偏最小二乘变量筛选法在毒品来源分析中的应用

提出了一种新的偏最小二乘变量筛选方法,该方法利用PLS回归建模过程中的一些信息,删除一部分冗余的或对建模影响不大的变量来简化、优化预报模型。用此方法结合变量扩维方法处理云南昆明、思茅、西双版纳3个来源地缴获的244个海洛因样本的ICP-MS数据时,与传统的算法比较,模型的判别准确率得到大大提高,达到95%以上。且所得到的模型含变量少,很容易分析或解释各变量对模型的影响。因此该方法可用于对毒品来源有效的识别或鉴定。

近红外光谱法结合偏最小二乘法预测生物柴油中甲醇的含量

生物柴油中甲醇的定量分析对其品质监控具有重要科学意义与实用价值,因此进行了题示研究。制作44个含不同体积分数甲醇的生物柴油样品,采集了相应的近红外光谱。采用Savitzky-Golay平滑滤波(SG)和标准正态变换(SNV)相结合的方法对原始光谱进行预处理,并采用协同区间偏最小二乘法(SIPLS)提取特征变量,确定在6270~6640 cm^(−1)和10900~11240 cm^(−1)波段内采用偏最小二乘法(PLS)建模。结果显示,所建SG-SNV-SIPLS-PLS模型的留一交叉验证决定系数R2 cv为0.9994,均方根误差RMSECV为0.0488,预测集决定系数R_(p)^(2)为0.9996,均方根误差RMSEP为0.0563,变量数为207,优于PLS模型以及单变量线性回归模型的。

基于偏最小二乘回归法分析陈醋理化指标和品质

以南阳市大型商超市售的3种陈醋为研究对象,参考国家标准检测方法对陈醋的总酸含量、不挥发性酸含量及pH值进行对比分析;以近红外光谱技术结合偏最小二乘回归定量分析法,确定最佳进光光程、最优流量及最佳预处理方式,并在此条件下对3种陈醋进行判别分析,从而确定基于偏最小二乘回归法分析陈醋理化指标的方法。结果显示,3种陈醋样品均符合国家标准规定的陈醋pH值(pH 3.6~3.9),3种陈醋样品的pH值分别为3.71±0.02,3.65±0.01和3.82±0.01;3种陈醋样品中总酸和不挥发性酸含量略有不同,分别在(0.567±0.011)~(0.593±0.02)g/L和(0.148±0.012)~(0.215±0.018)g/L。在进行近红外光谱检测中,在最佳光程选择上,去掉异常样品后pH值检测和不挥发性酸检测的最佳光程为3 mm,总酸检测的最佳光程为2 mm;在陈醋流量选择上,pH值检测和总酸检测应控制流量为0.2 L/min,不挥发酸检测应控制流量为0.6 L/min;在光谱预处理条件选择上,pH值检测和不挥发性酸检测应选择SNV预处理方式,而总酸检测应选择5点平滑预处理。结果表明,利用近红外光谱结合偏最小二乘回归法可以进行陈醋理化性质的检测,其检测效果良好、检测效率高。

基于差示光谱及指纹图谱结合偏最小二乘回归分析法研究决明子提取物的平衡溶解度

目的:确定决明子提取物的最佳溶出介质,分析决明子提取物中主要成分在最佳溶出介质中对平衡溶解度的贡献程度,明确决明子提取物平衡溶解度的标志物。方法:以总蒽醌含量为指标,采用差示分光光度法测定决明子提取物在37℃时于水、0.1 moL/L盐酸和pH 6.8磷酸盐缓冲液中不同时间点的平衡浓度,确定最佳溶出介质。以决明子提取物总蒽醌指纹图谱为参照,采用HPLC法建立决明子提取物在最佳溶出介质中不同平衡时间点平衡浓度的指纹图谱,筛选决明子提取物平衡溶解度的标志物。结果:决明子提取物在37℃时于水、0.1 moL/L盐酸和pH 6.8磷酸盐缓冲液中平衡溶解度分别为10.344、10.910、11.099μg/mL,达到平衡时间点的时间分别为24 h、3 h和7 h。在最佳溶出介质中,VIP值>1的化学成分有22个,其中VIP值分别为1.13987、1.15565、1.12806、1.14825、1.14880的化学成分分别为已知成分橙黄决明素、大黄酸、大黄素、大黄酚和大黄素甲醚。结论:pH 6.8磷酸盐缓冲液为决明子提取物的最佳溶出介质,可以橙黄决明素、大黄酸、大黄素、大黄酚和大黄素甲醚为溶解度标志物考察决明子提取物的平衡溶解度。

