蒙特卡罗无信息变量消除方法用于近红外光谱预测果品硬度和表面色泽的研究

近红外光谱(NIRS)分析方法用于梨的硬度和表面色泽的无损快速定量分析,提高了分析方法的预测精度,消除无信息建模变量对模型稳定性的影响。分别采用蒙特卡罗无信息变量消除(Monte Carlo unin-formative variables elimination,MC-UVE)和基于小波变换(wavelet transform,WT)的蒙特卡罗无信息变量消除(WT-MC-UVE)方法对梨的硬度和表面色泽的建模变量进行筛选。结果表明,对于硬度模型,采用WT-MC-UVE方法,210个变量可以得到和原始光谱(1 451个变量)近似的预测结果;对于表面色泽的预测模型,采用WT-MC-UVE方法后,建模变量减少为220,模型的预测均方根误差从1.06减小为0.90,预测相关系数从0.975提高为0.981。因此,WT-MC-UVE方法可以有效地选择建模变量,既能提高模型的稳定性,又能提高多元校正的预测精度。

基于蒙特卡罗无信息变量消除的烟气指标预测

使用近红外光谱(NIRS)分析方法对烟叶的CO、烟碱、焦油含量进行无损快速定量分析,可以提高分析方法的预测精度,消除无信息建模变量对模型稳定性的影响。在此以烟叶为研究对象,利用蒙特卡罗无信息变量消除方法(MC-UVE)对烟叶的近红外光谱进行了波段点的筛选,并利用筛选出的波段建立PLS校正模型。结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度。

基于无信息变量消除法和连续投影算法的可见-近红外光谱技术白虾种分类方法研究

应用无信息变量消除法结合连续投影算法对可见-近红外光谱区进行有效波长的选择,选择后的波长作为输入变量建立最小二乘-支持向量机模型,对白虾属中三种典型种,脊尾白虾、秀丽白虾和东方白虾进行鉴别分类.实验采用Kennard-Stone算法选取150个样本作为建模集,50个样本作为预测集,通过UVE-SPA优选了数值分别为392、431、517、551、595、627、676、734、760、861、943和1018 nm的12个波长为LS-SVM的输入变量,建立了白虾种分类模型.该模型对50个预测集样本检验的准确率达到了92.00%.结果表明,采用可见-近红外光谱对白虾种进行鉴别是可行的,UVE-SPA能够有效地进行波长选择,使LS-SVM模型获得最优的分类结果.

基于信源信息熵最小的单通道盲源数估计算法

源数会直接影响盲源分离的效果,源数估计问题是盲源分离(BSS)中的一个关键问题。针对此问题提出了一种将信息熵作为统计评价指标的单通道盲源数估计算法,使用信息熵来度量源信号的信息量大小从而确定源数。为了计算估计源信号的信息熵,首先,使用高斯混合模型(GMM)来拟合其分布;其次,基于马尔可夫链蒙特卡罗(MCMC)算法,采样得到服从目标分布的样本,并进行熵的计算;最后,通过最小化估计源信号平均信息熵得到盲源个数。一系列基于仿真数据和真实通信数据的实验表明:所提算法具有较强的鲁棒性,且能以94%的准确率估计出源数,从而验证了算法的有效性。

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。

鸡蛋蛋白pH可见/近红外光谱在线检测信息变量提取研究

利用可见/近红外光谱在线检测鸡蛋品质中的蛋白pH,采用漫反射方式进行光谱采集。采用反向区间偏最小二乘法(BiPLS)和蒙特卡罗无信息变量消除法(MC-UVE)分别优化鸡蛋蛋白pH可见/近红外光谱的信息区间组合及筛选有效建模变量数。经过最优预处理方法一阶导数对光谱进行预处理校正后,BiPLS方法筛选的区间分隔最优数为25,对应信息区间为598.33～617.55nm、636.63～655.58nm、783.25～800.72nm和852.24～885.82nm。利用MC-UVE方法筛选出来的最佳建模变量数为250个,BiPLS模型的Rp为0.827和RMSEP值为0.094;MC-UVE-PLS模型的Rp为0.833和RMSEP值为0.086。结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度。

