基于迁移成分分析的近红外光谱定量分析通用模型

在近红外光谱定量分析中,由于光谱数据采集设备和环境条件的不同,已有模型在使用到不同设备或不同环境时会出现预测精度低的现象。为了增强定量分析模型的普适性和通用性,提高模型的预测精度,提出一种基于改进的迁移成分分析转移方法(TM-TCA)的近红外光谱定量分析通用模型构建策略。改进的迁移成分分析方法采用二次校正策略,通过对从机光谱数据的两次校正,改善由于仪器偏移、漂移或不稳定性引起的光谱差异性,确保数据的一致性和准确性,消除仪器不同或外界条件影响产生的偏差,使校正后的从机光谱数据特征尽可能接近主机光谱,以此增强模型对从机光谱的预测能力。首先求出主机与从机光谱转换矩阵,通过转换矩阵进行待测样品的一次校正,缩小主机与从机样品间受外界条件因素产生的差异性。将经过转换矩阵转换后的主机-从机光谱数据矩阵作为迁移成分分析方法的输入。接下来,基于多指标综合迭代优化选择迁移学习中的核函数和特征值个数的基础上构建定量分析通用模型。为了验证迁移成分分析改进效果,与多种方法的转移效果进行比较。通过优化分析选择RBF核函数,特征值个数为52,实验表明,基于TM-TCA的光谱校正率达到97.1%,光谱平均差异(ARMS)与转移前相比下降了82.9%,比TM和TCA方法分别降低了46.5%和30.2%。为了验证模型构建策略的有效性,构建基于TM-TCA和偏最小二乘回归(PLSR)的玉米水分定量分析通用模型,并对不同设备条件下的模型通用性进行分析。TM-TCA-PLSR模型的预测效果与TCA-PLSR模型的预测效果相比较,模型的预测决定系数达到了0.8729,提升了41%,预测均方根误差(RMSEP)和平均绝对误差(MAE)分别为0.1543和0.1159,均降低了90%以上,并且TM-TCA-PLSR模型相对分析误差(RPD)值超过了2.5,模型具有实际应用的价值。表明了TM-TCA转移方法能有效减少主机和从机光谱之间的差异性,基于TM-TCA和PLSR的主机模型具有一定的通用泛化能力。

基于迁移成分分析的火星LIBS光谱数据定量分析方法

火星土壤中的元素成分及其含量是地质演化历史的重要记录载体,可以反映火星环境、气候等信息,因此对火星土壤进行检测和分析具有重要意义。本研究提出了一种迁移成分分析(TCA)结合随机森林(RF)的LIBS定量分析方法,用于预测火星在轨标样的K_(2)O质量分数。选取了383种标样在模拟火星环境下的光谱数据作为训练集,6种在轨标样在真实火星环境下的光谱数据作为测试集。使用训练集建立决策树为250棵的RF模型,其平均绝对误差(E_(MA))、均方根误差(E_(RMS))和平均相对误差(E_(MR))分别为1.117、1.148和10.104,预测性能较差。为了缩短训练集和测试集光谱数据之间的分布距离,建立TCA-RF模型并调整参数。相较于RF模型,TCA-RF模型的E_(MA)、E_(RMS)和E_(MR)分别降低了90.7%、88.1%和94.1%。而与参考模型MOC(一种偏最小二乘法结合独立成分分析的模型)对比,TCA-RF模型在预测测试集中K_(2)O质量分数≥0.15%的样品时,其准确性高于MOC模型。因此TCA-RF模型可以为探测火星土壤元素含量提供新的技术手段。