遗传算法用于偏最小二乘方法建模中的变量筛选

利用全局搜索方法─—遗传算法（ｇｅｎｅｔｉｃ ａｌｇｏｒｉｔｈｍｓ， ＧＡ）对近红外光谱快速分析中的波长变量进行筛选，再用偏最小二乘方法（ｐａｒｔｉａｌ ｌｅａｓｔ ｓｑｕａｒｅｓ， ＰＬＳ）建立分析校正模型。对两类样品的近红外光谱分析应用实例表明，这种选取变量进行校正的方法，不仅简化、优化了模型，而且增强了所建模型的预测能力，尤其适用于单纯ＰＬＳ较难校正关联的体系。

基于双重筛选的多因变量偏最小二乘逐步回归方法

偏最小二乘回归分析中的一个重要问题是变量选择,文章的主要目的是给出一种改进的多元数据分析方法-基于双重筛选的多因变量偏最小二乘逐步回归方法。双重筛选方法既能按自变量对因变量的关系进行分组,又能使每个自变量对各组因变量的作用反映出来。因此基于双重筛选的多因变量偏最小二乘回归方法能很好地处理这类问题,并得到好的结果。

基于UVE变量筛选偏最小二乘的LIBS磷精矿浆定量分析

利用激光诱导击穿光谱(Laser Induced Breakdown Spectroscopy, LIBS)技术采集得到磷精矿浆的光谱,基于无信息变量消除(Uniformative Variables Elimination, UVE)方法筛选出与磷元素相关的波长变量,将选择后的波长作为自变量建立偏最小二乘(Partial Least Squares, PLS)回归模型,并与传统全谱PLS和GA-PLS(Genetic Algorithm-Partial Least Squares, GA-PLS)定标模型进行比较。相比全谱PLS,UVE-PLS定标模型的性能更优,其预测均方根误差(Root-mean-square Error of Prediction, RMSEP)由0.38%下降到0.26%,决定系数(R2)从0.59提高到0.72。相比GA-PLS定标模型,UVE方法可以克服GA(Genetic Algorithm, GA)在参量选择上存在随机性的弊端,筛选出的变量仅为全谱的8.76%,而且计算速度更快,分析精度也优于GA-PLS模型。

基于变量重要性和偏最小二乘的近红外特征筛选方法研究

近红外光谱数据高度线性相关且含有大量的冗余信息.通过选择重要的特征变量代替全谱变量,能够有效提高近红外模型的预测精度.本文将变量重要性融入到偏最小二乘回归中,提出了一种新的基于变量重要性的偏最小二乘特征变量筛选方法(VISPLS),它是基于变量重要性的前向迭代算法.通过选择斯皮尔曼(Spearman)相关系数、肯德尔(Kendall)相关系数、选择性比(selectivity ratio,SR)和投影变量重要性(variable importance in projection,VIP)4个指标来度量近红外光谱变量的重要性,并用2个真实的近红外光谱数据集来评估VISPLS的性能.研究结果表明,与SpearmanPLS,KendallPLS和SRPLS这3种算法比较,VIPPLS算法有更好的预测性能.

基于变量选择的偏最小二乘回归法和田间行走式近红外光谱进行土壤碳含量测定研究

针对田间状态下通过行走式设备获取的近红外反射光谱数据,存在干扰因素多,数据获取环境复杂多变,比实验室条件下建立土壤碳预测模型更加困难的情况,研究了通过变量选择来提高模型质量的效果及有效性。从独立检验数据集来分析,与采用所有变量所建模型的预测精度相比,进行变量选择后的预测精度,均有不同程度的提高,说明在建立土壤碳预测模型时,进行光谱变量选择,是有益和必要的。基于无信息变量消除法(UVE)和无信息变量消除-连续投影法(UVE-SPA)进行变量选择所建模型的预测精度较高,而SPA和遗传算法-偏最小二乘法(GA-PLS)的效果较差;对于协同区间最小二乘法而言,分割的区间数、参与建模子区间数的变化,会对所建模型的预测精度产生影响,选择合适的区间分割数和子区间组合,可以获得与UVE和UVE-SPA相当的效果,但其不足是需要大量的运算来进行最优子区间组合的选择。

