基于蒙特卡洛变量组合集群分析法的小麦蛋白质近红外光谱变量选择

小麦是我国重要的粮食之一,提高对小麦蛋白质含量预测的精准性对保证小麦质量具有重要的意义。采用不同地区的小麦共93个样本近红外光谱与化学值作为建模数据。首先利用小波包(WTP)对光谱信号进行降噪处理,消除外界噪音信号对光谱的影响。其次利用蒙特卡洛变量组合集群分析法(MC-VCPA)进行变量选择,最后利用偏最小二乘法(PLS)建立小麦蛋白质预测模型,并对预测集样本进行预测。对比其他的建模方法,MC-VCPA所选择的10个特征变量代替了全光谱256个变量,预测均方根误差(RMSEP)值由0.4974降低到0.3295,提高了33%,优于其他建模方法。结果表明,基于MC-VCPA的近红外光谱分析方法对小麦蛋白质含量进行定量分析是可行的。

基于自加权变量组合集群分析法的近红外光谱变量选择方法研究

变量选择技术是光谱建模的重要环节。本研究提出了一种新的变量选择方法——自加权变量组合集群分析法(AWVCPA),首先通过二进制矩阵采样法(BMS)对变量空间进行采样;其次通过对变量出现频率(Fre)和偏最小二乘回归系数(Reg)两种信息向量(IVs)做加权处理,得到了每个光谱变量的贡献值,进而考虑到了Fre和Reg两类IVs对于光谱建模的影响;最后通过指数衰减函数(EDF)删除贡献小的波长点,进而实现特征变量选取。以啤酒和玉米两组近红外光谱数据为例,基于偏最小二乘法(PLS)建立啤酒中酵母浓度预测模型和玉米中油浓度预测模型,对比其它变量选择方法。研究表明,在相同条件下,基于AWVCPA变量选择方法建立的预测模型都取得了最优的预测精度,对啤酒中酵母浓度的预测,相比全光谱PLS模型,RMSEP由0.5348下降到0.1457,预测精度提高了72.7%;对玉米含油量的预测,相比全光谱PLS模型,预测均方根误差(RMSEP)由0.0702下降到了0.0248,预测精度提高了64.7%。

基于变量组合集群分析法的小麦蛋白质近红外光谱变量选择方法研究

为了解决小麦蛋白质的近红外光谱信息复杂、共线性严重及全光谱建模的预测能力不足等问题,采用一种新的变量选择方法——变量组合集群分析法(VCPA)对小麦蛋白质的近红外光谱进行特征波长选取。首先利用二进制矩阵采样策略(BMS)和指数衰减函数(EDF)删除无信息变量,优选小麦中蛋白质近红外特征波长,然后结合偏最小二乘法(PLS)建立预测模型。与其他变量选择方法相比,VCPA所选用的波长点最少,模型的预测能力最强,VCPA算法所采用的BMS变量采样策略弥补了蒙特卡洛采样方法的不足。研究结果表明,VCPA算法可以有效选择小麦蛋白质近红外光谱特征波长,提高预测模型的可靠性和适用性。

基于CC-MPA特征优选算法的小麦条锈病遥感监测

为了弥补一次性建模分析的缺陷,提高小麦条锈病遥感监测模型的运行效率和精度,根据模型集群分析(Model population analysis,MPA)算法的特点,综合利用光谱区间选择算法和光谱点选择算法的优势,提出了一种联合相关系数(Correlation coefficient,CC)与MPA的特征变量优选算法。在利用CC算法对全波段光谱进行特征变量选择的基础上,分别利用基于MPA思想开发的竞争性自适应重加权采样法(Competitive adaptive reweighted sampling,CARS)和变量组合集群分析法(Variable combination population analysis,VCPA)进一步优选对小麦条锈病敏感的特征变量,并利用偏最小二乘回归(Partial least squares regression,PLSR)算法构建了小麦条锈病遥感监测的CC-CARS和CC-VCPA模型。结果表明:联合CC MPA算法优选的特征变量构建的CC-CARS和CC-VCPA模型精度均高于CC、CARS和VCPA算法。3组验证集样本中,CC-CARS模型预测病情指数(Disease index,DI)与实测DI间的R^(2)_(V)较CC模型和CARS模型至少分别提高了6.78%和6.66%,RMSEV至少分别降低了15.31%和10.98%,RPD至少分别提高了18.08%和12.34%。CC VCPA模型预测DI与实测DI间的R^(2)_(V)较CC模型和VCPA模型至少分别提高了9.58%和0.73%,RMSEV至少分别降低了20.78%和3.86%,RPD至少分别提高了26.22%和4.02%。基于CC-MPA的光谱特征优选算法是一种有效的特征选择方法,尤其是利用CC-VCPA方法选择的特征变量数更少,模型预测效果更好,研究结果对光谱特征优选及提高作物病害遥感监测精度具有重要的参考价值。

