基于核偏最小二乘法的热轧板凸度预测

以某2160 mm热连轧生产线为研究对象,结合生产数据和数据驱动算法,提出并建立基于核偏最小二乘法和偏最小二乘法的热轧板凸度预测模型,并对模型的参数进行调整和优化。结果表明:偏最小二乘法模型的预测值与实测值误差为-25~30μm,88.74%的板凸度预测值绝对误差小于10μm;核偏最小二乘法模型的预测值与实测值误差为-25~25μm,91.57%的板凸度预测值绝对误差小于10μm。因此,优化后的核偏最小二乘法模型具有更好的预测效果。

基于偏最小二乘回归的土壤碱解氮含量估测

构建基于室内高光谱数据的土壤碱解氮含量估测模型,为快速、准确获取土壤中养分信息提供新的方法。对新疆乌鲁木齐市106个风干的土壤样品进行研磨过筛,在室内进行反射率光谱数据的采集,对采集的光谱数据进行Savitzky-Golay滤波、一阶微分(FDR)、连续统去除(CR)、多元散射校正(MSC)4种预处理,在此基础上利用连续投影算法对预处理后的数据进行特征波段的筛选,用偏最小二乘回归建立不同预处理后土壤碱解氮含量预测的高光谱分析模型。模型评价指标采用决定系数(R^(2))、均方根误差(RMSE)、相对分析误差(RPD)平均相对误差(MAE)。结果显示:4种预处理方法中以连续统去除处理的预测精度最为突出,其模型R^(2)、RMSE、RPD、MAE分别为0.90、13.0、2.26、0.13;模型的线性回归方程为:y=0.9316x+8.763。因此,利用连续统去除结合偏最小二乘回归,能够较好地估测乌鲁木齐市土壤中碱解氮的含量。该结果可为室内高光谱数据快速反演土壤碱解氮含量提供理论依据。

基于遗传算法和间隔偏最小二乘的苹果硬度特征波长分析研究

利用傅里叶近红外光谱(FT-NIRS)测定了苹果的硬度。通过使用几种基于遗传算法和间隔偏最小二乘法的特征波长选取方法,包括动态向后间隔偏最小二乘(dynamic backward version of interval PLS,dynamic biPLS)、动态向后间隔偏最小二乘结合遗传算法(dynamic biPLS & GA-PLS)和反复的遗传算法(iterative GA-PLS),分析了苹果硬度的特征波长。结果表明,运用遗传算法和间隔偏最小二乘选择特征波长后,不但可以降低模型的复杂度,同时能够达到提高模型预测精度的效果。在此基础上,研究分析了苹果硬度特征波长的物理化学意义。由于果胶是在苹果成熟过程中一种和硬度有很大关联的物质,通过比较苹果硬度的特征波长和果胶的特征吸收峰,发现两者具有有很好的一致性。因此,采用遗传算法和间隔偏最小二乘法得到的苹果硬度的特征波长能够反映果胶的吸收信息,从而解释了近红外技术检测苹果硬度的机理。

基于遗传算法和偏最小二乘法的土壤激光诱导击穿光谱定量分析研究

在空气环境下,采用激光诱导击穿光谱(LIBS)技术对土壤成分进行检测,建立了基于遗传算法(GA)和偏最小二乘法(PLS)的定量分析模型。将配制的58个土壤样品分为定标集、监控集和预测集,对11种组分Mn,Cr,Cu,Pb,Ba,Al2O3,Ca O,Fe2O3,Mg O,Na2O和K2O的含量分别进行预测。结果表明,GA作为一种谱线选择的预处理方法,可以有效减少用于PLS建模的光谱谱线的数目,从而简化模型。对于土壤中的大部分组成成分,GA-PLS模型能够显著改善传统PLS模型的预测能力。以Mn元素为例,浓度预测均方根误差(RMSEP)从0.0215%降低至0.0167%,平均百分比误差(MPE)从8.10%降低至5.20%。本研究为进一步提高土壤的LIBS定量分析准确度提供了方法参考。

