偏最小二乘回归神经网络在径流预报中的应用

地表水系统中,径流受诸多因素影响。将偏最小二乘回归与神经网络耦合,建立了径流量预报模型。将自变量利用偏最小二乘回归处理,提取对因变量影响强的成分,既可以克服变量之间的相关性问题,又可以降低神经网络的输入维数;利用神经网络建模可以较好地解决非线性问题。实例表明本模型有较高的拟合和预报精度。     

生菜叶片含水率光谱特征模型研究

利用便携式光谱分析仪测量生菜叶片的光谱反射率,并对其进行对数变换.通过变量筛选得到725、1 075、1 272、1 450、1 640和1 958 nm波长处的光谱反射率与生菜干基含水率呈极显著相关.为克服多重共线性影响,分别采用多元线性回归分析、主成分回归分析、偏最小二乘回归分析及偏最小二乘-人工神经网络回归分析4种方法建立了叶片干基含水率的定量分析模型.结果表明4种算法预测值与实测值相关系数分别为0.485 0、0.899 2、0.917 4和0.947 0,偏最小二乘-人工神经网络模型的预测能力优于其他模型.     

葡萄酒发酵过程主要参数近红外光谱分析

用近红外光谱结合化学计量学方法对葡萄酒酒精发酵中葡萄糖、果糖、乙醇和甘油4个指标进行了定量分析,化学指标的测定采用高效液相色谱法.通过对近红外数据进行筛选、变量标准化等预处理,比较了主成分回归和偏最小二乘回归定量分析的模型质量,以决定系数、校正均方根误差、预测均方根误差为模型质量的评价指标.通过比较发现,对于葡萄糖和果糖,主成分回归与偏最小二乘回归的预测精度相当;对于乙醇,主成分回归预测结果较优;对于甘油,偏最小二乘回归的预测结果要优于主成分回归.主成分回归所采用的成分数要多于偏最小二乘回归,但二者都可以用于上述4种成分的定量分析,其预测精度也相近.     

苹果内部品质的CT成像结合傅里叶变换方法检测

通过对苹果的CT扫描灰度图像进行傅里叶变换,在变换后的频域图像中提取16个参数,并结合苹果的可溶性固形物质量分数、可滴定酸度、pH值和含水率,采用主成分回归和偏最小二乘回归的方法建立模型,预测苹果的内部品质。结果表明,采用主成分回归分析建立模型,主成分的累计贡献率选取99%的情况下,F检验的P均小于0.05,预测效果良好。采用偏最小二乘回归时潜变量的个数为12时,各模型的误差平方和最小,预测效果良好。对两个模型进行误差率验证表明主成分回归的模型略优于偏最小二乘回归模型。     

LS-SVM和BP-ANN在草莓糖度NIR检测中的应用

为了提高草莓糖度近红外光谱定量模型的性能,采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6 000～9 000 cm-1.结果表明,所建立的最小二乘-支持向量机和反向传播人工神经网络定量模型的校正性能、预测性能和稳定性均优于偏最小二乘定量模型,最优模型为前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型,其校正和预测相关系数分别为0.957和0.951,校正和预测均方根误差分别为0.279％和0.272％,剩余预测偏差为3.23,与以往研究文献相比,获得了较为理想的预测精度和稳定性能.     

支持向量机在李果实坚实度近红外检测中的应用

为增强模型的适应性,选取了3个不同成熟期(绿熟、半红熟和红熟)的李果实样品建立坚实度指标的近红外检测模型,建模所使用的光谱范围为4 000~12 492cm-1。为改善模型性能,比较了最小二乘支持向量机和偏最小二乘法两种建模算法对李果实坚实度指标的建模结果。研究结果表明,所建立的最小二乘-支持向量机模型的预测性能和稳定性均好于偏最小二乘模型,并以前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型为最佳模型,其校正相关系数、校正和预测均方根误差分别为0.989及1.31、1.84kg/cm2,剩余预测偏差为4.79。与以往研究文献相比,获得了较为理想的预测精度和稳定性能。研究结果表明,最小二乘支持向量机算法结合偏最小二乘法提取的潜在变量作为输入变量,可以使李果实坚实度近红外定量模型有较大程度的改善。     

核桃仁脂肪含量的近红外光谱无损检测

为了实现核桃仁脂肪含量的快速无损检测,在1 040～2 560 nm光谱范围内采集了核桃仁近红外光谱。首先,通过多元散射校正和标准正态化组合方法对原始光谱信息进行预处理,采用马氏距离法剔除异常样本;然后,运用竞争性自适应重加权采样算法与相关系数法相结合,进行特征波段筛选;最后,采用偏最小二乘回归和支持向量机回归算法建立了核桃仁脂肪含量的预测模型。结果显示,以筛选出的6个特征波段为输入,采用偏最小二乘回归算法建立的核桃仁脂肪质量分数预测模型的验证集决定系数为0. 86,均方根误差为1. 584 9%;采用支持向量机回归算法建立的模型验证集决定系数为0. 88,均方根误差为1. 371 6%;表明支持向量机回归算法的建模质量优于偏最小二乘回归算法。采用特征波段建立的支持向量机回归预测模型能大幅降低建模复杂度,实现核桃仁脂肪含量的快速无损检测。     