近红外光谱结合偏最小二乘法所建模型快速预测胆宁片中间体中大黄素的含量

为了提高检测效率,采用近红外光谱结合偏最小二乘法(PLS)建立了快速预测胆宁片中间体中大黄素含量的定量分析模型。使用近红外光谱仪采集136批训练集样品的原始近红外光谱图,以标准正态变量(SNV)+二阶导数(2^(nd))对原始近红外光谱数据进行预处理,在1300~1764 nm和1932~2200 nm两个波长范围内以PLS建立大黄素的定量分析模型。结果显示,模型的决定系数(R^(2))为0.7708,交叉验证均方根误差(RMSECV)为0.0862。用199批测试集样品进行验证,结果显示,模型分析得到的预测值与高效液相色谱法分析得到的参考值的相对平均偏差绝对值均不大于5.0%,表明该模型预测准确度较高。

偏最小二乘法在回归设计多因变量建模中的应用及其优化

本文利用国际通用统计软件SAS,探讨偏最小二乘法在二次回归旋转设计中多因变量回归建模的技术;同时,应用国际优化大师L ingo软件对多目标进行优化,给出了最优的工艺参数值。

后向变量选择偏最小二乘法用于近红外光谱定量校正模型的建立

目的:对小麦中蛋白质含量以及橘叶中的橙皮苷含量建立定量校正模型。方法:将原始数据分为校正集、停止集和测试集,考察不同的停止集样本量对删除变量数的影响,并以相关系数与采用传统的偏最小二乘法(PLS)所建立的模型进行对比。结果:使用于建模的变量数分别减少了79%和89%,同时相关系数分别从0.9016和0.7730提高到了0.9306和0.8657。结论:较之于传统的偏最小二乘法,该方法所需用于建模的变量数大大减少,提高了模型的运行速度和预测能力,并且使所建立的模型更富于解释性。

基于偏最小二乘的向后删除变量法及其在均匀设计中的应用

针对均匀设计中的小样本数据处理问题，讨论了一种偏最小二乘与向后删除变量法相结合的变量筛选方法。首先，利用偏最小二乘建立包含尽可能多的关键自变量的全模型，然后将向后删除变量法中的每一次最小二乘回归替换为偏最小二乘回归，得到基于偏最小二乘的向后删除变量法。实验结果表明，与逐步回归法相比．该方法的预测能力明显提高，且具有更好的稳定性。

基于偏最小二乘隐变量空间的控制器设计方法

基于偏最小二乘(PLS)隐变量空间的控制利用PLS算法内部关系主元独立的结构,可以实现自动解耦多变量之间的严重相关性,且自动实现隐变量变量配对,从而使得MIMO控制简化为SISO控制。由于PLS为稳态算法,要进行动态PLS算法才能与控制要求相符。但是因为PLS隐变量之间并不能完全消除相关性,因此如果采用PID控制器,在整定时回路之间将相互影响且控制器参数不稳定,由此进行了基于动态PLS隐变量空间模型的最优化控制。同时就加压网前箱和一个蒸馏器给出了该控制方法的仿真应用,显示了该方法的特性。

基于特征变量筛选的无人机多光谱遥感土壤含水量反演

土壤含水量是影响农作物生长的重要因素之一,对作物估产和旱情监测具有重要作用。在土壤含水量反演时,一般是提取多个光谱变量进行反演,但变量之间包含的光谱信息可能存在冗余重叠,为提取有效特征变量,使其相互独立,论文选取特征变量筛选方法,并验证其在土壤含水量反演中的适用性。研究基于无人机多光谱影像计算归一化植被指数(Normalized Difference Vegetation Index,NDVI)等12种植被指数,结合无人机热红外数据计算地表温度(Land Surface Temperature,LST)和对应温度植被干旱指数(Temperature Vegetation Dryness Index,TVDI),以及miniSAR数据处理得到的4种后向散射系数,采用XGBoost特征变量和最优子集选择算法(Best Subset Selection,BSS)筛选最优变量组合,然后利用偏最小二乘回归(Partial Least Squares Regression,PLSR)和随机森林回归(Random Forest Regression,RFR)算法反演实验区冬小麦抽穗期的土壤含水量。研究结果表明:①0~20 cm深度的反演结果均优于0~10 cm深度;②对比XGBoost-PLSR、XGBoost-RFR、BSS-PLSR以及BSS-RFR四种土壤含水量反演模型,BSS-RFR模型不同深度下的反演精度最高;③0~10 cm土壤深度下XGBoost-PLSR模型的反演精度优于XGBoost-RFR,0~20 cm深度下则两者相反,0~20 cm深度下,BSS-RFR模型的反演精度均高于BSS-PLSR。研究成果可为无人机多光谱遥感反演土壤含水量提供理论和技术支撑,为卫星遥感大范围土壤水分监测提供检验依据。