迁移成分分析结合直接校正的模型传递方法

近红外光谱因快速、不破坏样品等优点,被广泛应用。近红外光谱仪之间存在一致性现象会导致主机模型预测其从机仪器光谱时准确度不够,如果重新建模则会成本较高。为解决上述问题,提出了一种迁移成分分析直接校正算法(TCADS),首先采用改进后的TCA算法对服从不同分布的主机光谱和从机光谱进行变换,将其映射到高维的再生核希伯尔特空间,再将两者的光谱矩阵进行降维,最后对经过TCA变换后的主机光谱和从机光谱再次采用直接校正算法,进一步提高模型传递性能。该算法将非线性校正与线性校正相结合,相比于传统的线性校正算法有效缓解了过校正问题,具有较好的鲁棒性。为验证算法有效性,在公开数据集进行实验,并与传统的直接校正法(DS)、分段直接校正法(PDS)、斜率偏差校正法(SBC)进行比较。研究表明所提出的TCADS算法有效降低了不同仪器之间的光谱差异,相比于传统的模型传递算法进一步提高了模型传递效果,实现了主机上建立的近红外光谱模型在从机上共享。

基于无监督迁移成分分析和深度信念网络的轴承故障诊断方法

针对轴承故障样本少导致识别精度低的问题,提出一种基于无监督迁移成分分析(unsupervised transfer component analysis,UTCA)和深度信念网络(deep belief network,DBN)的故障诊断方法。首先利用UTCA的核函数将不同工况样本特征映射到一个共享再生核Hilbert空间中,使得源域和目标域样本集更加相似,并通过最大均值偏差嵌入法(maximum mean discrepancy embedding,MMDE)判断能够迁移的源域数据,将源域样本迁移到目标域中,为深度学习提供充足的训练样本,解决了实际故障样本较少的问题;然后采用DBN模型对源域样本进行训练,再对映射后无标记的目标域样本进行故障诊断分析。利用不同工况下的滚动轴承实验数据进行算法验证,结果表明,与普通DBN、SVM、BPNN以及传统机器学习-UTCA融合方法相比,本文方法对滚动轴承故障的诊断精度更高。

基于迁移成分分析的发酵过程集成软测量建模

青霉素发酵过程具有不确定性和多阶段等特点,不同批次发酵过程间存在工况差异,过程数据的分布不一定相同,使传统软测量模型性能下降。结合迁移学习策略和高斯混合模型,提出一种基于迁移成分分析的多模型集成软测量建模方法。该方法使用迁移成分分析求解样本间共享特征映射矩阵,适配建模过程数据与待测数据的边缘概率分布;并基于高斯混合模型对建模数据进行聚类划分,与偏最小二乘算法结合建立子模型的集成模型,完成对主导变量的预测。基于青霉素平台数据的仿真结果表明,所提方法不仅能够有效提高青霉素发酵过程软测量模型的精度,而且适应于变工况下青霉素浓度的预测。

基于迁移成分分析和支持向量机的肝移植并发症预测方法

已有很多机器学习算法能够很好地应对预测分类问题,但这些方法在用于小样本、大特征空间的医疗数据集时存在着预测准确率和F1值不高的问题。为改善肝移植并发症预测的准确率和F1值,提出一种基于迁移成分分析(TCA)和支持向量机(SVM)的肝移植并发症预测分类方法。该方法采用TCA进行特征空间的映射和降维,将源领域和目标领域映射到同一再生核希尔伯特空间,从而实现边缘分布自适应;迁移完成之后在源领域上训练SVM,训练完成后在目标领域上实现并发症的预测分析。在肝移植并发症预测实验中,针对并发症Ⅰ、并发症Ⅱ、并发症Ⅲa、并发症Ⅲb、并发症Ⅳ进行预测,与传统机器学习和渐进式对齐异构域适应(HDA)相比,所提方法的准确率提升了7.8%~42.8%,F1值达到85.0%~99.0%,而传统机器学习和HDA由于正负样本不均衡出现了精确率很高而召回率很低的情况。实验结果表明TCA结合SVM能够有效提高肝移植并发症预测的准确率和F1值。

