Professional Documents
Culture Documents
【】分子振动光谱的新型智能建模算法研究及其应用 鄢悦
【】分子振动光谱的新型智能建模算法研究及其应用 鄢悦
_ 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 : AN e w I n te l l i
g e n tm o d e l i n ga g o l r i t h mr e s e a rc ha 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 ns 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
.
AN e w I nte l l i g e n tM o d e l i n g A g o r t h mR e s e a r c h a n dA p p
l i l i cat i o nF o r
Mo l ec u a l r V b ra t o nS p e ct r u m
i
i
Yu a
'
Autho r ss i
gnatu re :
參
'
S u p e rv s o r ss 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 gU 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 sR ev i ew
A n o n y m o u sR ev i e w ;
A n o n y m o u sR 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 eP 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
P r of a n p a n g L u Zhe a n gU n v e rs t
. J i .
j
i i i
y
D a t eo f o r a l d e fe n c e : 2 0 18 . 03 09 .
独创性声 明
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
光 谱 检测 技术广 泛应 用 于 多 种 不 同 领域 的在 线 实 时检测
。
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
:
1 . I
( ) ,
'
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
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
,
。 CN N I
,
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
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
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
,
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 ean 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 gt o p e ctrum yo f
I t l
, ,
w av e l en
gt h s e l e cti o na 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 to 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 don
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 eresu l tss 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
ta 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 tc o ntr o l , fa s
tc 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 ts 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 so f t h em o l e c ul a r v i b r a t o n s i
p e c tru m ,
t h eCN N m odel ,
wh c h i i
s
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
fb 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 dw i t h P L S h e RM S E C s re du c e d b
y5 0 % an d t h e R M S EP
p are
t
i
y
i
.
, , ,
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 and 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 do 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 onal
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 ono 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 veada
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 eI 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 .
. 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 >
52 d 情况
6
1
4 . 3 . 2L eN et 5I 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 2S ID . .
-
l oc PLS -
67
4 4 3N 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 2C
. 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
重要 的组成部分
。
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
、
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
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
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
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
1
第 章 绪论
一
( 〇 . 1
[
) 、 、
, ,
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
近红外 光谱 才 开始被 广 泛 的 应 用 [
8
]
。
, ,
定量 分析领 域有 了
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
( 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
:
,
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
, ,
:
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
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
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
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 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
1 . 3 国 内 外应 用 及研 究现状
1 . 3 . 1 近红外光 谱 研 究 现状
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
,
,
能够 实现连续分析 与 在线 监测 , 广 泛 地应 用 于 各 种 领域 中
。
3
第 章 绪论
一
, , , 。
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
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 [ ]
,
I
,
'
'
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
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
, 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 ]
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
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
,
。 ,
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
密集 。
一
, , 、
存在 吸 收峰严重 重 叠 、
.
?
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
,
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
。 ,
, :
,
;
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
5
第 章 绪论
一
, ,
。 了
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 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
、 、 、 、 。
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 ( ;
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
。
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
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
。 , , ,
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
, 。 ,
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
。 , , ,
I P 自
群算 法 ( Loc -
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
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
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
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
2 . 1 引
言
方 法 是 非 常 关 键 的 步 骤w
。
了 ,
: 、 、
、
,
基线 校正 、 平 滑 滤 波等
。
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
.
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
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
、
2 2
.
光谱 样本预处理技术
2 2
. . 1 异 常样本处理
, , ,
9
第 二 章 分 子 振动 光 谱 技 术 中 化学 计 量 方 法
1 、
Co ok 距离
了 :
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
和 杠杆值都 很大 , 该 样本 即 为 潜 在 异 常 样本
。
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
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
2 2 3
. .
基线校正技术
,
。
,
,
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
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
。
。
Go l a
y
( S -
G ) 卷积平滑 。 S -
G 卷积
、 。 ,
2 2 5
. .
标准正 态 变 换
)
[
( , ,
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
, ,
但是光谱 中 存在
一
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
)
, 。
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)
.
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
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
[ ,
。 、
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
, ,
。
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 )
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
[
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
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
[ ]
, ,
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
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
)
2 4 2
. .
遗传算法 ( g ene t i ca l
g ori
t hm ,
G A )
, 。
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
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 )
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
[ ]
, 。
选择 的 样本 子集
。
2 4 4 . .
