针对生物发酵过程中生化变量难以在线检测的问题,提出一种基于变量投影重要性(Variable importance in the project,VIP)方法优化的神经网络逆系统软测量模型。根据逆系统理论建立发酵过程生化变量的软测量模型,由于发酵系统的复杂性,...针对生物发酵过程中生化变量难以在线检测的问题,提出一种基于变量投影重要性(Variable importance in the project,VIP)方法优化的神经网络逆系统软测量模型。根据逆系统理论建立发酵过程生化变量的软测量模型,由于发酵系统的复杂性,逆系统软测量模型具有不惟一性,且难以得到精确的表达式。文中提出采用VIP方法对逆系统软测量模型的辅助变量进行优选,以对主变量贡献率较高的变量作为软测量模型的辅助变量,离线采集发酵过程各变量值,训练神经网络近似逆系统软测量模型,得到优化的神经网络逆系统软测量模型,实现发酵过程中菌体浓度和基质浓度的在线估计。利用Pensim平台采集数据,对所提方法做了仿真实验,结果表明:经过优化辅助变量的神经网络逆系统软测量方法具有更高的估计精度和泛化能力。展开更多
自变量筛选是定量光谱分析领域的研究热点,简便且高效的自变量筛选方法不但可以降低分析计算量,提高分析精度,同时还可以减轻对仪器光谱分辨能力的依赖,降低分析成本。波长筛选也是光谱法无创血液成分检测研究的重要环节。动态光谱理论...自变量筛选是定量光谱分析领域的研究热点,简便且高效的自变量筛选方法不但可以降低分析计算量,提高分析精度,同时还可以减轻对仪器光谱分辨能力的依赖,降低分析成本。波长筛选也是光谱法无创血液成分检测研究的重要环节。动态光谱理论为血液无创检测提供了极佳的思路,但长期局限于使用宽带光源和高分辨率的光谱仪器,分析中需要大量波长限制了动态光谱法的进一步发展。为了去除冗余信息,使检测走向低成本化和集成化,提出了基于变量投影重要性(variable importance in projection,VIP)分析的波长筛选方法。通过分析PLS模型中各维自变量对因变量的解释能力,从而剔除重要性较低的变量保留解释能力强的波长。以232例受试者的临床实验数据为基础,以血红蛋白含量为分析对象,经投影重要性分析后将波长数由586降至64,波长筛选后血红蛋白预测模型的测试集平均相对误差(MREP)为1.82%,使用了极少的波长便可得到满意的结果;结合Bootstrap方法对模型进行显著性检验后验证了波长变量的解释能力。首次指出了使用动态光谱法检测血红蛋白的敏感波长带。基于投影重要性分析的波长筛选迈出了动态光谱走向实用的重要一步,为实现低成本在线分析打下了基础,同时也为其他领域的光谱分析提供了重要的参考和新的思路。展开更多
植被物候是气候和自然环境变化的综合指示器,同时也是研究植物生长发育与气候变化的重要参数。随着经济社会的发展夜间灯光兼具指示人类活动信息和光照强度的特点,成为研究城市生态系统和生态建设的热点。基于此,利用地理探测器分析方...植被物候是气候和自然环境变化的综合指示器,同时也是研究植物生长发育与气候变化的重要参数。随着经济社会的发展夜间灯光兼具指示人类活动信息和光照强度的特点,成为研究城市生态系统和生态建设的热点。基于此,利用地理探测器分析方法和变量投影重要性指标,从时间和空间尺度上探究温度、降水、辐射和夜间灯光对2001—2020年上海市植被物候进行时空变化分析和归因分析,并结合城区和郊区的差异进一步分析夜间灯光和环境因子对物候的影响贡献。结果表明:2001—2020年上海市城区温度高于郊区约0.63℃,春季物候(start growth of season, SOS)提前郊区10d左右,秋季物候(end growth of season, EOS)推迟郊区7d左右,夜间灯光高于郊区2.9倍并且其重心向沿海方向显著偏移。空间尺度上夜间灯光对SOS的影响权重最大(q=0.15),并且辐射∩夜间灯光的组合驱动对城区和郊区的植被物候影响权重均最大(q_(max)=0.29)。时间尺度上SOS与温度的关系最密切,且随温度的增加而提前(平均R_(温度)=-0.24),EOS与夜间灯光的关系最密切,且随夜间灯光的增加而延迟(R_(夜间灯光)=0.28);综合物候驱动因子影响强度和植被物候多因子协调控制机制,城区SOS的主导影响因子为辐射(占总面积的41.40%),郊区SOS和城区/郊区EOS主导影响因子为夜间灯光。由此可知,植被物候对人类活动和气候变化的响应存在空间差异,这与植被物候驱动因子的时间和空间影响关系和强度相关。该研究可为人类活动对植被物候影响提供新思路,为城市应对未来气候变化和改善生态环境提供理论基础。展开更多