基于自适应观测模型的移动机器人室内蒙特卡罗动态定位系统研究

针对存在玻璃门、动态行走的行人的环境时,传统的蒙特卡罗移动机器人定位算法因环境噪声的增大致使观测信息剧烈变化导致定位性能下降的问题,提出了一种基于改进的观测模型的蒙特卡罗定位(MCL)算法。该算法通过在观测模型中引入测量失败误差和动态误差提高激光传感器测量数据的有效性,利用激光传感器测得数据匹配已创建的占用栅格地图,检测已知环境是否发生变化,从而改变随机误差、测量失败误差、动态误差对应的权重,降低噪声对测量值的影响,提高在复杂环境下的定位准确性。基于机器人操作系统(ROS)进行了实验,实验结果表明该算法具有较好的有效性。

UCT-RAVE算法在多人非完备信息博弈中的应用

针对传统博弈搜索算法无法适用于多人非完备信息博弈,通过分析UCT-RAVE算法的原理和特性,提出了运用UCT-RAVE算法与蒙特卡罗抽样技术相结合的方法。通过蒙特卡罗抽样技术将非完备信息提取为有一定可信度的完备信息,运用UCT-RAVE算法基于此完备信息进行搜索,结合多次蒙特卡罗抽样下的最佳收益,选择最适行动。实例结果表明了该方法的可行性和有效性。

塑料闪烁体探测器衰减长度特性的蒙特卡罗模拟研究

塑料闪烁体中的光衰减常被用来进行定位和修正信号的大小,对衰减规律的认识关系到一些物理量的测量精度。借助蒙特卡洛算法,系统研究塑料闪烁体衰减长度的影响因素及其影响方式。结合控制变量法,对塑料闪烁体的光学面类型、截面积、反射材料、表面粗糙程度这4类影响因素,逐一进行模拟测量和数据分析,进而得到衰减长度随该因素变化的趋势。然后,创新性的采用区间细分法,将塑料闪烁体按距离划分为若干个等距区间后,比较各区间的衰减长度的分布特性,总结区间细分法衰减长度的一般规律。结果表明,在其他条件相同时,背面涂层的抛光光学面的光收集效果最好,衰减长度随截面积、反射材料系数、表面粗糙度的增大而减小。同时,衰减长度是在闪烁体区间位置方向上不断变化的,并且衰减规律不是简单的指数规律,而是复合型的衰减规律。该模拟研究对塑料闪烁体探测器的实验设计具有较高的参考价值。

基于变量选择的蚕茧茧层量可见-近红外光谱无损检测

以蚕茧茧层量为研究对象,研究了基于可见-近红外光谱技术的蚕茧茧层量无损检测方法。采用最小二乘支持向量机(least square-support vector machine,LS-SVM)建立可见-近红外光谱模型。采用无信息变量消除算法(uninformative variable elimination,UVE)与连续投影算法(successive projections algorithm,SPA)相结合选取光谱有效波长。结果表明,基于UVE-SPA法进行变量选择,最终将原始光谱的600个光谱变量减少到了8个(673,937,963,982,989,992,995和1008nm)。基于此8个变量建立的LS-SVM模型得到了预测集的确定系数(Rp2)为0.5354,误差均方根(RMSEP)为0.0373的预测结果。表明可见-近红外光谱可以用于对蚕茧的茧层量进行无损检测,同时UVE-SPA是一种有效的光谱变量选择方法。

提取近红外光谱有效变量快速检测猪肉挥发性盐基氮

以市售新鲜冷藏(4℃)猪肉为研究对象,采用蒙特卡洛-无信息变量消除算法和连续投影算法对原始近红外光谱的800个波长变量进行提取,共筛选出与挥发性盐基氮含量直接和间接相关的有效波长变量36个,并采用偏最小二乘法构建预测模型,验证集的相关系数和标准偏差分别为0.876 4和1.205 7 mg/100 g。