变 量 投 影 重 要 系 数 Va r
i ab (
l eIm
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 eIm
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
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
。
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
。
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
, 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
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
。 。
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)
,
(
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) }
28
^
(
)
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
(
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
, ,
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
.
.
X M c tual y i
,
p r ed i ct )
R MSE C V ^
二
'
(
2 . 1 2)
\ T V -
1
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
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
。
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
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
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
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
建模校正是 十 分有 必 要 的
。
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 , ) [ ]
。
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
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
,
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
, , 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
。
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
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
集
。
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
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 ]
。
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
[
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
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
。
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
。
,
。
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
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
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
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
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 . 2B 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
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 .
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
3 3 .
改进 BPSO —
B P S O V IP _
算法
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
, , 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
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
,
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
)
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 .
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 4B P S
. O V I P 算法波长 点寻优 中 间 过程
上图 中 , 左 一
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
于数据集 的 拟合能力 更强 些
一
。
^
—
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 5BP 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
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
综 合该 部 分 , 可 以得到
:
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 . 2R EB 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
] .
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
(
31 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
,
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
。
7 .
,
2 ,
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
,
,
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
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
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
好的拟合能力 (
RM S E C 以 ) 及较高的 预测 精度 (
RM S EP )
。
1 000 3 . 1 0 ,
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
就如表 3 . 4 所示
。
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
, , ,
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
。
,
.
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
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
,
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
;
4 . , ,
目
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
限性
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
果 , 并 非 全 光谱 建模计 算 得 到 的 V I P 值
。
, , ,
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
。
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
。
的 细 化搜 索 能 力 。 这是 因 为 ,
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
, , ,
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
)
m in ;
7
,
max ;? p ,
i z
。
3 .
局 部 最优 和 全局 最优更新 公 式
?
:
. .
.
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
, , 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
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
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
。
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 。
,
。
个粒 子 某
一
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
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
-
S3 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
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
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
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)
(
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 0n
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
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
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 2R e
. VA P S O
, 。 I P 自
筛选 , 计算 校正
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
’
g3 -
、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
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 0R e VA P S O 算法预测结 果
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
,
。
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
, , , 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 5i . VA P S O 算法
3 . 5 . 1 基本 i VA P S O 算法
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
。 , ,
( ,
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
,
。
(
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
:
, , ,
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
, , ,
,
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
次的方式 , 记录每
一
。
。 ,
二 间
一
中 ,
, ,
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 . 1i VA P S O 算 法流程
图
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 ,
。
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
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
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 .
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
法
VA P S O 算
?
3 . 5 . 2R e i
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
,
序 逐 增加 波长 点 计算误差
一
, ,
。
变 计分策略 的原 因
:
1 .
, ,
;
2 .
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
?
{
—
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
3 2 6s 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 7s 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
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 8s 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 9s 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
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
. 1s c o re2 i e i
_
, , ,
。
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
3 6 .
与 其他方法 的 对 比
3 .
6 . 1 全 光谱 偏 最小 二 乘 回 归
,
、
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
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
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
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
3 . 6 3C
.
AR S
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
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
, 。 。 3 35
.
。 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
1 2r
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
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
中 , ,
子集 获得 比 BP SO m SO V IP 算法更优 更稳定的结果
>
, 了 、
_
、
。
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
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
集
。
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%
.
;
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
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
■
14
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
循环 评 估
28
088
1 . 085
开始指 引 了
一
个好 的搜 索 方 向 , 在搜索过程
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
4 . 1 引言
,
中
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
。
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
。
、 , 。
, 。 ,
散度 作 为 相 似 性度 量 三 种 局 部 模 型
。
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
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
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 2P 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 2P L S
.
.
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 3L S S
. . VM
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 . .
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
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
, , 问 , 网
, ,
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
。
.
, ,
.
, ,
。
收光谱 , 针对 不 同 的基团 , 会产 生不 一
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
。
部 分 为 卷积 层和 池 化层
。
1 .
卷积 层
:
果权值 矩 阵 一
次移动
一
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
? ) 89 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
积核作用 在 同
一
样本的不 同 位置上 , 由 于
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
:
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
-
52 d 情况
Yar
nL 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
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 ps1 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 ps1 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 nco n n e c t i on
s
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
表 4 4L 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 2L eN et
. .
