本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型...本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型相比较,筛选变量后建立的校正模型不仅简化了,而且增强了预测能力。展开更多
以南疆红枣总酸的快速无损检测为研究对象,利用SPXY(Sample set partitioning based on joint x-y distances)法来划分校正集样本,应用无信息变量消除法(UVE)对南疆红枣总酸近红外光谱(NIRS)特征变量进行筛选,然后用筛选出的变量建立偏...以南疆红枣总酸的快速无损检测为研究对象,利用SPXY(Sample set partitioning based on joint x-y distances)法来划分校正集样本,应用无信息变量消除法(UVE)对南疆红枣总酸近红外光谱(NIRS)特征变量进行筛选,然后用筛选出的变量建立偏最小二乘(PLS)模型,该模型的预测标准偏差(RMSEP)为0.044 7,预测相关系数为Rp为0.877 8,并将UVE筛选的变量建立的PLS模型与全光谱建立PLS模型结果进行比较。结果表明,SPXY法划分的校正集样本合理;UVE优出选全光谱1 557个变量中的420个变量,建立的PLS模型预测效果要好于全光谱建立的PLS模型,UVE能够有效地选取待测成分的特征波长,建立简化的红枣总酸预测模型,降低模型计算量。展开更多
文摘本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型相比较,筛选变量后建立的校正模型不仅简化了,而且增强了预测能力。
文摘以南疆红枣总酸的快速无损检测为研究对象,利用SPXY(Sample set partitioning based on joint x-y distances)法来划分校正集样本,应用无信息变量消除法(UVE)对南疆红枣总酸近红外光谱(NIRS)特征变量进行筛选,然后用筛选出的变量建立偏最小二乘(PLS)模型,该模型的预测标准偏差(RMSEP)为0.044 7,预测相关系数为Rp为0.877 8,并将UVE筛选的变量建立的PLS模型与全光谱建立PLS模型结果进行比较。结果表明,SPXY法划分的校正集样本合理;UVE优出选全光谱1 557个变量中的420个变量,建立的PLS模型预测效果要好于全光谱建立的PLS模型,UVE能够有效地选取待测成分的特征波长,建立简化的红枣总酸预测模型,降低模型计算量。