Bagging偏最小二乘和Boosting偏最小二乘算法的金银花醇沉过程近红外光谱定量模型预测能力研究

建立金银花醇沉过程中稳健的近红外光谱（Nearinfraredspectroscopy,NIR）定量模型,为金银花醇沉过程的快速评价提供方法。研究基于金银花醇沉过程绿原酸的NIR数据,通过建立Bagging偏最小二乘（Bagging-PLS）模型、Boosting偏最小二乘（Boosting-PLS）模型与偏最小二乘（PartialLeastSquares,PLS）模型,实现对模型性能比较；在此基础上,采用组合间隔偏最小二乘法（Synergyintervalpartialleastsquares,siPLS）和竞争自适应抽样（Competitiveadaptivereweightedsampling,CARS）法分别对光谱进行变量筛选,建立模型,实现了对模型预测性能的考察。实验结果表明,Bagging-PLS和Boosting-PLS（潜变量因子数设为10）的预测性能均优于PLS模型。在此基础上,两批样品采用siPLS筛选变量,第一个批次金银花筛选波段820-1029.5nm和1030-1239.5nm,第二个批次金银花醇沉筛选波段为820-959.5nm和960-1099.5nm；采用CARS方法变量筛选,两批样品分别选择5折交叉验证和10折交叉验证,取交叉验证均方根误差（RMSECV）值最小的子集作为最终变量筛选的结果。经过变量筛选的两批金银花醇沉过程中的绿原酸含量Bagging-PLS和Boosting-PLS模型的预测均方根误差（RMSEP）值降低了0.02-0.04g/L,预测相关系数提高了4%-5%。综上,Baggning-PLS和Boosting-PLS算法可作为金银花醇沉过程NIR定量模型的快速预测方法。

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。

遗传算法结合偏最小二乘法无损评价西洋梨糖度

基于遗传算法的波段选择法在组合优化问题上具有很大的搜索优势,适应性很广。文章将该方法应用于西洋梨糖度近红外光谱分析中,探讨数据优化筛选的可行性。光谱经多元散射校正或标准归一化处理后进行波段选择,选择结果与样品中被测成分有关,4个品种洋梨的最佳个体染色体编码有一定共性。分别建立了四种洋梨的GA-PLS模型和全谱模型,早红考密斯、五九香、凯斯凯德和康佛伦斯的GA-PLS建模数据点分别从1 557减少到了434,496,310和496。GA-PLS/Fr-PLS模型的预测标准偏差分别为0.428/0.518,0.696/0.694,0.425/0.421和0.567/0.633,其中早红考密斯和康佛伦斯GA-PLS模型的预测精度明显优于全谱模型,而五九香和凯斯凯德的GA-PLS模型与全谱模型相近。结果表明,遗传算法用于PLS建立西洋梨糖度校正模型前的数据优化筛选是可行的,有效提高测量精度,减少建模变量。

偏最小二乘相关算法在系统建模中的两类典型应用

讨论了偏最小二乘回归(PLSR)的相关算法对两类典型实际系统建模的有效应用。分析了传统的偏最小二乘回归批处理算法及由此产生的一种简化算法的基本原理和技术特点。在此基础上,对原有的递推算法进行了一定程度的改进,直接采用自变量主元t的回归系数矩阵P和R来取代旧的数据信息,从而进一步简化了计算过程。针对上述两种算法的特点,分别对无人机费用模型(少样本,多变量)和切削力峰值模型(多样本,少变量)参数进行了估计计算,说明了各自算法的应用优势。

整体最小二乘参数估计的并行算法

基于递推最小二乘的逆ＱＲ分解方法，给出一种整体最小二乘参数估计的递推算法，并利用已获得的并行实现方法进行并行实现，最后给出了仿真结果．文中给出的并行计算方法使得在实际中应用整体最小二乘进行参数估计变得可行．

基于改进遗传算法-偏最小二乘回归的大坝变形监测模型

【目的】针对常规大坝变形监测回归模型中存在的因子多重相关性干扰和模型拟合效果欠佳问题,进行偏回归模型优化方法研究。【方法】将改进的遗传算法引入大坝变形监测偏回归模型,利用遗传算法强大的自适应全局优化搜索功能,对偏最小二乘回归模型进行优化,建立了基于改进遗传算法-偏最小二乘回归的大坝变形监测模型。【结果】工程实例研究与对比分析表明,改进遗传算法-偏最小二乘回归模型在一定程度上改善了原偏回归模型存在的拟合效果不佳的问题。【结论】改进遗传算法-偏最小二乘回归模型具有较好的拟合与预测能力,有较强的工程实用性。

结构方程模型的偏最小二乘算法及其几何意义

对含两个潜变量结构方程模型的偏最小二乘(PLS)建模技术进行了研究,给出了相应的路径图、模型设定步骤和求解算法,指出该方法本质上是一种迭代收敛算法.通过引入一种新的算符,给出了PLS算法命令图.并且基于命令图详细讨论了该算法在多维向量空间中的几何意义,在此基础上分析了不同权重关系(A型与B型)对算法的影响,得到了与其对应的各种几何图形.最后指出在算法已收敛与尚未收敛两种情况下,潜变量估计值的投影位置是不同的.