微量有机磷农药残留近红外光谱快速检测方法

以滤纸作为农药载体,在波数4000～10000cm-1范围内获取其近红外光谱曲线。分别采取偏最小二乘回归法和最佳波段差值回归法建立农药质量比的预测模型。偏最小二乘回归法在经过多元散射校正和变量标准化预处理后得到的预测结果较好,预测相关系数为0.954,通过最佳波段差值回归法得到的预测相关系数为0.904。两种建模方法都得到了较好的预测结果。     

西瓜可溶性固形物含量近红外透射检测技术

设计的近红外透射式西瓜可溶性固形物含量（SSC）检测系统主要包括光纤光谱仪、光纤透射附件、数据采集卡以及自制光源。对50个麒麟瓜SSC进行了预测试验，采用主成分回归和偏最小二乘回归法分别建立了样品的原始光谱、一阶微分光谱、二阶微分光谱和SSC的预测模型，结果表明偏最小二乘回归法建立的模型具有较高的相关性，相关系数为0．951，均方根校正误差0．347，均方根预测误差0．302，样本真实值与预测值的相关系数为0．910。     

苹果可溶性固形物近红外在线光谱变量优选

为简化近红外光谱模型,提高对苹果可溶性固形物含量的预测精度,将移动窗口偏最小二乘法(MWPLS)与遗传算法、连续投影算法相结合优选特征变量,建立偏最小二乘回归校正模型。其中移动窗口偏最小二乘法和遗传算法相结合优选的36个光谱变量建立的校正模型预测结果最好,可以有效筛选近红外光谱特征波长,模型预测相关系数为0.90,模型的预测均方根误差为0.70°Brix。     

鸡粪工厂化堆肥过程中有机质含量预测模型

以148份肉鸡粪和菊花渣工厂化高温堆肥过程样品为研究对象,分别探讨了基于基本理化指标和近红外光谱预测鸡粪堆肥过程中有机质含量的可行性.根据样品中干物质含量、pH值和电导率3种理化指标与有机质含量的相关关系建立了基于理化指标预测有机质含量的一元和二元线性回归模型.结果表明,利用干物质含量预测有机质含量简便、易行且最具实际应用价值(R~2=0.81, P<0.001).采用多元线性回归、主成分回归和偏最小二乘回归3种定量分析方法分别建立了鸡粪堆肥过程有机质含量的近红外预测模型.其中,主成分回归和偏最小二乘定量分析方法所得预测模型的验证决定系数(r~2)均为0.95,验证相对分析误差(RPD)均大于4.0,所建模型的预测精度较高,可用于实际检测工作.     

基于偏最小二乘回归的土壤含水量预测模型研究

土壤水分是直接影响作物产量的重要因素之一,因此科学地预测土壤含水量对充分利用土壤水资源具有十分重要的意义.土壤含水量受到多重气象因素的影响,各气象因子间往往存在多重相关性, 从而导致传统的多元回归模型(基于最小二乘法)的失真,丧失稳健性,预测精度降低.为此,采用偏最小二乘回归建模,借助主成分分析与典型相关分析的思路,采用成分提取的方法,有效地解决了各气象因子之间的多重相关问题,建立了土壤含水量预报模型,并对模型进行了辅助分析,得出了各影响因子的评价结果排序,同时模型的拟合和预报精度均较好.     

基于高光谱的矿山数据建模方法研究

针对化学计量学在矿区重金属污染监测中的关键作用,本文综述了几种矿区光谱数据建模方法及针对其缺点而衍生的相关建模方法。在众多光谱数据建模方法中,多元线性回归和偏最小二乘回归主要用于解决光谱参数与土壤参数之间的线性关系,而支持向量机用于解决非线性关系问题。根据变量在数量、无关变量、变量之间的相关性等方面的局限性,衍生出了逐步多元线性回归、稀疏偏最小二乘回归、广义动态模糊神经网络等建模方法。针对不同类型的数据,选择的建模方法不同,为了取得更好的建模效果,应注重于其他方法的结合研究。     

绿茶杀青叶料含水率可见-近红外光谱检测

为实现绿茶杀青叶料含水率的快速无损检测,基于可见-近红外光谱分析建立含水率的预测模型。使用FieldSpec 3型便携式地物光谱仪,采集192个杀青叶料样品的漫反射光谱信息,基于X-Y共生距离的样本划分算法SPXY,确定144个样本的校正集和48个样本的预测集。进行一阶微分和移动平滑滤波预处理后,采用相关系数法优选出11个特征波段,建立了含水率检测的偏最小二乘回归、主成分回归、人工神经网络及其组合的模型。结果表明,选用5个主成分的偏最小二乘回归模型最佳,其校正和预测模型的相关系数分别为0.990和0.819,均方根误差分别为0.011和0.037,预测含水率的平均相对误差为3.30%。     

