基于多模型共识的偏最小二乘法用于近红外光谱定量分析

建立了多模型共识偏最小二乘(cPLS)建模方法,并应用于烟草样品近红外(NIR)光谱与常规成分氯含量之间的建模研究,探讨了建模参数对预测结果的影响.结果表明,cPLS方法与传统的偏最小二乘算法(PLS)相比,所建模型更稳定可靠,预测结果也可得到了明显改善.

基于多模型共识的近红外光谱波长选择方法

本文提出了一种基于多模型共识的近红外光谱波长选择方法。该方法首先建立多个无信息变量消除法(UVE-PLS)模型进行波长选择,然后用这些模型的共识结果对波长变量的可靠性进行衡量,进而选择可靠、有效地波长变量。对模拟数据和真实近红外光谱数据的测试结果表明,该方法能够有效地对波长变量进行选择,优于传统的UVE-PLS方法。

蒙古栎抗弯弹性模量多模型共识的近红外检测方法

利用近红外光谱技术预测蒙古栎（Quercus mongolica）抗弯弹性模量（MOE）,提出GN（global and neigh-borhood）样本优选与CPLS多模型共识的建模方法。选取近红外光谱谱段为900-1 700 nm,径切面和弦切面采集。首先,采用一阶导数与S-G卷积平滑相结合的方法进行数据预处理;然后,利用GN算法计算光谱样本间的全局和邻域马氏距离,实现蒙古栎MOE异常样本的剔除与校正集、预测集的自动划分;最后,融合具有多个成员样本子集的PLS模型,构建CPLS共识模型,取平均值作为最终预测结果。实验采用135个300 mm×20 mm×20mm的无疵小试样为样本,剔除异常样本12个,并选取其中78个为校正集样本,45个为预测集样本。结果表明,一阶导数处理能够消除光谱背景平缓区域干扰,S-G能消除小峰值无关吸收峰的影响;GN样本优选与CPLS结合的建模方法,预测相关系数为085,相对分析误差（RPD）为193,预测效果比传统PLS建模更好,且稳定性有所提高,但该改进模型方法的RPD依然小于25,因此,可做初步分析,准确地进行定量预测依然存在局限性。

农产品近红外光谱分析中的多模型共识方法研究

基于多模型共识的基本思路结合近红外光谱,建立了多模型共识偏最小二乘回归方法(cPLS),从训练集随机取样建立一系列偏最小二乘回归模型(PLS),选取其中性能较好的部分模型作为成员模型,并用这些成员模型预测未知样品。将cPLS用于玉米中湿度、淀粉、蛋白质及油分含量的近红外光谱定量预测。结果 PLS对独立测试集中4种组分进行50次重复预测的平均预测误差均方根分别为0.020 7、0.268 6、0.122 0和0.070 6,预测误差均方根的标准偏差分别为4.753 0×10-3、0.054 8、0.023 0和0.014 9;而cPLS重复50次预测的平均预测误差均方根分别为0.016 0、0.167 8、0.116 6和0.044 1,预测误差均方根的标准偏差分别为2.735 0×10-4、0.002 5、0.003 0和7.683 0×10-4。可见,cPLS所建立的模型更加稳健可靠,预测的准确性也明显提高。

应用多模型共识偏最小二乘法和FTIR/ATR光谱技术建立苯丙酮尿症的筛查模型

利用多模型共识偏最小二乘法(cPLS)建立新生儿苯丙酮尿症(PKU)的红外光谱筛查模型,比较PLS和cPLS模型的性能。对原始光谱进行一阶微分预处理,分别用PLS和cPLS建立干血片中苯丙氨酸浓度的定量校正模型,各运行40次,以预测均方根误差(RMSEP)、平均相对误差(MRE)和预测准确率(Acc)为指标,考察两种模型对独立测试集的预测效果。PLS模型的RMSEP、MRE、Acc的平均值和标准差分别为103.3、0.32、97.1和30.0、0.07、4.4;而cPLS模型的RMSEP、MRE、Acc的平均值和标准差分别为88.4、0.26、99.3和19.8、0.04、2.4。cPLS较PLS模型预测更准确,稳定性更好,更适于建立PKU的红外光谱筛查模型。

多模型共识偏最小二乘法用于近红外光谱定量分析

将多模型共识偏最小二乘法用于近红外光谱定量分析。利用随机抽取的训练子集建立一系列偏最小二乘模型,选取其中性能较好的部分模型作为成员模型,用这些成员模型来预测未知样品。将该方法用于一组生物样本的近红外光谱与样品中人血清白蛋白、γ-球蛋白以及葡萄糖含量之间的建模研究,并与单模型偏最小二乘法了进行比较。结果 PLS对独立测试集中三种组分进行50次重复预测的平均RMSEP分别为0.1066,0.0853和0.1338,RMSEP的标准偏差分别为0.0174,0.0144和0.0416;而本方法重复预测的平均RMSEP分别为0.0715,0.0750和0.0781,RMSEP的标准偏差分别为0.0033,0.2729×10-4和0.0025。

