ ０４ ５ ４
－

： １ 

．

（ ）

［
６０
］
张顶学 ， 关治洪 ， 刘 新芝 ．
一

种 动态改变 惯性权重 的 自 适应粒子群算法 ［

Ｊ
］
．
控制 与 决策 ，
２００ ８ 

，

２３ １ １ ： １ ２５ ３ －

１ ２５ ７ 

．

（ ）

［
６ １
］
高哲 ， 廖 晓钟 ．
基于平均速度 的混合 自 适应 粒子群算 法 ［
Ｊ
］
．
控制 与 决策 ，
２０ １ ２ ，
２７
（
１
）
：
１ ５２ －

１ ５５ 

．

段 晓东 高红 霞 刘 向 东 等 种基于种群熵 的 自 适应 粒 子群算 法 计算机 工 程

一

６２］ ？ Ｊ ． ２ ００ ７
［ ， ， ， ［ ］ ， 

，

３３ ８ ２ ２２ ２２３
－

１ ：

）


，
（

［
６３ ］ 李策 ， 王保云 ，
高浩 ．
基于 自 适 应 粒 子群 算 法 的 特 征选 择 ［ ｌ
ｆ ．
计 算 机技 术与 发 展 ，
２０ １ ７， ２７ （
４） ： ８９
－

９３ 

，

［
６４ ］ 邓 爱 ＃ ，
王 会芳 ．

动 态 改 变 惯 性 权 重 的 自 适应 粒 子群 算法 ［ 习 ．
计 算机 工 程 与 设计 ，
２０ １ ０ 

，

■ 

＾

３ １
（
１ ３
）
： ３ ０ ６２
－

Ｓ０ ６ ５ ． 

［
６５ ］ 张 丽 新 王 家钦 赵雁 南 等 机器学 ， ， ，
．
习 中 的特征算法 ［
Ｊ
］
？
计算机科学 ，
２ ０ ０４ ， ３ １
（
１ １
）
： １ ８０ －

１ ８４



［
６６
］ 李 振 华 ．
卷 积 神 经 网 络 工 作 原 理 的 直 观 解 释 ［
ＤＢ Ｏ Ｌ ／
］


．

ｈ ｔｐ ｓ ： ／／ ｗｗ ｗ ２ ｈ ｈｕ ． ｉ ． ｅ ｏ ｍ／
ｑ
ｕ ｅ ｓ ｔ ｉ ｏ ｎ ／ ３ ９ ０ ２ ２ ８ ５ ８ ／ ａ ｎ ｓ ｗ ｅ ｒ／２ １ ８２Ｑ５ ８ ８ ５ ， ２０ １ ７
－

１ ２ －

２７ 

．

［
６ ７ ］  Ｓ ａ ｎ ａ ｔｈ  丁 ｉ Ｎ ，
ｔ ｉ ｎ  Ｍ  Ｃ  Ｐ  Ｃ Ｏ Ｎ Ｖ Ｏ Ｌ Ｕ Ｔ Ｉ Ｏ Ｎ Ａ Ｌ  Ｎ Ｅ Ｕ ＲＡ Ｌ  Ｎ Ｅ Ｔ Ｗ Ｏ Ｒ Ｋ Ｓ 、
Ｓ ａ ｎ  Ｍ ａｒ ． ＵＳ２０ １ ６０２ ８３ ８４ １
［
Ｐ ］


－

２０ １ ６ 

．

［
６ ８ ］ Ｋｒ ｉ ｚ ｈ ｅｖ ｓ ｋ
ｙ ， 
Ａ ｌ ｅ ｘ  Ｓ ｑ ｔ ｓ ｋ ｅ ｖ ｅｒ
， ， 
Ｉ ｌ
ｙａ ， 
Ｈ ｉ ｎｔｏ ｎ ，  Ｇｅｏｆ ｆ ｒｅ
ｙＥ ． Ｉｍａ
ｇ ｅＮ ｅ ｔ  ｃ ａ ｓ ｓ
ｌ ｉ ｆ ｉ ｃ ａ ｔ ｉ ｏｎ  ｗ ｉ ｔ ｈ  ｄ ｅ ｅ
ｐ  ｃ ｏ ｎ ｖ ｏ ｌ ｕ ｔ ｏ ｎ ａ ｌ
ｉ

