近红外光谱结合特征变量筛选方法测定茶汤中的氨基酸含量

采用透射方式获取茶汤的近红外光谱,利用特征变量筛选方法从茶汤的近红外光谱中提取氨基酸光谱信息,建立茶汤中氨基酸含量的快速检测模型。分别利用间隔偏最小二乘法(iPLS)和联合区间偏最小二乘法(siPLS)从茶汤的近红外光谱中提取微弱的氨基酸信息,建立其近红外光谱定量分析模型。结果表明,利用两种方法筛选的特征变量都避开了水的强吸收峰影响,但利用siPLS方法建立的模型性能明显好于iPLS的。最优的siPLS模型对校正集样本的相关系数为0.912,交互验证均方根误差为0.185;用预测集中独立样本检验模型性能,其相关系数为0.887,预测均方根误差为0.202。研究结果可为液体茶饮料中的成分实时快速检测提供参考。

基于改进特征筛选的随机森林算法对锂渣混凝土强度的预测研究

本工作提出了特征变量筛选结合特征变量相关性的方法,对构建的锂渣混凝土28 d抗压强度数据库进行优化,分别建立了随机森林模型和深度神经网络模型用于测试数据库,并以相关系数(R)、均方根误差(RMSE)和平均相对误差(MAE)三个指标对模型的预测结果进行对比分析。结果表明,预测锂渣混凝土的28 d抗压强度时,采取改进的特征变量筛选方法能够有效提高模型的预测效果,此外,特征变量筛选的前后随机森林(RF)模型的预测效果明显优于深度神经网络(DNN)模型。

特征变量优选在苹果可溶性固形物近红外便携式检测中的应用

为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。

基于随机森林的配电网故障分布特征预测方法

影响配电网故障的因素繁多,且故障特征冗余性强,传统的预测模型难以实现有效的配电网故障预测。提出一种基于随机森林的配电网故障分布特征预测方法。基于随机森林算法,建立配电网故障分布特征预测模型;分析故障影响因素,构建输入故障特征变量集;量化故障分布等级,构建输出故障特征分布集。采用探索性数据分析技术,筛选故障特征变量,构建最优特征变量集;优化预测模型参数,获得在当前数据背景下的最优预测效果。以南方某市配电网中的120条馈线为例,测试所提故障预测方法,验证故障预测的准确性和合理性。

基于Sentinel-2影像和机器学习算法的冬小麦秸秆覆盖度遥感估算

为探究大范围小麦秸秆覆盖度(CRC)估测方法,以冬小麦秸秆为研究对象,基于Sentinel-2遥感卫星影像光谱指数、波段和纹理特征及其不同特征组合,利用灰色关联-随机森林(GRA-RF)敏感特征提取方法,结合高斯过程(GPR)、套索(LASSO)、岭回归(RR)和偏最小二乘(PLSR)等多种机器学习算法,开展小麦CRC估算的最优模型研究。结果表明,基于GRA-RF特征优选后的机器学习模型显著改善了小麦CRC的估算精度,LASSO算法总体对小麦CRC的估测效果最佳,并且针对不同的光谱特征组合表现出差异化的结果。其中,以光谱指数、波段和纹理信息构成的组合特征集构建的CRC遥感估算模型精度最优(r^(2)=0.65,RMSE=9.25%),以波段与纹理两者组合特征估算的CRC精度次之(r^(2)=0.63,RMSE=9.31%),仅利用单一的光谱指数、波段或者纹理特征估算冬小麦CRC的精度均劣于组合特征的结果。这说明应用GRA-RF组合筛选方法能够有效优选秸秆覆盖度的光谱特征;相比于单一特征,光谱指数、波段、纹理信息等构成的组合特征更能有效地监测小麦秸秆覆盖度。

特征波长优选结合近红外技术检测大米中的含水量

利用近红外光谱技术实现了大米中含水量的快速测定。为进一步提高近红外模型的精度和稳定性,采用4种波长筛选方法:遗传算法(GA)、无信息变量消除法(UVE)、无信息变量消除-遗传算法组合法(UVE-GA)以及连续投影算法(SPA),对大米水分近红外光谱特征波长进行了优选,并基于筛选出的光谱变量建立了大米含水量偏最小二乘法(PLS)模型。结果表明,相较于全光谱建模,4种特征波长优选方法不仅提升了所建模型的预测性能和精度,还有效地减少了建模时的光谱信息量,节省了建模时间;其中经过UVE-GA算法从全波段1154个波长中筛选出的68个特征波长建立的模型效果最好,其预测相关系数和预测均方根误差分别为0.9675和0.3915。综上所述,近红外光谱技术结合UVE-GA光谱处理方法能够实现大米水分含量的快速无损检测,为大米含水量的监督检测提供了技术依据。

近红外光谱结合膜富集技术测定大米中毒死蜱农药残留

本文以纤维滤膜富集大米中的微量农药残留,提高近红外光谱技术的检测限。向阴性大米样本中喷洒不同浓度毒死蜱标准溶液,制备含农药残留大米样品,以乙腈为溶剂提取大米中的毒死蜱农药,用氮吹仪将提取液浓缩后,使用滤纸富集提取液中的农药,真空冷冻干燥,采集滤纸的近红外漫反射光谱。运用特征波长筛选方法优选特征变量,建立大米中毒死蜱农药残留的近红外光谱分析模型。结果表明,利用联合区间偏最小二乘法方法从全光谱区优选出子区间[3 4 5 10],进一步用遗传算法从子区间中优选80个变量时,所建模型性能最好。在0.46~11.20 mg/kg浓度范围内,模型对预测集样本的相关系数为0.9798,预测均方根误差为0.604 mg/kg,将该模型预测4个未知农药含量的大米样本,其预测值与实际测量值具有较好的一致性。研究表明该方法能较好地快速检测大米中微量农药残留。