不同预处理方法对苯丙酮尿症FTIR/ATR光谱筛查模型的影响

建立苯丙酮尿症的FTIR/ATR光谱筛查模型,比较基线校正、平滑、求导、傅里叶退卷积等光谱预处理方法对模型精度的影响。利用多模型共识偏最小二乘法(cPLS)建立干血片中苯丙氨酸浓度的校正模型,以相关系数(r)、预测均方根误差(RMSEP)、平均相对误差(MRE)和预测准确率(Acc)等指标,考察不同预处理方法对建模效果的影响。结果一阶微分9点平滑处理方法效果最好。与原始光谱相比,模型的r,RMSEP,MRE和Acc分别从0.822 7,115.8,0.395和94.6改善到0.889 9,102.2,0.286和100。本方法直接快速、不消耗试剂、不产生污染,有望成为PKU大人群快速筛查的简便、绿色新技术。

基于Si-cPLS的小麦种子发芽率近红外模型优化研究

为了提高近红外光谱技术快速测定小麦种子发芽率的准确度和稳健性,比较分析了基于全光谱的单一偏最小二乘(PLS)模型和多模型共识PLS模型(cPLS)性能,并提出了基于特征光谱的多模型共识PLS模型(Si-cPLS)。实验收集84份小麦种子,通过SPXY法将样本集划分为训练集样本66个,预测集样本18个。从训练集中随机抽取50个样本作为校正集建立一系列PLS子模型,选取其中性能较好100个子模型作为成员模型建立cPLS模型,取成员模型预测结果的均值来分析未知样本。在此基础上,采用组合间隔偏最小二乘法(SiPLS)筛选特征谱区建立多模型共识PLS模型(Si-cPLS)。各模型均采用均值中心化预处理方法,PLS模型、cPLS模型以及Si-cPLS模型对预测集的小麦种子发芽率进行50次重复预测的平均相关系数r分别为0.935,0.949和0.967,平均预测均方根误差RMSEP分别为13.735%,12.533%和10.273%,RMSEP的标准偏差分别为1.144%,0.096%和0.08%。实验结果表明cPLS模型较单一PLS模型更加稳定可靠,而基于特征光谱的Si-cPLS模型则进一步提高了cPLS的稳定性与预测精度,为建立性能优秀的小麦种子发芽率近红外模型提供了新思路。

基于小波和小波包变换的苯丙酮尿症傅里叶变换衰减全反射红外光谱筛查模型的研究

应用小波和小波包变换对傅里叶变换衰减全反射红外光谱(FTIR/ATR)进行去噪处理,以提高苯丙酮尿症(PKU)筛查模型的性能。首先优化小波和小波包变换的参数,然后分别对原始光谱(OS)、9点平滑光谱(9S)和一阶微分9点平滑光谱(1D9S)进行去噪处理,以均方根误差(RMSE)、平均相对误差(MRE)、预测准确率(Acc)等为指标,考察小波和小波包变换对模型性能的影响。结果与变换前相比,模型性能均有所提高,其中小波变换以1D9S+sym12处理结果为最优,而小波包变换以1D9S+sym1为最优;Acc全部提高为100%。

基于BiPLS和cPLS的苯丙酮尿症FTIR/ATR光谱筛查模型的建立与优化

目的：基于反向区间偏最小二乘法（BiPLS）和多模型共识偏最小二乘法（cPLS）,建立新生儿苯丙酮尿症的FTIR/ATR光谱筛查模型。方法：利用BiPLS将全光谱划分成若干个子区间,优化子区间数目,优选特征子区间组合,然后分别建立基于全光谱和BiPLS优选波段的定量模型,以均方根误差（RMSE）、平均相对误差（MRE）、预测准确率（Acc）、灵敏度（Sens）、特异性（Spec）为指标,比较2种模型的性能。结果：与全光谱相比,BiPLS优选波段将波长压缩了85.0%~90.5%,但所建模型的多项性能指标却有不同程度地提高。在最优条件下,Phe浓度模型的R、RMSE、MRE分别为0.93、87.0、0.27,Sens、Spec、Acc分别为98.2、98.7和98.4;Phe/Tyr比值模型的R、RMSE、MRE分别为0.93、3.55、0.36,Sens、Spec和Acc均为100。Phe浓度模型对接近筛查切值的样本会产生误判,而辅以Phe/Tyr比值模型可将Sens和Spec提高到100。结论：BiPLS极大地压缩了建模所需波段,降低了模型复杂度,提高了模型精度;与cPLS相结合,本文建立的Phe浓度和Phe/Tyr比值的定量校正模型,有望用于新生儿苯丙酮尿症的大人群快速筛查。

共识独立成分回归结合紫外光谱用于多组分同时测定

将独立成分分析用于紫外光谱定量分析,结合多模型共识的基本思想,建立了共识独立成分回归方法。从训练集随机取样建立一系列独立成分回归模型,选取其中性能较好的部分模型作为成员模型,并用这些成员模型预测未知样品。用该方法对苯甲酸、苯胺及苯酚3组分水溶液的紫外光谱进行分析,并与单模型偏最小二乘法了进行比较。结果PLSR对独立测试集中3种组分进行50次重复预测的平均RMSEP分别为2.349,7.413和1.605,RMSEP的标准偏差分别为1.781,2.918和1.266;而本方法重复50次预测的平均RMSEP分别为1.633,3.390和1.496,RMSEP的标准偏差分别为6.642×10^(-3),6.573×10^(-2)和4.484×10^(-2)。可见,共识独立成分回归所建立的模型更加稳健和可靠,预测的准确性也明显提高。