基于迁移成分分析的跨域轴承故障分类方法研究

针对部分轴承故障样本稀少、源域和目标域数据存在分布差异、缺乏良好的跨域特征表示,从而导致分类性能退化、故障辨识精度低等问题,提出了一种基于迁移成分分析的域自适应轴承智能故障诊断方法。首先,建立了一个新型特征表示;然后,通过一个用特征提取方法得到的参数核实现域自适应,将数据投射到已学习的迁移成分,让源域和目标域样本在特征子空间上的最大均值差异最小化,得到了一个降维的特征子空间,由此显著地缩小了域分布间的距离,实现了从源域到目标域的跨域特征信息迁移;最后,通过实验对所提出的故障诊断方法的有效性进行了验证。研究结果表明:所提方法的最高分类精度达到95%,平均测试准确度达到81%,比常用分类方法的准确率提升了70%左右;所提算法可以减少域分布差异和标签噪声的影响,正确、有效地对小样本数据进行分类,检测出滚动轴承的健康状态。

基于迁移成分分析和词包模型的变工况轴承诊断方法

针对不同工况下的数据无法直接训练并用于检测的问题,提出一种基于迁移成分分析和词包模型的诊断算法,对于用作训练的有标签源域数据和用作检验诊断的无标签目标域数据。首先使用短时傅里叶变换将两者转换为频域数据,其次通过迁移成分分析将两者的频谱能量映射到同一分布以建立相应的词包模型作为数据的特征,最后在源域数据的词包模型上训练出合适的分类器从而进行诊断。在西门子SQI-MFS平台实验数据集、凯斯西储大学公开数据集及机械故障预防技术协会MFPT(machinery failure prevention technology)数据集下的实验结果表明该算法是有效的。

基于迁移成分分析的雷达辐射源识别方法研究

针对目前雷达辐射源识别技术难以对新出现的雷达信号进行有效识别的问题,将迁移学习理论引入识别系统,提出一种基于迁移成分分析的雷达辐射源识别方法。通过设置统一的核函数将不同样本集映射到同一隐藏空间,在隐藏空间对支持向量机进行训练并对测试样本进行识别。仿真实验表明,该方法能够对新的雷达辐射源信号的工作模式进行有效识别,并且在一定测量误差下保持较高识别率。

基于无监督迁移成分分析和支持向量机的故障分类方法

针对因源域和目标域数据存在分布差异及故障样本缺乏影响故障分类准确度的问题,构建了基于无监督迁移成分分析—支持向量机(UTCA-SVM)的故障分类模型。首先,将不同工况的样本特征映射到Hilbert核空间;然后,通过最大均值差异(MMD)来度量迁移的源域样本数据,实现从源域到目标域的跨域特征信息迁移;最后,通过实验对所提故障分类方法进行验证。实验结果表明:所提方法与主成分分析—支持向量机分类模型(PCA-SVM)和SVM分类模型相比,能够减少域分布差异以更准确的进行样本数据分类,进而准确地检测出滚动轴承的故障状态。

基于迁移成分分析的传动轴承故障诊断研究

针对深度学习模型的传动故障诊断样本量不足的问题,提出了一种基于迁移成分分析和卷积神经网络的轴承故障诊断方法。对采样的轴承数据依据转速进行分帧形成数据集,将数据映射到高维希尔伯特空间,基于数据边缘分布差异最小原则构建迁移特征集,再将特征集导入多层卷积神经网络等多种判别器实现轴承的跨工况故障诊断。结果表明:搭建的模型上具有较高的跨工况域故障诊断准确率,可满足轴承故障诊断的要求,为跨工况条件下轴承的故障检测提供新的思路。