ｎ ｅ ｕ ｒ ａ ｌ  ｎ ｅ ｔ ｗ ｏ ｒｋ ｓ
［
Ｊ
］
．  Ｃ ｏ ｍｍ ｘ ｍｉ ｃ ａｔ ｉ ｏ ｎ ｓ  ｏ ｆ ｔｈ ｅ   Ａｃｍ ， 
２０ １ ２ ， 
６０ （２） ２０ ： １ ２ 

．

［
６９
］  Ｃｈ ｅｎＤ ，
Ｈｕ  Ｂ ５ Ｓｈ ａｏＸ ｅｔａｌ Ａｎ ｅｗ ｈ ｙｂｒ
ｉ ｄ  ｓ ｔ ｒ ａ ｔ ｅ ｇｙ  ｆｏ ｒ  ｃ ｏ ｎ ｓ ｔ ｒ ｕ ｃ ｔ ｉ ｎ ｇ  ａ  ｒ ｏ ｂ ｕ ｓ ｔ  ｃ ａ ｌ ｂ ｒ ａ ｔ ｏ ｎ  ｍ ｏ ｄ ｅ ｌ  ｆｏｒ
，
． 
 ｉ ｉ

ｎ ｅ ａｒ －
ｉ ｎ ｆ ｒａ ｒ ｅ ｄ  ｓ
ｐ
ｅ ｃ ｔｒａ ｌ  ａ ｎ ａ ｌ
ｙｓ ｉ ｓ
［
Ｊ
］
．  Ａｎ ａ ｌ
ｙｔ ｃ ａ ｉ ｌ  ＆ Ｂ  ｉ ｏ ａｎ ａ ｌ
ｙｔ ｉ ｃａ ｌ  Ｃ ｈ ｅｍ ｉ ｓ ｔｒ
ｙ ， 
２００５ ， 
３ ８ １
（
３
）
： ７９５
－

８０５ 

．

［
７０
］
石雪 ， 蔡文生 ，
邵学广 ．
基于小 波 系 数 的近红外光谱 局 部 建模方 法 与 应 用 研 究 ［
Ｊ
］
．
分析化学 ，
２００ ８ 

，

３ ６（ ８ ） ： １ ０９ ３ －

１ ０９６ 

ｆ

［
７ １
］ 侯振雨 ３
王伟 ，
蔡文 生 等 ，
．
基 于独 立 成 分 的 局 部 建 模 方 法 及 其 在 近红 外 光 谱 分析 中 的 应用 研究 ［
Ｊ
］


．

计算 机 与 应 用 化学 ，
２ ０ ０６ ， 
２ ３ （ ３ ） ０ ０ ０２ ２ ４ ２ ２ ６ ：
－



．

［
７２
］ 
Ｌ ｏ ｒｂ ｅ ｒ  Ａ  Ｅ ｒ ｒ ｏ ｒ  ｐ ｒ ｏ ｐ ａ ｇ ａ ｔ ．
ｉ ｏ ｎ  ａｎ ｄ  ｆｉ
ｇｕｒ
ｅ ｓｏ ｆｍ ｅ ｉ  ｆｏ ｒ  ｑ ｕ ａ ｎ
ｒ ｔ ｔ ｉ ｉ ｃ ａ ｔ ｏ ｎ  ｂ ｙ  ｓ ｏ ｖ ｎ ｇ  ｍ ａ ｔｒ ｘ  ｅ ｑ ｕ ａ ｔ ｏ ｎ ｓ ［ Ｊ ］
ｆ ｉ ｌ ｉ ｉ ｉ 

，

Ａｎａ ｌ
ｙ ｔｉ ｃ ａｌ Ｃｈ ｅｍ ｉ ｓｌｒ
ｙ ， 
１ ９８６ ， 
５ ８
（
６） ： １ １ ６７
－

１ １ ７２ 

．

第 作者 基于光谱 信 息 散度 的 近红外 光 谱 局 部偏 最 小 二 乘建模方 法ｍ 计算机与应用 化学

一

［
７３ ］
，
．



，

２０ １ ７ ３４（ ５ ３５ ： １ ： ３ ５５
）


．
，

［
７ ４ ］  Ｌ ｏ ｒｂ ｅ ｒ  Ａ  Ａ ｎ ｄ  Ｋ  Ｆ  ， ，
Ｋｏｗ ａ ｌ ｓ ｋｉ  Ｂ  Ｒ  Ｎ ｅ ｔ  Ａ ｎ ａ ｌ ｙｔ ｅ  Ｓ ｉ ｇｎ ａ  Ｃ ａ ． ｌ ｌ ｃｕ ｌ ａ ｔｉ ｏｎｉ ｎ Ｍｕ ｌ ｔｉ ｖ ａｒｉ ａｔ ｅ  Ｃ ａ ｌ ｉ ｂ ｒ ａｔ ｏｎ ｉ
［
Ｊ
］