基于近红外高光谱图像的花生内部霉变快速判别方法研究

目的针对外观正常但内部存在不同程度霉变的花生,探索采用近红外高光谱成像技术结合机器学习方法构建花生内部霉变快速无损判别模型的可行性。方法采集100粒内部霉变和100粒健康花生的近红外高光谱图像构成数据集,将多种经典光谱预处理方法与支持向量机(support vector machine,SVM)组合建立花生内部霉变判别模型,并采用蒙特卡洛-无信息变量消除法(Monte Carlo-uninformative variable elimination,MC-UVE)找出霉变判别中有效的光谱特征波长。结果将Savitzky-Golay卷积平滑方法和二阶求导光谱预处理方法与SVM组合,对内部霉变严重样本判别的总体识别准确率可达95%,对不同程度内部霉变样本的平均识别准确率为88%;基于MC-UVE筛选得到10、5、3个特征波长构建的模型总体识别准确率为90%、85%和82%。结论实验结果表明高光谱技术结合机器学习可为花生内部霉变的快速、无损判别提供可行的解决方案,同时特征波长筛选为基于光电原理的霉变花生色选机系统开发提供了参考。

基于混合学习策略的多Agent信息过滤系统

针对用户个性化服务的要求,给出了一种基于混合学习策略和BP神经网络的多Agent信息过滤系统实现方案。系统采用蒙特卡罗强化学习算法进行多Agent协作学习,同时运用三层BP神经网络计算用户的满意度,根据算出的满意度对用户兴趣模型进行更新。本系统中用户无须反复提供显示反馈,由Agent跟踪并记录用户的浏览行为而得到用户的隐式反馈信息,从而减轻了用户的负担。

变量筛选方法结合局部线性嵌入理论用于近红外光谱定量模型优化

变量筛选策略结合局部线性嵌入(local linear embedding,LLE)理论用于近红外光谱(near infrared spectroscopy,NIRS)定量模型优化。蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination,MCUVE)和连续投影算法(successive projections algorithm,SPA)以及两者结合的变量筛选策略用于NIRS冗余变量的剔除;偏最小二乘回归(partial least squares regression,PLSR)和LLE-PLSR用于复杂样品光谱定量模型的构建。结果表明:MCUVE方法既能有效的提取信息变量,同时可以提高模型的预测精度;LLE-PLSR可以得到比PLSR方法更加准确的定量分析模型;MCUVE结合LLE-PLSR是一种有效的光谱定量分析方法。

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析(PCA)、无信息变量消除(UVE)和无信息变量消除后结合连续投影(UVE-SPA)3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归(PLSR)模型、最小二乘-支持向量机(LS-SVM)、反向传播神经网络(BPNN)和遗传算法优化的反向传播神经网络(GA-BPNN)模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数(R2)、均方根误差(RMSEp)和相对偏差(RPD)分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。

基于MC-UVE、GA算法及因子分析对葡萄酒酒精度近红外定量模型的优化研究

对葡萄酒酒精度偏最小二乘(Partial least squares,PLS)回归模型进行优化研究。使用近红外光谱仪采集葡萄酒样本的光谱数据,用于建立酒精度定量模型,实现在线快速检测。通过蒙特卡罗无信息变量消除(Monte Carlo uninformative variable elimination,MC-UVE)和遗传算法(Genetic algorithm,GA)进行变量选择,基于被选择的变量分别进行PLS和因子分析(Factor analysis,FA),建立回归模型。结果表明,MC-UVE-GA-FAR模型预测集相关系数(R2)为0.946,预测均方根误差(Root mean square error of prediction,RMSEP)为0.215,效果优于MC-UVE-GA-PLS模型。与基于全范围光谱所建PLS回归模型相比,模型效果有所提升,而且模型所选变量个数仅为6,极大地简化了模型。MC-UVE和GA算法与FA分析结合可以实现模型的优化。