为了快速、准确地测定冬小麦植株氮含量,利用2014?2015年的冬小麦冠层反射光谱数据构建了16种氮素或叶绿素敏感光谱指数,基于变量投影重要性(variable importance projection,VIP)-偏最小二乘(partial least squares,PLS)-赤池信息准则(...为了快速、准确地测定冬小麦植株氮含量,利用2014?2015年的冬小麦冠层反射光谱数据构建了16种氮素或叶绿素敏感光谱指数,基于变量投影重要性(variable importance projection,VIP)-偏最小二乘(partial least squares,PLS)-赤池信息准则(Akaike’s information criterion,AIC)整合模型构建了不同生育期植株氮含量最佳回归模型,并用2012?2013年挑旗期数据对模型进行了验证。结果表明:在AIC下,拔节期以4个植被指数为自变量的模型最优;挑旗期以5个植被指数为自变量的模型最优;开花期以4个植被指数为自变量的模型最优;灌浆期以6个植被指数为自变量的模型最优。4个生育期建模的决定系数(R2)和均方根误差(RMSE)分别为0.71、0.86、0.75、0.46和0.23%、0.13%、0.12%、0.15%,以挑旗期决定系数为最大。挑旗期验证集的R2和RMSE分别为0.81和0.41%,预测模型和验证模型均具有较高的估算精度和可靠性,研究结果为选择小麦合适的生育期估算小麦植株氮营养状况提供参考。展开更多
为了实现利用较少的工程信息,快速准确的估计出工程项目的造价,提出了一种基于Adaboost-VIP的工程造价估计方法。首先采用变量投影重要性指标(variable importance in projection,VIP)法对影响工程造价的多个因素进行特征提取,然后利用...为了实现利用较少的工程信息,快速准确的估计出工程项目的造价,提出了一种基于Adaboost-VIP的工程造价估计方法。首先采用变量投影重要性指标(variable importance in projection,VIP)法对影响工程造价的多个因素进行特征提取,然后利用最小二乘支持向量机作为非线性逼近器,建立工程造价的估计模型。为了进一步提高模型的估计精度,将自适应提升算法(Adaboost)与VIP相结合,利用Adaboost将多个弱造价估计模型进行集成,得到强造价估计模型。同时将该方法应用到建筑案例中,结果表明:VIP方法能有效地对影响因素进行筛选,简化模型结构;Adaboost-VIP模型与单一的工程造价估计模型相比,具有更高的估计性能。展开更多
为了科学预测试验装备修理成本,提高维修经费决策质量,引入偏最小二乘回归分析(Partial Least Squares Regression,PLSR)对试验装备修理成本进行预测。针对试验装备修理成本小样本、贫数据、特征量相关性强的不利条件,构建预测模型;基...为了科学预测试验装备修理成本,提高维修经费决策质量,引入偏最小二乘回归分析(Partial Least Squares Regression,PLSR)对试验装备修理成本进行预测。针对试验装备修理成本小样本、贫数据、特征量相关性强的不利条件,构建预测模型;基于以往数次大修相关数据,预测试验专用装备使用期的某次大修成本。同时,为保持模型的稳健性,提高模型解释能力和预测精确度,尝试利用变量投影重要性分析对模型进行优化,取得了较好的效果。实例证明,该方法不仅能在多变量间存在严重多重相关性情况下建立模型,而且能够有效筛选与因变量关系不大的自变量,简化输入样本集。展开更多
文摘针对生物发酵过程中生化变量难以在线检测的问题,提出一种基于变量投影重要性(Variable importance in the project,VIP)方法优化的神经网络逆系统软测量模型。根据逆系统理论建立发酵过程生化变量的软测量模型,由于发酵系统的复杂性,逆系统软测量模型具有不惟一性,且难以得到精确的表达式。文中提出采用VIP方法对逆系统软测量模型的辅助变量进行优选,以对主变量贡献率较高的变量作为软测量模型的辅助变量,离线采集发酵过程各变量值,训练神经网络近似逆系统软测量模型,得到优化的神经网络逆系统软测量模型,实现发酵过程中菌体浓度和基质浓度的在线估计。利用Pensim平台采集数据,对所提方法做了仿真实验,结果表明:经过优化辅助变量的神经网络逆系统软测量方法具有更高的估计精度和泛化能力。
文摘自变量筛选是定量光谱分析领域的研究热点,简便且高效的自变量筛选方法不但可以降低分析计算量,提高分析精度,同时还可以减轻对仪器光谱分辨能力的依赖,降低分析成本。波长筛选也是光谱法无创血液成分检测研究的重要环节。动态光谱理论为血液无创检测提供了极佳的思路,但长期局限于使用宽带光源和高分辨率的光谱仪器,分析中需要大量波长限制了动态光谱法的进一步发展。为了去除冗余信息,使检测走向低成本化和集成化,提出了基于变量投影重要性(variable importance in projection,VIP)分析的波长筛选方法。通过分析PLS模型中各维自变量对因变量的解释能力,从而剔除重要性较低的变量保留解释能力强的波长。以232例受试者的临床实验数据为基础,以血红蛋白含量为分析对象,经投影重要性分析后将波长数由586降至64,波长筛选后血红蛋白预测模型的测试集平均相对误差(MREP)为1.82%,使用了极少的波长便可得到满意的结果;结合Bootstrap方法对模型进行显著性检验后验证了波长变量的解释能力。首次指出了使用动态光谱法检测血红蛋白的敏感波长带。基于投影重要性分析的波长筛选迈出了动态光谱走向实用的重要一步,为实现低成本在线分析打下了基础,同时也为其他领域的光谱分析提供了重要的参考和新的思路。