饲料中粗脂肪和粗纤维含量的近红外光谱快速分析

采用近红外光谱(NIRS)结合偏最小二乘(PLS)方法,实现对饲料中粗脂肪和粗纤维的快速定量分析。采用Norris-Williams平滑求导(NW)和多元散射校正(MSC)方法对光谱进行预处理;蒙特卡罗无信息变量消除法(MCUVE)、变量组合集群分析法(VCPA)和区间变量迭代空间收缩法(iVISSA)用于光谱变量选择和优化;PLS用于光谱校正模型的建立,采用校正集相关系数(R_c)、交互验证均方根误差(RMSECV)、预测集相关系数(R_p)和预测集均方根误差(RMSEP)评价模型。光谱预处理中经MSC处理后的光谱模型优于其他预处理方法,其RMSECV和RMSEP值都减小,R_c和R_p值都增大。脂肪定量分析中,原始光谱模型的RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.20和0.88,变量数(V_n)为1 501;经MCUVE方法选择变量后建立的定量模型,其RMSECV和R_c为0.17和0.92, RMSEP和R_p为0.19和0.89,V_n为400个;经VCPA选择变量建立PLS定量模型,其RMSECV和R_c为0.21和0.87, RMSEP和R_p为0.25和0.81,V_n为12;经iVISSA选择变量后的模型,其RMSECV和R_c为0.21和0.86, RMSEP和R_p为0.20和0.87,V_n为20。粗纤维定量分析中,原始模型的RMSECV和R_c为0.28和0.91, RMSEP和R_p为0.25和0.95,V_n为1 501;经MCUVE选择后的模型,其RMSECV和R_c为0.23和0.95, RMSEP和R_p为0.23和0.94,V_n为740;经VCPA选择变量后的模型,其RMSECV和R_c为0.27和0.91, RMSEP和R_p为0.30和0.91,V_n为11;经iVISSA选择后变量的模型,其RMSECV和R_c为0.29和0.90, RMSEP和R_p为0.27和0.93,V_n为20。结果表明, MSC方法可以有效提高光谱质量,消除光谱平移误差;MCUVE变量选择方法可以简化模型提高模型精度和稳定性,建立最优模型。在粗脂肪的定量分析模型中, MSC处理后的光谱经过MCUVE选择后剩余400个变量,R_c和R_p相较于全谱模型提高了0.05和0.01, RMSECV和RMSEP分别降低到了0.17和0.19;经VCPA和iVISSA选择变量的模型其结果与全谱模型相似,但其变量分别只有12和20个。在粗纤维模型中,经MCUVE选择后740个变量用于建立PLS模型,其R_c和R_p为0.95和0.94, RMSECV和RMSEP分别为0.23和0.23;VCPA和iVISSA分别运用11和12个变量建立回归模型,但结果都比MCUVE模型差。利用饲料近红外光谱建立MSC-MCUVE-PLS模型可以有效对饲料粗脂肪和粗纤维进行定量分析。

木材抗拉强度的近红外光谱MC-UVE-IVSO建模方法

木材抗拉强度是评价木材力学性质的重要指标。针对近红外光谱建模中样本数据量小、波长信息冗余所导致预测模型精度低的问题,提出一种基于模型集群分析MC-UVE-IVSO波长优选的木材抗拉强度建模方法。以桦木为例,选取150个桦木样本作为实验对象,首先使用900~1700 nm波段的近红外光谱仪采集试件光谱数据,并采用力学试验机获得相应的抗拉强度真值;然后对采集的光谱数据运用多元散射校正(MSC)、一阶求导和卷积平滑(SG)相结合的方法进行预处理,完成光谱平滑滤波;分别采用变量组合集群分析算法(VCPA)、蒙特卡罗无信息变量消除法(MC-UVE)、迭代变量子集优化算法(IVSO)及MC-UVE-IVSO组合优化算法进行波长筛选,并对比优选波长结果;最后在优选近红外波长基础上,建立桦木抗拉强度的偏最小二乘预测模型(PLS)。实验结果表明:基于MC-UVE-IVSO算法优选波长的PLS模型,光谱变量数由512减小到98,优选波长占总波长的19%,其预测决定系数R^(2)为0.94,预测均方根误差RMSEP为7.50,性能偏差比RPD为3.16,相比于全波段、MC-UVE、VCPA、MC-UVE-VCPA与IVSO相应的R^(2)(0.92、0.93、0.82、0.87、0.93)、RMSEP(17.91、11.7、14.91、12.12、8.47)和RPD(2.81、2.91、2.25、2.28、2.78)均有不同程度提升;通过统计特征波长所建立的预测模型箱形图,进一步证明了MC-UVE-IVSO算法在处理多变量波长的稳定性。实验结果表明,MC-UVE方法可以消除与建模不相关的多数变量,而IVSO算法能有效搜索出最优变量子集,基于MC-UVE-IVSO的光谱优选算法提升了木材抗拉强度预测模型的准确性和稳定性,为木材近红外光谱的无损、快速与精准检测提供了一定的理论基础。

山茶油中油酸和亚油酸近红外光谱分析模型

将近红外光谱分析技术结合化学计量学方法用于山茶油混合油品中油酸和亚油酸含量的快速检测。配制了76种山茶油混合油样本用于近红外光谱的采集,将不同的光谱预处理方法用于光谱有效信息的提取;将蒙特卡罗无信息变量消除(MCUVE)和变量组合集群分析(VCPA)方法用于建模变量的选择;将偏最小二乘回归(PLSR)用于脂肪酸含量定量分析模型的构建。结果表明:经NWD1st-MSC预处理后,两种脂肪酸的近红外光谱的较正均得到最好的结果;采用基于VCPA的变量优选方法极大地改善了模型精度,实现了建模变量数量的有效压缩。对于油酸模型,建模变量数量由1501减少为7,交叉验证均方根误差和校正相关系数分别为1.107和0.984,预测均方根误差和测试集的预测相关系数分别为1.178和0.981;对于亚油酸模型,建模变量数量由1501减少为8,交叉验证均方根误差和校正相关系数分别为0.089和0.987,预测均方根误差和测试集的预测相关系数分别为0.105和0.982。近红外光谱分析技术结合NWD1st-MSC-VCPA-PLSR的方法为山茶油混合油品中脂肪酸含量的测定提供了一种快速简单的分析方法。