基于偏最小二乘法的遗传模拟退火算法及其在大坝安全监控中的应用

介绍了基于偏最小二乘法的遗传模拟退火算法的编程方法和利用其建立大坝安全监控模型的方法。实例分析表明,遗传模拟退火算法筛选影响因子后由偏最小二乘法建立的安全监控模型与直接由偏最小二乘法建立的模型相比,不仅简化了模型、提高了模型的拟合精度,而且增强了所建模型的预测能力。

基于时间差分和局部加权偏最小二乘算法的过程自适应软测量建模

工业过程软测量模型常常因为过程的变量漂移、非线性和时变等问题而使得预测性能下降。因此,时间差分已被应用于解决过程变量漂移问题。但是,时间差分框架下的全局模型往往不能很好地描述过程非线性和时变等特性。为此,提出了一种融合时间差分模型和局部加权偏最小二乘算法的自适应软测量建模方法。时间差分模型可以大大减少过程变量漂移的影响,而局部加权偏最小二乘算法作为一种即时学习方法,可以有效解决过程非线性和时变问题。该方法的有效性在数值例子和工业过程实例中得到了有效验证。

化学计量学非线性偏最小二乘算法进展评述

评述了偏最小二乘法 (PLS)近年来非线性化的进展以及重要算法的原理、特性和应用。一类是对自变量进行非线性前处理的方法 ,包括二次变换、Chebychev变换和基于机理的变换 ;另一类是基于内部非线性映射的PLS ,主要有多项式映射、样条函数映射、由遗传算法辅助实施的任意非线性映射和神经网络映射 ;介绍了具有类似功能的正交网模型。本文还就算法的普适性、稳健性和简易性 ,及其非线性化的演变进程予以评述。

基于小波变换-遗传算法-偏最小二乘的草莓糖度检测研究

采用近红外漫反射光谱分析技术,对草莓糖度进行了无损检测研究。利用便携式近红外光谱仪采集草莓样品在600~1100 nm波段内的漫反射光谱数据。首先利用小波变换(WT)多分辨率方法对光谱数据进行去噪预处理,然后利用遗传算法(GA)优选特征波长,最后运用偏最小二乘法(PLS)建立草莓糖度的WT-GA-PLS校正模型。该模型校正集的相关系数R C为0.9395,校正集的均方根误差RMSEC为0.1615,预测集的相关系数R P为0.9652,预测集的均方根误差EMSEP为0.5042。与全光谱模型(FS-PLS)和小波变换模型(WT-PLS)相比,该模型预测能力更强,稳健性更优。

基于偏最小二乘算法的人脸图像超分辨率技术

提出了基于偏最小二乘法回归的超分辨率复原算法.介绍了偏最小二乘法回归算法的原理,研究和分析了基于偏最小二乘法回归的超分辨率复原算法.将高低分辨率图像块的高频信息和中频信息作为其特征,并采用分块重叠的方法解决了复原时存在的方块效应.通过对亚洲人脸和欧美人脸的实验结果表明,提出的方法无论是对亚洲人脸还是欧美人脸都能取得较好的复原效果,并且在放大倍数较大的情况下,复原的效果仍然显著.

基于偏最小二乘算法的高维谱数据特征选择

基于高维谱数据全部谱变量建立的软测量模型不但存在模型学习速度慢、泛化性和可解释性差等问题,并且难以揭示软测量模型所蕴含的物理含义和进行合理的物理解释等问题。对高维谱数据进行变量选择,降低输入变量维数一直是特征选择领域的热点问题之一。针对这些问题,提出了一种基于偏最小二乘(PLS)算法的高维谱数据特征选择方法。该方法首先分析了基于偏最小二乘算法的潜变量特征提取方法,然后,采用PLS算法分析了原始未标定谱数据的不同谱变量的灵敏度,计算从谱数据提取的不同潜在变量系数的平方和,最后结合球域准则和软测量模型精度基于优化求解的思路进行谱变量选择,进而实现高维谱数据特征的全局优化选择。采用近红外谱数据验证了所提方法的有效性。

改进的偏最小二乘回归推荐算法

基于已有的相关PLS算法,提出了针对QSAR研究和工业过程控制建模的环境要求的PLS回归改进算法:加强递归PLS算法.模拟实验结果表明:在实时建模过程中,该算法的性能优于传统的PLS回归算法.

基于Chebyshev多项式的自适应偏最小二乘回归建模

把 Chebyshev多项式和偏最小二乘法有机地结合起来 ,提出一种基于 Chebyshev多项式的自适应偏最小二乘回归建模算法 .它自动建立一个预测误差较小的基于Chebyshev多项式的多元多项式模型 ,它的预测效果优于传统多元多项式模型 .本文算法是偏最小乘法的推广 。

核偏最小二乘算法的图像超分辨率算法

提出了基于核偏最小二乘算法(KPLS)回归的超分辨率复原算法。该算法首先将高低分辨率图像块的高频信息和中频信息作为建立回归关系的特征,并对图像进行分块;依据相应的高低分辨率图像块的关系,使用KPLS建立起回归模型;在复原时,依据该模型回归得到高分辨率的图像块,将图像块拼接为高分辨率的图像。通过对人脸图像和车牌图像的实验结果,表明该算法无论是对人脸图像还是车牌图像都能取得较好的复原效果。