-
5I d
, , 。
。 ,
,
,
。 ,
I
, ,
4 .
9 1
理的 LeN et -
所示
。
I N P UT
(
? ,
1 ,
1 00 1 ,
)
^
Co nv 1 / Co n v 2
/
F l a tt e n1
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
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
ys 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
e ar l
y
-
s t o
pp
mg , , ,
63
第 四 章 深度学 习 与 局部建模应 用 于光谱 定 量 分祈
, 习 , 。 ,
4 .
3 . 3 A l e x ne tI d 情况
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
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
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 v1
/
Conv 2
/  ̄  ̄
Conv 3
 ̄
/
F l a tt e n1
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
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 00 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
ys t o p p n g ) i
1 .
0 1 9 0 . 9 8 8
6 0 . 0 03 63 7 (
e a rl
ys 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
,
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
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
g1 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
间 由 于 区分度很小 , 因 此仅靠 这 一
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
[
69 ]
, 往往效果 不是很理想 , 甚 至 无 法 满 足精 度 要 求
。
判据 [
48 ]
相似性 。 另
一
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
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
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 2S I D
. .
-
l oc P L S
-
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 nd v e rg en c e i
, S D I ) 可用 于表征不 同 样本 光谱 间
相
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
)
S m i i l ar
i ty ( t e s t ,
cal
^
=
SID {
X t es J
,
X ca k l ) (
4 6 .
)
z 间
。
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 4S 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 3N 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 , ,
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
:
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
-
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 4N A S
. .
-
VA P S O
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 -
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
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
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
。
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
。
改进 的地方
。
'
.
, , ,
.
了 、
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
-
52 d 1 . 1 45 1 .
22
l en et
-
5I d 1 . 1 08 1 .
04 6
A l exnetI 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
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
直在被研 究 中 。 1 9 84
( 1 ) ,
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 ,
好 的应用 前景
。
5 2
.
分 子振动 光 谱 数据采集
0 24 0 系 列 平流泵
,
75
第 五 章 生物柴油 调 和 油 光谱定量分析
[ '
1
1
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
光谱 收集后 进行处理
。
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
所示 , 波长 范 围 为 900
?
2 1 00nm ; 可以看
, ,
。
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 -
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
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
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
5 . 3 . 1 . 2 基线校正
, ,
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 01 7 5 01 8 0 01 8 5 01 9 0 01 9 5 02 0 0 02 0 5 02 1 0 02 1 5 02 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
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
。
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
, 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
G 卷积 平滑
。
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 -
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
9 0 02.
1 1 0 0252
. 4 0 . 9 93 2
表 5 5S . 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
波数 (
1 / cm
)
平滑后
 ̄
I | [ [ I ! I I
!
I
〇 2
S
! I
! i !
|
l i
I
波数 (
1 / cm
)
图 5 6S .
-
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 2P 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 3L s . sv
m
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
表 5 . 8L 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
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
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 v2
/
C o n v3
/
 ̄ "
F l a tt e n1
 ̄  ̄  ̄
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 v4
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 v5
 ̄
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
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
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
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
84
第五章 生物柴油 调 和油 光谱定量分析
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
l oc
-
PL S 模型 、 基于
光谱信息散度为 相似性 的 S ID -
l oc -
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
-
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
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
.
^ r \
, \
^
.
^
V 0 02 5 .
.
/
1
广
?
|
\
V
0 02 5
\ _
—
|
0
■
0 02
' ' 1 ' ' ' '
0 2
— ' '
— ' ' '
'
. .
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
l oc -
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
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
合 V I P 自 适应 粒 子群算 法
。
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 1V
. 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
.
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 2i
. 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
, , , , ,
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 2i
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
5 . 1 2 。 5 . 1 5 。 20
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
i re i
, ,
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 4r 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
。
2 6H .
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
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
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
,
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
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.
明 ,
.
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
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
91
第 五 章 生 物 柴油 调 和 油 光谱 定 量 分 析
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
SeO -
l S O O c nr
1
这 一
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
:
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
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
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
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
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 2S 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
[ ]
G 算法平滑对于模型 的
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
。 ,
。
5 . 4 2 .