改进的偏最小二乘法在分析谐波源中的应用

在偏最小二乘回归建模中有时由于自变量中含有大量与因变量无关的信息, 这些与因变量无关的信息被提取成具有大方差和小相关系数的成分,使得入选的成分虽然具有大的协方差, 但是仍然对因变量缺乏解释能力。为了克服这一缺点，应用改进的偏最小二乘法进行回归建模，介绍了该方法的改进原理及步骤，并将该方法应用于谐波定量分析中，仿真示例说明了该方法的有效性及优越性。     

基于GSA的厌氧发酵原料碳氮比NIRS快速检测

在以预处理后玉米秸秆、秸秆粪便混合物为原料进行厌氧发酵生产沼气时,为了对厌氧发酵原料碳氮比进行快速检测,将近红外光谱(NIRS)与偏最小二乘(PLS)回归相结合构建快速检测模型,并基于遗传模拟退火算法(GSA)构建遗传模拟退火区间偏最小二乘算法(GSA-iPLS)和双重遗传模拟退火偏最小二乘算法(DGSA-PLS)分别用于特征谱区优选和特征波长点优选,以提高回归模型的检测精度和效率。全谱1844个波长点经GSA-iPLS进行谱区优选后,得到641个波长变量,再经DGSA-PLS进行特征波长点优选后,得到628个波长变量。DGSA-PLS回归模型验证集的决定系数(R2p)为0.920,预测均方根误差为7.178,相对分析误差为3.805。与全谱建模相比,DGSA-PLS模型的RMSEP减小了15.87%。通过波长优选,参与建模的波长点数量显著减少,有效降低了变量维度和模型复杂度,提升了预测精度和预测能力。本文通过优选碳氮比的敏感波长变量,有效提高了预测模型的鲁棒性,为直接、快速、准确测量厌氧发酵原料的碳氮比提供了新途径。     

近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测

为了快速检测赣南脐橙果树叶片含水率,提出近红外光谱结合最小二乘支持向量机的快速检测方法。采用积分球漫反射方式采集叶片的近红外光谱,通过间隔偏最小二乘法从2 074个光谱变量中优选出345个变量作为建模的输入向量,分别建立最小二乘支持向量机和偏最小二乘校正模型。经比较,以径向基函数为核函数的最小二乘支持向量机模型预测结果最优,预测相关系数为0.942,预测均方根误差为2.7%,模型建立及预测时间为0.176s。实验结果表明近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测方法是可行的。     

赣南脐橙叶片SPAD值可见近红外光谱无损检测

为了提供果树精准肥水管理参考数据,进行了果树叶片SPAD值近红外光谱无损检测研究。采用反射方式,采集100片赣南脐橙叶片的可见近红外光谱;利用移动窗口偏最小二乘法结合遗传算法、连续投影算法筛选光谱变量,并建立偏最小二乘回归校正模型。采用移动窗口偏最小二乘法和连续投影算法组合筛选的39个光谱变量建立的校正模型预测结果最优,模型预测相关系数为0.898,模型预测SPAD值均方根误差为2.116。试验表明,应用可见近红外反射光谱技术结合化学计量学算法进行赣南脐橙叶片SPAD值无损检测是可行的。     

洋梨硬度的便携式可见/近红外漫透射检测技术

采用便携式可见/近红外检测仪快速检测阿巴特、康佛伦斯和五九香梨硬度。采集洋梨漫透射光谱(500～1010nm),经二阶导数和卷积平滑处理后,分别建立偏最小二乘法和多元线性回归模型。相关系数法和遗传算法用于选择偏最小二乘法建模变量,预测均方差分别为7.780N和8.080N,相对预测误差分别为26.24%和29.71%。多元线性回归模型使用7个变量,预测均方差和相对预测误差分别为7.740N和26.10%。结果表明：建立多品种洋梨硬度全局模型是可行的,便携式仪器可用于洋梨硬度现场检测。     

洋梨硬度的便携式可见/近红外漫透射检测技术

采用便携式可见/近红外检测仪快速检测阿巴特、康佛伦斯和五九香梨硬度.采集洋梨漫透射光谱(500～1 010 nm),经二阶导数和卷积平滑处理后,分别建立偏最小二乘法和多元线性回归模型.相关系数法和遗传算法用于选择偏最小二乘法建模变量,预测均方差分别为7.780 N和8.080 N,相对预测误差分别为26.24%和29.71%.多元线性回归模型使用7个变量,预测均方差和相对预测误差分别为7.740 N和26.10%.结果表明:建立多品种洋梨硬度全局模型是可行的,便携式仪器可用于洋梨硬度现场检测.