基于蒙特卡洛法红枣光谱水分模型研究

尝试利用近红外光谱技术预测红枣的水分含量,采用偏最小二乘法(PLS)建立近红外光谱预测模型,运用蒙特卡洛偏最小二乘交叉验证方法剔除异常样本,通过比较几种常见的预处理方法和波数选择方法,选择最优的预处理方法和波数选择方法。结果表明:原始光谱采用一阶导数处理,并选择竞争性自适应加权取样(CARS)法选择波数变量建立的模型预测效果最好,得到的预测相关系数为0.972 6,预测标准偏差为1.17。

近红外光谱结合蒙特卡洛交互验证奇异样本筛选的橄榄油掺伪定性定量分析

采用基于蒙特卡洛交互验证(MCCV)奇异样本筛选的近红外光谱技术结合支持向量机(SVM)对橄榄油掺伪进行定性和定量分析。应用近红外光谱仪采集将大豆油、菜籽油、玉米油、葵花籽油掺入橄榄油中的188个掺伪样本光谱图。采用蒙特卡洛交互验证(MCCV)方法剔除橄榄油掺伪样本光谱数据中的奇异样本,剔除3个奇异样本。利用多元散射校正(MSC)、去趋势技术(DT)、标准正态变量变换和去趋势技术联用算法(SNV-DT)分别对奇异样本筛选前后的掺伪样本光谱数据进行预处理,选择网格搜索算法(GS)对模型参数组合(C,g)进行寻优,确定最优参数组合。应用支持向量机分类(SVC)方法建立掺伪油的品种定性分类校正模型;采用竞争性自适应重加权算法(CARS)选择奇异样本筛选前后的掺伪样本光谱数据的特征变量,应用支持向量机回归(SVR)建立掺伪油含量快速预测的定量校正模型。试验表明,采用MCCV方法剔除奇异样本后,建立的掺伪油品种鉴别模型的预测准确率达到100%,而建立的GS-SVR模型能够快速预测橄榄油掺伪量,特别是建立SNV_DT-CARS-SVR模型的校正集和预测集相关系数R分别达到99.80%、99.13%,均方误差(MSE)分别为0.0142、0.0535,综合性能最好。结果表明,采用激光近红外光谱分析技术可以实现橄榄油掺伪的定性-定量分析。

蒙特卡洛交叉验证用于偏最小二乘建模数据质量的评价（英文）

基于蒙特卡洛交叉验证(MCCV)建立了一种用于近红外光谱偏最小二乘建模数据质量的评价方法。该方法首先通过蒙特卡洛交叉验证计算交叉验证均方根误差(RMSECV),同时计算交叉验证中建模样本的预测误差,记为建模样本的均方根误差(RMSECVc)。如果数据中部存在奇异样本、噪声、非线性相应等干扰因素,RMSECV和RMSECVc随因子数的变化应该保持一致,否则,二者的变化趋势将不同。因此,利用RMSECV和RMSECVc随因子数的变化趋势即可对数据的质量进行评价。采用模拟数据和12组实际样品的数据对该方法进行了考察,并对四组实际数据中的奇异样本进行分析,说明了方法的效果。本文为偏最小二乘建模方法提供了一种数据质量的评价方法。

基于MCCV奇异样本筛选和CARS变量选择法对蜂蜜pH值和酸度的近红外光谱检测

采用Norris平滑加一阶微分数据预处理,蒙特卡洛交互验证(MCCV)的奇异样本筛选和CARS(competitiveadaptive reweighted sampling)变量选择法,用Kennard-Stone(KS)法划分训练集和预测集,偏最小二乘(PLS)回归近红外光谱建模,对蜂蜜pH值和酸度进行定量分析。pH值和酸度校正模型的交互验证决定系数(Rcv2)、交互验证均方差(RMSECV)、预测集决定系数(Rp2)、预测均方差(RMSEP)分别为0.8516和0.8723、0.1214和2.1734、0.8205和0.8250、0.1196和2.4674。结果表明,该方法适于蜂蜜pH值的测定,而不宜用于测定蜂蜜酸度。

