基于ATR-FTIR光谱测量结晶过程溶液浓度的变量稳定加权混合收缩方法

针对衰减全反射-傅里叶变换红外(ATR-FTIR)光谱仪用于测量结晶过程溶液浓度时,因光谱谱线维度高、无关变量多,导致的标定模型预测精度低、可解释性差等问题,提出了一种变量稳定加权混合收缩的新方法。首先提出对光谱变量进行随机二进采样,将建立的优秀子模型中变量被选频率与所有子模型中变量回归系数的稳定性指标进行加权评价的稳定加权变量种群分析法(SWVCPA)。通过对变量的重要性进行排序,采用指数递减函数在迭代过程中逐渐强制滤除重要性低的变量,实现了对光谱变量空间的初步收缩,并大幅提高了收缩的稳定性。然后在收缩后的子空间继续使用一种新的动态麻雀算法(DSSA),以最小化训练预测均方根误差(RMSEC)为适应度函数进一步优化变量组合。这种混合优化方式融合了两类变量选择算法的优点,通过子模型竞争的方法确保了前期变量收缩的稳定性,防止算法陷入局部最优;通过智能优化算法避免了对剩余变量组合的遍历寻优,允许保留更多的变量进行精准选择。为了验证新方法的性能,使用L-谷氨酸溶液冷却结晶过程中6种不同浓度下采集到的ATR-FTIR光谱数据进行测试。结果表明,新方法将光谱变量数从613个减少到46个,与原始光谱相比,使用选择后变量建立的偏最小二乘法(PLSR)模型其预测均方根误差(RMSEP)为从1.727 9降低到0.165 4,预测决定系数(R^(2))从0.973 7提高到0.999 7。另外相比于特征谱段、遗传算法(GA)以及变量种群组合分析法(VCPA)选择变量建立的模型,使用新方法建立的溶液浓度预测模型具有更高的准确性和稳定性,说明该方法对提高使用ATR-FTIR光谱法测量冷却结晶过程溶液浓度准确性和可靠性具有一定的实际应用价值。

基于模型种群分析变量选择的红外光谱建模方法

变量选择方法可以实现对高维数据的降维,降低标定模型的复杂度以及提高模型的预测能力和可解释性,对建立高效可靠的预测模型具有重要意义。本文将模型种群分析(Model Population Analysis,MPA)用于近红外光谱标定建模过程的变量选择,结合MPA在同一空间反复抽取子集的特点,提出一种子集索引重用核-偏最小二乘(Subset Index Reuse Kernel-Partial Least Squares,SIRK-PLS)融合建模方法。该方法通过对预先计算的协方差矩阵进行索引,从本质上避免MPA框架下变量选择子集交叉验证和回归系数求解过程中的冗余计算,提高建模效率。此外,SIRK-PLS建模方法可以根据样本数和变量数的比例,实现建模算法的自动最优切换。通过标称近红外光谱玉米数据集对算法性能进行验证。结果表明,本文提出的SIRK-PLS建模方法收敛速度快、精度高,适用于移动红外光谱设备的自动快速降维建模,具有一定的应用前景。

基于迭代缩减窗口自助软收缩算法的近红外光谱变量选择方法研究

该文针对近红外光谱因冗余变量导致的标定模型预测性能差的问题,提出了一种迭代缩减窗口自助软收缩(ISWBOSS)算法。该方法使用窗口对变量进行划分,随机抽取窗口并利用其中的变量建立子模型,计算窗口内变量回归系数的归一化并作为权重继续进行加权采样,从而逐步实现变量空间的软收缩。同时在迭代过程中不断缩减窗口大小对特征变量进行精确搜索。通过在玉米数据集上进行验证,并与全谱法、遗传算法、竞争自适应重加权采样法和自助软收缩法建立的偏最小二乘模型对比,结果表明,新方法不论在准确性还是稳定性上都具有显著优势。以玉米蛋白质含量预测为例,与自助软收缩算法相比,ISWBOSS的预测均方根误差从0.0418降至0.0103,且达到最优模型所需的迭代次数更少,运算效率更高。该方法对提高近红外光谱标定模型的性能具有一定的指导意义。