．

Ａｎ ａ ｌ
ｙｔ ｉ ｃ ａ ｌ  Ｃ ｈ ｅ ｍ ｉ ｓｔ ｒ
ｙ ， 
１ ９９７ ，  ６ ９ （ ８） ：  １ ６２０ －

１ ６２６ 

．

ｖ ａ ｎ  ｄ ｅ ｒ  Ｍ ｅ ｅ ｒ  Ｆ  Ｔ ｈ ｅ  ｅ ｆｆｅ ｃ ｔ ｖ ｅ ｎ ｅ ｓ ｓ  ｏ ｆ  ｓ
７５
ｐ ｅ ｃ ｔｒ ａｌ  ｓ ｍ ａ ｒ ｉ ｔ ｙ  ｍ ｅ ａ ｓ ｕ ｒ ｅ ｓ  ｆｏ ｒ  ｔ ｈ ｅ  ａ ｎ ａ ｌ ｙ ｓ ｉ ｓ  ｏ ｆ  ｈ ｙｐ ｅ ｒ ｓ
ｐ ｅ ｃ ｔｒａ
． ｉ ｉ ｉ ｌ 

ｌ
［ ］ 

ｍ ａ ｇｅ ｒｙ  ［ Ｊ ］ Ｉ ｎ ｔ ｅ ｒ ｎ ａ ｔ ｉ ｏｎ ａ ｏ ｕｒｎ ａ  ｏ ｆ ａ ｐ ｌ ｅ ｄ  ｅ ａ ｒｔｈ  ｏ ｂ ｓ ｅ ｒｖ ａ ｔ ｏ ｎ  ａ ｎ ｄ ｎ ｉ ａｔ ｏ ｎ
ｅ ｏ ｎ ｆｏ ｒ ｉ ２００６ ８ ３
－

１ ７
ｐ ｇ
ｉ ．
ｌ ｌ ｉ ｉ ｉ １ ：

 

．
，  （ ）
 ｊ ， 

［
７６］ 谭天伟 ，
王芳 ，
邓立 等 ，
．
生物柴油 的 生产和应用 卩 ］
．
现代化工 ，
２ ００２ ，
２２（２
）
： ４ ６ －



．

１１２



参考文献 



［
７７
］
段敏伟 ，
王佰华 ，
黄宏星 等 ３
，
近红外 光谱法快速测定 生 物柴油调和 比及理化指标 ［
Ｊ
］
．
分析化学 

，

２０ １ ２ 
４０ （２ ： ２ ６３ －

２６７ 

．

， ）

［
７８
］
刘 雨聪 ．
基于 近红 外光 谱 与 拉曼 光谱 的 生 物柴 油 调 和 比 检 测 ［
Ｄ ］
．
浙江大学 ，
２０ １ ５ 

．

［
７９
］
刘彤 ．
基于蚁 群 算 法 的 分 子 光谱 波长 选 择新 方 法 与 应用 基础研 究 ［
Ｄ ］
．
浙江大学 ，
２０ １ ７ 

．

［
８０
］ 
Ｂ ａｕ ｔ ｉ ｓ ｔａ  ＭＡ ３  Ｓ ａｎ ａ ｋ ｏ ｙ ｅ ｕ  Ａ  Ｓ ｕ ｔ ｔ ｅ ｒ  Ｅ  ｅ ｔ  ａ ｌ  Ｃ ｌ ｉ ｑ ｕ ｅ Ｃ Ｎ Ｎ  Ｄ ｅ ｅ ｐ  Ｕ ｎ ｓ ｕ ｐ ｅ ｒ ｖ ｉ ｓ ｅ ｄ  Ｅ ｘ ｅ ｍ ｐ ｌ ａ ｒ  Ｌ ｅ ａ ｍ ｉ ｎ ｇ ［ Ｊ ］
， ，
． ： 

．

２０ １ ６ 

．

１ １３


 
参 考 文献 



 
＇

 ？

 ． 
－
 

？

１ １４


  