基于Python技术的自然图像随机数生成设计

根据随机数验证图形散乱无序这一特征,反演随机数列。大自然中有许多景象,我们从中随机提取一幅或多幅图像。利用Python语言,通过高斯模糊将黑白图像的黑白点均匀化,利用斐波那契数列多次提取等方法,得到一组或多组随机数,最后经过蒙特卡洛π验证,证明这组数是随机数。

基于CARS变量选择方法的小麦硬度测定研究

为满足快速测定小麦硬度的需求,实现对未知小麦样本硬度的快速、无损检测,建立了小麦硬度预测模型。利用蒙特卡洛交叉验证统计规律对小麦硬度光谱数据进行识别,剔除异常样本。为获得具有代表性的小麦硬度预测集和校正集,基于光谱理化值共生距离法对小麦光谱数据进行集合划分,并获得预测集样本。对光谱数据进行一阶导数预处理,消除获取的小麦光谱数据中包含的高频噪声、基线漂移、样本背景等无关信息,减弱了各非目标因素对检测模型的影响。基于竞争性自适应重加权算法,筛选对模型有用的波长变量,从而提高预测模型的稳定性和预测性。建立偏最小二乘法的小麦硬度预测模型(CARS-PLS模型),该模型评价参数预测相关系数(R)和预测均方根误差(RMSEP)分别达到0.8843和0.5436,表明基于近红外光谱的CARS-PLS预测模型能够准确预测小麦硬度。

基于无信息变量消除法的水稻种子发芽率测定

为了解决常规的水稻种子发芽率测定方法存在的试验周期长且操作繁琐等问题,实现水稻种子发芽率的快速检测。本研究以黑龙江省五常市五优稻四号粳稻种子为研究对象,首先将7组种子样本(每组60个样本,共计420个样本)置于温度为45℃,湿度为90%的环境中分别进行为期0d、1d、2d、3d、4d、5d、6d的不同时段的人工老化,然后采集每个水稻种子样本的光谱数据后进行发芽试验。对光谱数据使用蒙特卡洛交叉验证法进行异常样本剔除,并应用UVE法对全光谱数据进行特征波长选择,使光谱数据由全光谱的1845个数据点缩减为524个数据点,最后建立PLSR预测模型。所建模型的预测集决定系数R 2为0.8170、RMSEP为2.1830。试验结果表明,经UVE法降维后建立PLSR模型的各项参数均优于全光谱模型,因此,UVE特征波长选择算法为提高水稻种子发芽率测定模型的预测能力提供了一种新的途径。

改进关键链法在重卡换电站施工进度中的研究

重卡换电站项目具有土建与电气工序交叉并行、各类技术接口高度整合及人材机资源密集消耗的特点,而传统的关键路径法未能充分考虑资源约束,进度计划和控制易出现负偏差,进而引发项目延期问题,提出一种改进的关键链法。采用序偶亏值定理和重心定理,结合资源约束优化关键链识别;结合工序安全时间、工序位置权数和风险偏好度优化缓冲区设置;实施三色缓冲区动态监控及采取积极应对措施。在某重卡换电站项目进度控制中应用该方法,将工期从82d缩短到73~75.4d。通过蒙特卡洛模拟和敏感度分析,验证应用改进关键链法优化进度计划具有科学性和精确性,有利于提高进度管理成效。

血糖近红外光谱分析中奇异样本去除方法研究

血糖浓度的近红外光谱分析中,奇异样本的存在会影响多元校正模型的精度。本研究建立了基于蒙特卡洛交互验证法(MCCV)的奇异样本去除方法,通过人体离体血浆实验和人体在体试验,验证了该方法在血糖近红外光谱分析中的应用效果,并与基于改进的无信息变量消除的无信息样本去除方法(MUVE-USE)进行了比较研究。实验结果表明,基于MCCV的奇异样本去除方法,除了与MUVE-USE一样可去除由于粗大误差(如样品损坏)或系统误差(如仪器漂移)产生的奇异样本外,还能同时去除对模型精度有影响的由于不确定原因产生的随机误差等奇异样本。去除多种奇异样本后建立的多元校正模型的精度明显提高。