基于自适应变量加权的汽油辛烷值预测方法

针对汽油精制过程中控制变量之间非线性和强耦联性,产品汽油中辛烷值难以测定的问题,提出一种基于自适应变量加权的汽油辛烷值预测方法.首先,利用一种新颖的变量加权模块捕获变量之间的相关性获取变量权重,通过自适应变量加权的方式提升主要变量的重要性,抑制其他次要变量的作用;然后,考虑到汽油脱硫过程对辛烷值的影响,输入加权激活后的变量到辛烷值预测模块,模型同时输出辛烷值和硫含量的预测结果;最后,基于工业数据进行模型验证,结果表明,与无变量加权模块的神经网络预测方法,基于随机森林的神经网络预测方法和基于变量加权堆叠自编码器的预测方法相比较,所提出的自适应变量加权汽油辛烷值预测方法具有更高的预测精度,可以用来优化汽油精制过程的操作条件.

中红外光谱技术结合竞争性自适应重加权算法快速分析白酒风味组分

采用中红外光谱分析技术结合竞争性自适应重加权算法(CARS)对浓香型白酒基酒中的乳酸乙酯和乙酸乙酯的特征波长变量进行筛选后,建立偏最小二乘法(PLS)模型,并对其进行验证。结果表明,采用中红外光谱分析技术剔除明显噪声区域建立的PLS模型效果较好,而经CARS法进行特征波长选择后建立的CARS-PLS模型效果优于PLS模型,乙酸乙酯和乳酸乙酯的CARS-PLS模型相关系数R^(2)分别为0.995、0.989,预测均方根误差(RMSEP)分别为12.80、4.54,相对分析误差(RPD)分别为8.78及8.60,模型经独立验证均取得了较高的预测精度,验证数据相关系数R^(2)分别为0.994及0.992,RMSEP分别为13.55及4.86。该模型有较高的准确度及稳定性,能够用于白酒基酒中的乳酸乙酯和乙酸乙酯的快速分析,可为白酒酿造过程的质量把控提供技术方法。

基于近红外光谱的食用植物油中反式脂肪酸含量快速定量检测及模型优化研究

利用近红外光谱技术对食用植物油中反式脂肪酸(Trans fatty acids,TFA)含量进行快速定量检测,并通过波段选择、预处理方法、变量筛选及建模方法对TFA含量预测模型进行优化。采用AntarisⅡ傅里叶变换近红外光谱仪在4000~10000 cm$1光谱范围采集98个食用植物油样本的近红外透射光谱,然后采用气相色谱法测定TFA的真实含量。首先,对样本原始光谱进行波段、预处理方法优选;在此基础上,采用竞争自适应重加权法(Competitive adaptive reweighted sampling,CARS)筛选TFA相关的重要变量,最后应用主成分回归、偏最小二乘和最小二乘支持向量机方法分别建立食用植物油中TFA含量的预测模型。研究结果表明,近红外光谱技术检测食用植物油中的TFA含量是可行的,优化后的最佳预测模型的校正集和预测集R2分别为0.992和0.989,RMSEC和RMSEP分别为0.071%和0.075%。最佳预测模型所用的变量仅26个,占全波段变量的0.854%。此外,与全波段偏最小二乘预测模型相比,其预测集R2由0.904上升为0.989,RMSEP由0.230%下降为0.075%。由此表明,模型优化非常必要,CARS能有效筛选TFA相关的重要变量,极大减少建模变量数,从而简化预测模型,并较大提高预测模型的精度和稳定性。

基于高光谱成像技术与CARS算法的玉米种子含水率检测

为实现玉米种子含水率(MC)的精确、快速、无损检测,消除种子放置方式(胚部朝上/下)的影响,基于高光谱成像和图像处理技术,结合变量筛选法,针对玉米种子正反面放置的不同分别建立对应的MC预测模型。分别采集种子正、反两面高光谱图像,提取质心区域光谱数据,采用竞争性自适应重加权变量选择算法筛选特征波段,建立对应的MC预测模型。对比图像不同部位光谱曲线变化趋势,挑选4个特征波段(1104,1304,1454,1751nm)进行波段运算获取种子正、反面信息及质心位置。依据正、反面检测结果,自主选择对应的MC预测模型对45个验证集样本进行含水率检测。结果表明,使用波段运算正、反面识别率分别为97.8%、100%;正、反两面验证集相关系数分别为0.969,0.946,均方根误差分别为0.464%,0.616%。该研究为使用多光谱成像技术实现玉米种子MC的快速无损自动化检测奠定基础。

近红外光谱结合化学计量学评价胚胎发育潜能

使用近红外光谱分析方法测量培养后的胚胎培养液,结合偏最小二乘判别分析对胚胎发育潜能进行评价,鉴别具有妊娠能力与不具妊娠能力的胚胎。为了提高模型的判别能力,消除无信息变量对模型稳定性影响,分别采用基于蒙特卡罗的无信息变量消除法(MC-UVE)、竞争性自适应加权抽样法(CARS)与基于变量稳定性的竞争性自适应加权抽样法(SCARS),对光谱进行波长选择。结果表明,与采用全谱74%的正判率相比较,采用这3种波长选择方法,模型独立检验集的正判率分别提高至74.24%,77.12%与80.10%,建模使用变量数降至50以内。比较发现,SCARS的模型优化能力和稳定性均好于MC-UVE和CARS方法。采用近红外光谱结合化学计量学方法预测胚胎的发育潜能是可行的。