基于三点筛选法与偏最小二乘法的系统谐波阻抗估计

针对背景谐波电压波动影响谐波阻抗估计的问题,提出一种基于三点筛选法与偏最小二乘的系统谐波阻抗估计方法。利用各个量测量与估计量之间相角关系,以三点为一组的数据建立方程,根据判别式筛选出背景谐波电压稳定时的公共耦合点测量电压电流数据,然后采用偏最小二乘法来估计出交流系统侧谐波阻抗。仿真算例表明了所提方法的正确性和有效性,可以减少背景谐波电压波动对系统谐波阻抗的影响,相比传统方法估计精度更高。

基于红外光谱技术与变量选择算法的柴油纯度检测

为实现柴油纯度的快速检测,采用RS法、KS法和SPXY法对利用红外光谱技术所采集的柴油样本数据进行样本集划分,之后利用蒙特卡洛交叉验证法(MCCV)剔除异常样本,并采用无信息变量消除法(UVE)、竞争性自适应重加权采样法(CARS)、遗传算法(GA)和自举柔性收缩算法(BOSS)对全光谱变量进行优选,根据所选变量建立偏最小二乘(PLS)模型。结果表明:SPXY法划分样本后所建立的模型效果最好,其预测均方根误差RMSEP为0.0412,预测相关系数R_(P)为0.9921;经MCCV法剔除异常样本后,模型的RMSEP降低了4.85%,R_(P)提高了0.50%;经UVE法选择的变量所建立的PLS模型性能最好,其RMSEP可达0.0239,R_(P)可达0.9977,与全谱模型相比,RMSEP降低了39.03%,R_(P)提高了0.06%,变量减少率可达67.27%。

基于谱线筛选的偏最小二乘法在LIBS煤炭灰分快速检测中的应用

利用基于激光诱导击穿光谱技术(LIBS)的煤质快速检测装置进行实验研究,在传统的偏最小二乘法(PLS)模型基础上通过预先的谱线筛选,剔除部分波动过大不利于建模的噪声信息,建立基于谱线筛选的PLS模型。相对于传统的PLS模型,该基于谱线筛选的PLS模型在基本不改变定标样品误差的情况下,显著降低了预测样品的分析误差,其中预测样品的灰分预测结果平均误差从2.262%下降至1.972%,最大误差从5.093%下降至3.575%,模型的性能得以显著提高。

基于复数域偏最小二乘法与等值法的多谐波源责任划分

基于线性回归的谐波阻抗估算方法是常用的谐波阻抗估算方法之一。为确保谐波阻抗估算结果实部与虚部良好的相关性,基于混合建模思想,通过构建复数域偏最小二乘法的准则函数,给出了单因变量复数域偏最小二乘法的严格数学推导及简化求解过程。针对公共连接点处多谐波源情形,基于实测录波数据,通过分析各馈线电流波动量之间的关系,构建了用于筛选关注谐波源谐波电压和电流线性良好数据的指标因子;进而利用复数域偏最小二乘法估算相应的等值谐波阻抗;最终根据所提等值法实现各谐波源责任的定量划分。通过仿真及实测算例验证,体现了所提方法的可行性及有效性。

采用正交信号修正法与偏最小二乘回归的中长期负荷预测

介绍正交信号修正法的基本思想并详细推导该算法的实现步骤,将一种改进后的正交信号修正法(orthogonal signal correction,OSC)与偏最小二乘法(partial least square method,PLS)相结合,对原始数据通过OSC消除正交分量,利用PLS建立中长期负荷预测模型。该方法能有效地去除自变量系统中与因变量无关的正交数据信息,增强自变量、因变量之间的相关性,在有限的成分中提高成分解释能力。通过算例将PLS与OSC-PLS进行比较分析,结果表明,运用OSC-PLS进行中长期负荷预测,尽管预测模型提取的成分个数变少了,但模型成分的解释性却大幅度增强,预测精度明显提高,具有较强的实用性。