模型选择
5 . 4 2 . . 1 传统校正模 型
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
及 预测 结 果如 图 5 . 24
。
0 0 8
■
1
7F
.
1
基线
+ 测 试 集
〇
7
。
!
K0 .
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 4P
. 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
.
.
所示
。
 ̄  ̄
(
? ,
1 ,
154 1 ,
1}
]
 ̄
 ̄
—
C o n v1
—
;
f
—
c 〇 n v2
— 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 v4
 ̄ 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 v5 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 5C 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 4C
. 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
2 0 .
000 1 0 .
00 1 6 2 9 0 .
0 0 94 0 .
03 1
2
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 0J
— - —
 ̄
. 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 6C
. 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
达能力 不够导致
。
5 4 2
. . J 局 部建模策略
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
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
'
'
'
^
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
误差 。 对 于 NA S , 由 于在这
一
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
。 5 . 27 , ,
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
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
。
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
表 VA P S O 第 轮重复情况
一
5 . 2 7 i
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
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 9r 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
m2 °
-
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 )
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
。
由
一
, ,
方 向
。
5 4
.
. 3 .
3L o c
-
VA P S O
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
, , 。
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 2N 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 o4 .
^
,
.
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
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
。
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
.
, ,
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
定量模型选择 , 以 及特征波长 点 筛 选
。
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
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
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 %
。
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
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
, 、 , 了
,
。
、 、 、
,
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
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
, ,
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 , ,
, , ,
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
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
i 。 , ,
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
3 .
,
, ,
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
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
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
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
-
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
,
。
1 .
, ,
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
,
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
。
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
。 , ,
,
这是未来 的 个 改进 方 向
一
。
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
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
, 。 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
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
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 ewFo o d 2 00 4 2 9 3
-
. 1 : 1
.
[ ] 3 , ( )
[
2
] M i ll er F A . Th eh i s t or
yo 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 dS
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 erF A . Th e h i stor
yo 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 dS
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 nX ,
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
,
eta l . Mu l t i v ar
i atec a l i b rat o n o f o n
i
-
l i neenr 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 JM ,
J i an
gN , P
ozziE 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 ,
etal .
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 erJB ,
W i s e KL , 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 dva
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 .
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 ede 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 ac h i m i caa 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 din
v vous n gFT
i i
-
I Rs 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
an 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 PC Pre st on ,
K R ,
No r
is K H r
, etal . 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 eS 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 tal . 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
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 LK 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 GF s M ac e doJL D
, Re s c k I S , eta 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 lina
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 daE W i
,
Fe r r e i ra EH M , e
t al .
L i n esh ap ean a ys l i so 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 ,
etal ,
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
dre
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 dS
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 dPL 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 CH s
M c sh an e M J , Goe t z MJ , et a l
. Th e o r e t i c a l Ju s ti f i c at i o no f Wa v e l en
gth S e e c t o n i n
l i
PL SC a li b r a t i on D e v e l o :
p m ento 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 aPJ 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 MJ 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 hM C ,
D a s B S Wa n
,
i SP , e ta 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
,
eta l . G en e ti ca 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
gI
-
G ,
J unC -
H . P e r fo r m a n c e o f s o m evar
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 ]LiH ,
L i an
g
Y XuQ , ,
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 ach i m c aa 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 ,
-
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 eLA . 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 CA , 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 ds
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 ono fc 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 esR ?
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
go
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 ds
p
e c tr o s co
py , 1 989 ,
43( 5
)
: 7 72
-
777
.
[
44
]
Wo l d S , Ru h eA ,
Wo l dH ,
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 uX S h enF , , 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 cewin eb
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 oumaJofa
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
all ea sts
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 eJ Le as tS .
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
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 dS , J
o h a n s s on E , Coc ch M i . PL S —
p ar
t a i l l e asts
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 LM C . Us eo 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 stv a i ab
r l ei 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 aa 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
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
.
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
yE . 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 enD ,
Hu B 5 Sh aoX etal An 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 so fm 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
.
[
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 oni 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 MA 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
, ,
3 。
的 感谢 送给每 位帮 助过 我 的人
一
,
。
、 , 、 ,
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
'
, 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
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
, ,
,
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
,
, , 。 ,
以 后也不会忘怀
。
, 自
。
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
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