文摘植被物候是气候和自然环境变化的综合指示器,同时也是研究植物生长发育与气候变化的重要参数。随着经济社会的发展夜间灯光兼具指示人类活动信息和光照强度的特点,成为研究城市生态系统和生态建设的热点。基于此,利用地理探测器分析方法和变量投影重要性指标,从时间和空间尺度上探究温度、降水、辐射和夜间灯光对2001—2020年上海市植被物候进行时空变化分析和归因分析,并结合城区和郊区的差异进一步分析夜间灯光和环境因子对物候的影响贡献。结果表明:2001—2020年上海市城区温度高于郊区约0.63℃,春季物候(start growth of season, SOS)提前郊区10d左右,秋季物候(end growth of season, EOS)推迟郊区7d左右,夜间灯光高于郊区2.9倍并且其重心向沿海方向显著偏移。空间尺度上夜间灯光对SOS的影响权重最大(q=0.15),并且辐射∩夜间灯光的组合驱动对城区和郊区的植被物候影响权重均最大(q_(max)=0.29)。时间尺度上SOS与温度的关系最密切,且随温度的增加而提前(平均R_(温度)=-0.24),EOS与夜间灯光的关系最密切,且随夜间灯光的增加而延迟(R_(夜间灯光)=0.28);综合物候驱动因子影响强度和植被物候多因子协调控制机制,城区SOS的主导影响因子为辐射(占总面积的41.40%),郊区SOS和城区/郊区EOS主导影响因子为夜间灯光。由此可知,植被物候对人类活动和气候变化的响应存在空间差异,这与植被物候驱动因子的时间和空间影响关系和强度相关。该研究可为人类活动对植被物候影响提供新思路,为城市应对未来气候变化和改善生态环境提供理论基础。
文摘为了快速、准确地测定冬小麦植株氮含量,利用2014?2015年的冬小麦冠层反射光谱数据构建了16种氮素或叶绿素敏感光谱指数,基于变量投影重要性(variable importance projection,VIP)-偏最小二乘(partial least squares,PLS)-赤池信息准则(Akaike’s information criterion,AIC)整合模型构建了不同生育期植株氮含量最佳回归模型,并用2012?2013年挑旗期数据对模型进行了验证。结果表明:在AIC下,拔节期以4个植被指数为自变量的模型最优;挑旗期以5个植被指数为自变量的模型最优;开花期以4个植被指数为自变量的模型最优;灌浆期以6个植被指数为自变量的模型最优。4个生育期建模的决定系数(R2)和均方根误差(RMSE)分别为0.71、0.86、0.75、0.46和0.23%、0.13%、0.12%、0.15%,以挑旗期决定系数为最大。挑旗期验证集的R2和RMSE分别为0.81和0.41%,预测模型和验证模型均具有较高的估算精度和可靠性,研究结果为选择小麦合适的生育期估算小麦植株氮营养状况提供参考。
文摘为了实现利用较少的工程信息,快速准确的估计出工程项目的造价,提出了一种基于Adaboost-VIP的工程造价估计方法。首先采用变量投影重要性指标(variable importance in projection,VIP)法对影响工程造价的多个因素进行特征提取,然后利用最小二乘支持向量机作为非线性逼近器,建立工程造价的估计模型。为了进一步提高模型的估计精度,将自适应提升算法(Adaboost)与VIP相结合,利用Adaboost将多个弱造价估计模型进行集成,得到强造价估计模型。同时将该方法应用到建筑案例中,结果表明:VIP方法能有效地对影响因素进行筛选,简化模型结构;Adaboost-VIP模型与单一的工程造价估计模型相比,具有更高的估计性能。
文摘为了科学预测试验装备修理成本,提高维修经费决策质量,引入偏最小二乘回归分析(Partial Least Squares Regression,PLSR)对试验装备修理成本进行预测。针对试验装备修理成本小样本、贫数据、特征量相关性强的不利条件,构建预测模型;基于以往数次大修相关数据,预测试验专用装备使用期的某次大修成本。同时,为保持模型的稳健性,提高模型解释能力和预测精确度,尝试利用变量投影重要性分析对模型进行优化,取得了较好的效果。实例证明,该方法不仅能在多变量间存在严重多重相关性情况下建立模型,而且能够有效筛选与因变量关系不大的自变量,简化输入样本集。