猪配合饲料多品质近红外光谱关键变量筛选与模型建立

目的基于饲料近红外光谱数据筛选影响猪配合饲料主要品质指标的关键波长变量,从而建立饲料品质无损快速定量校正模型,进而提高饲料品质无损快速检测效率。方法采集饲料样品近红外光谱数据并获取水分、粗蛋白、粗脂肪、粗纤维参考值数据;剔除异常值后采用基于联合X-Y距离样本集划分法(sample set partitioning based on joint X-Y distance, SPXY)划分校正集和外部验证集;基于校正集数据采用蒙特卡罗-无信息变量消除-连续投影算法分别针对4个品质指标筛选25、20、15、10、5个关键变量,分别建立校正模型并对外部验证集进行预测。结果针对饲料水分、粗蛋白、粗脂肪、粗纤维所选关键变量个数分别为15、25、15、15,模型维数分别为9、11、10、9,测定系数分别为0.8288、0.8605、0.9338、0.8327,校正均方根误差分别为0.17、0.81、0.31、0.22,交互验证均方根误差分别为0.19、0.93、0.34、0.23,相对预测性能分别为2.79、2.38、4.01、2.89。结论通过变量筛选结合外部验证结果表明,在保证模型准确度的前提下,所选关键变量数明显少于全谱变量数,可为提高饲料多品质无损快速定量检测工作效率提供一定的参考。

共线双脉冲LIBS结合变量筛选定量检测腐霉利含量

腐霉利(Procymidone)作为一种新型的农产品杀菌剂,具有防止农产品受病虫害的作用,但其在施药过程中容易使用不当危害环境和人的健康。为加强对腐霉利农药的检测,本研究应用共轴双脉冲激光诱导击穿光谱技术(LIBS)对溶液中的腐霉利含量进行定量检测研究。为配置不同浓度的腐霉利样品,将有效成分含量为98%腐霉利粉末与二甲苯按照不同比例混合并完全溶解。由于液体样品在激光击打的过程中容易将液体溅出,具有一定的危险性。因此,实验将液体样品转化为固体样品,利用石墨吸附腐霉利溶液,然后采用八通道高精度光谱仪采集样品的LIBS光谱,并利用不同预处理方法对光谱数据进行预处理。为提高腐霉利的检测精度,选择氯元素信号最强的两通道(744.555～935.843,893.107～1 057.058nm)光谱数据,分别采用归一化函数(normalization)、基线校正(baseline correction)、标准正态变量变换(SNV)、多元散射校正(MSC)方法进行光谱预处理,并应用PLS方法建模。通过比较各预处理方法数据后,综合考虑,选择Baseline方法为最佳预处理方法。在baseline预处理方法的基础上使用无信息变量消除算法(UVE)联合竞争性自适应重加权采样(CARS)算法剔除无信息的波长变量,筛选与腐霉利相关的重要波长变量,最后应用偏最小二乘回归建立溶液中腐霉利含量的定量预测模型。建模结果表明:经光谱预处理和UVE-CARS方法优选后,可将原4096个波长变量个数减少至13个,变量压缩率为99.68%;经UVE-CARS变量优选后建立的PLS模型的校正集的决定系数和均方根误差分别为0.990 5和0.66,预测集的决定系数和均方根误差分别为0.990 3和0.67,其模型性能优于原始光谱建立的PLS模型。结果表明,利用共轴双脉冲LIBS技术定量检测溶液中的腐霉利含量具有一定的可行性,经UVE和CARS方法筛选后可以有效提取腐霉利的特征变量及相关影响变量,剔除冗余及噪声影响变量,简化定量分析模型且提高了定量分析模型的稳定性。

基于预期收益策略与UCT的德州扑克算法

针对虚拟遗憾最小化算法和传统上限置信区间算法等过于依赖领域知识或者需要大量对局记录训练的问题,以二人无限注德州扑克为研究对象,提出了基于预期收益策略的改进UCT算法。首先,使用蒙特卡罗方法即多次随机生成对方底牌和未知公共牌,然后比较双方牌型大小,计算己方胜率;其次,根据己方胜率和己方动作下注量计算预期收益并根据每个动作的预期收益,选择一个最大的动作作为下一步;最后,根据己方胜率与对手下注量评估对手胜率,从而将预期收益策略作为对手策略模型应用在传统UCT算法中。在开局筹码量为20 000的情况下,改进后的UCT算法与基于预期收益策略实现的德州扑克程序THPZZ进行100局的对弈,平均每局赢得的筹码量为655,水平显著高于THPZZ。

二重积分的蒙特卡罗数值算法

研究了二重积分的蒙特卡罗高精度求解算法,理论上对比了它们基于相同样本量的计算精度.结合MATLAB语言进行了算例分析,给出了可推广的一般化的蒙特卡罗算法程序.