致谢



时光荏苒 岁月 如梭 转 眼研 究 生 生涯只 剩 下短短 的 个月 当 我 结束这 篇 论文 的



一

， ，
３ 。

时候 ， 内 心充满 复杂 的情形 ， 有感动 ， 有释怀 ， 有遗憾 ， 有不舍 。 千 言万语 ， 汇成数不清




的 感谢 送给每 位帮 助过 我 的人
一

，


。

首先 我要感谢 我 的导 师卢建刚 教授 ， 感谢卢 老 师三 年里对 我 的 悉心 指 导和 关 怀 。 卢老




师是 名 勤 恳敬业 严谨治学 同 时又和 蔼 可 亲 爱 护 学 生 的 好老 师 老 师认 真 工 作 的 态



一

、 ， 、 ，

度和诚信宽厚 的 为 人处世信 念给我 留 下 了 难 以磨灭 的 印 象 ， 也为 我今后 的工作树立 了 优秀




的榜样 。 本文 的 研 究 工作 是 在卢 老 师 的深切 教诲下 完 成 的 ， 从论文 的选 题 、 研究计划 的指




定 、 技术路线 的 选 择 到 实 验 的 设 计等 各 个 方 面 都 离 不开 卢 老 师 热 情 耐心 的 帮 助和 教导 。 

每


＇

次我 遇到 问 题 卢 老 师 都 能 及时的 回 复 邮 件 的举动给 我 留 下 深深的感动 

一 ：

， 了 。

感 谢 已 毕 业 的 张红光 、 杨 静 文 ，刘 彤 等 师 兄 师 姐 ， 他们 所 留下 的 科 研成 果 ， 对于 我论



文 的选题 、 研究有着很多 启 发 以 及指 导作 用 ， 对于 我 多 次 的 远程 求助 ， 都 不 厌其烦 的 指 导 


。

感谢 同
一

课题组 的卢 宇鹏 、
胡碧霞 、 朱正威 、 方玉 发 、 盛 珉敏 、 许嘉蓉 、 孙 国 庆 、 

蔡

炳锋等 以 及课题组 其他 的 师弟 师妹们 和你们的每 次 的 讨论 交 流都 会 让 我 有 所 启 发

一

， ， 

，

对我 的研 究帮助很大 ．



。

感谢 曾 经的 １ ５ ０４ 班的 同 学 。 过去两年 中 ， 我们时常
一

起举办活动 ， 交流学 习 经验 

，

交流科研心得 起备战 考试 起 熬夜 写 论 文 点 滴 都 融入 我 的 生 命 里 相信多 年



一
一 一 一

， ， 。 ，

以 后也不会忘怀 

。

感谢我 三年研究 生 生涯遇 到 的每 个人 没有 你 们 就 没有 今天 的 我 己

一

， 自 

。

最后要特别 感谢我 的父母 ， 你 们 在 精神 上 的 鼓励 、 鞭策 以 及经济上 的 全力 支 持 ， 让我




安心的完成学业 ， 朝着 自 己 的 梦 想 前进 

。

１ １ 

５
 
致谢 



１ １６



科研 成果 



攻读硕 士 学位期 间 主要 的研 究成果




核心期刊 论文 

：

第 作者 基 于 光 谱 信 息 散 度 的 近 红 外 光 谱 局 部 偏 最小 二 乘 建模 方 法 ｍ 计算机与应


一

．
，

用 化学 ，
２０ １ ７ ３ ４（ ５ ） ３ ５
，
： １ ： ３５５ 

．

参与项 目 

：

［
１
］
国 家 自 然科学基金重大项 目 课题 ，
６ １ ５ ９０９２ ５ ， 炼 油 生 产 过 程 全局 优化运 行 的 实 验平 台


与 应用 验证 ，
２０ １ ６／ ０ １
－

２ ０ ２ ０／ １ ２



［
２
］
国家 自 然科 学基 金联合基金重 点 项 目 ，
Ｕ １ ５ ０９２ １ １ ， 造纸 生 产 过程 的分布式 协 同 控制 与


智 能优化 ，
２０ １ ６／０ １
－

２０ １ ９／ １ 

２

［
３
］
国 家 自 然 科 学 基金 联 合基 金 重 点 项 目 ，
Ｕ １ ６０９２ １ ２ ， 燃煤烟 气 污染物超低排放 的智 慧 优


化控制 方法 与 关键技术 ，
２０ １ ７／ ０ １
－

２ ０ ２ ０／ １ ２ 

．

１ １７