基于迁移成分分析的库岸跨区域滑坡易发性评价

考虑到滑坡编录制作的耗时性,建立一种“可迁移”的滑坡易发性模型已越发重要.合理利用现有完整滑坡数据地区的样本集对无样本区域进行易发性预测具有重要意义.运用迁移成分分析(transfer component analysis,TCA)方法,结合深度学习卷积神经网络(convolutional neural network,CNN),尝试引入一种基于迁移学习域自适应方法的TCACNN模型,并以福建省两个库岸地区为例,提取11个库岸相关环境因子建立滑坡空间数据库,将有样本的池潭库区易发性模型迁移至无样本的棉花滩库区进行预测,实现跨区域滑坡易发性评价.通过对棉花滩库区进行易发性预测,结果显示:(1)采用TCA方法处理后的不同研究区数据最大均值差异(maximize mean discrepancy,MMD)明显降低(0.022),数据实现近似同分布;(2)TCA-CNN模型的跨区域预测精度为0.854,高于CNN模型(0.791),且通过历史滑坡验证其落入高、极高易发性区间的滑坡频率比占比最高(89.1%);(3)受试者工作特性(receiver operating characteristic,ROC)曲线下面积TCA-CNN模型为0.93,高于CNN模型的0.90.可见TCA-CNN模型能够有效运用建模区的样本数据实现对无样本区域的易发性评价,且相比于传统机器模型在进行跨区域预测时具有更高、更稳定的预测准确率,具备更强的泛化能力.

基于样本局部判别权重的加权迁移成分分析

鉴于迁移成分分析(TCA)忽略了样本间的局部信息差异性,提出一种基于样本局部判别权重的加权迁移成分分析.首先,通过对局部近邻圆内样本分布情况的分析,为共享特征子空间中的每个样本均设计一个局部判别权重;然后,通过将局部判别权重与最大均值差异相结合构造的分布差异矩阵引入进TCA的目标函数中,从而体现样本对维持局部结构的贡献度差异;最后,结合联合分布调整和线性判别分析,使算法不仅能够同时缩小领域间的边缘分布差异和条件分布差异,而且能够提高算法的类间可分特性.36组跨领域图片数据集上的实验结果表明,所提算法能够获得65.67%的平均分类精度.

双黄连颗粒制备过程中金银花-连翘成分迁移研究

目的全面评价双黄连颗粒制备过程中金银花、连翘成分迁移情况,明确影响其质量的关键工序。方法采用HPLC建立金银花-连翘水提液指纹图谱及同时测定绿原酸、连翘苷、连翘酯苷A的方法,对金银花-连翘工艺过程(包括提取、提取液浓缩、醇沉、醇沉液浓缩、干燥)进行相似度及3个指标成分含量比较分析。结果金银花-连翘水提液指纹图谱中确定18个共有峰,通过对照品指认出7个峰,10批水提液指纹图谱与对照指纹图谱的相似度在0.745~0.991,5个工艺过程指纹图谱相似度在0.999~1.000。绿原酸、连翘苷及连翘酯苷A均在提取环节损失较大,其次为醇沉、干燥、浓缩。结论药材质量、醇沉及干燥工序对金银花、连翘指标成分影响较大,生产中应对药材来源及醇沉、干燥工艺参数进行严格控制,为含金银花、连翘的中药制剂工艺质量控制提供参考。

基于迁移模糊系统的短期电力负荷预测建模

针对电力负荷数据缺失导致预测精度降低的问题,本文提出基于TSK迁移模糊系统(TSK-TFS)结合变分模态分解(VMD)、迁移成分分析(TCA)和改进斑马优化算法(IZOA)的短期电力负荷预测模型(IZOA-VMD-TSK-TFS-TCA)。首先利用VMD将电力负荷数据分解为若干子序列,并利用TCA将与电力负荷相关的因素降维;其次对斑马优化算法进行改进,利用改进后的斑马优化算法(IZOA)对TSK-TFS的参数寻优,并利用减法聚类算法得到聚类个数,把源域中的数据输入TSK模糊系统训练得到前件参数和后件参数并保留,继承参数并利用一部分目标域数据训练得到后件参数;最后根据得到的后件参数并经过计算得到测试集(另一部分目标域数据)若干子序列的预测值,将各个子序列的预测值叠加得到短期电力负荷的预测值。仿真实验结果表明,本文提出的IZOA-VMD-TSK-TFS-TCA短期电力负荷预测模型具有较高的预测精度,经过统计检验也证实了该模型具有较优的预测性能。

百里香精油成分对壳聚糖膜结构特性的影响及其迁移机制

为探究百里香精油成分百里香酚、芳樟醇和石竹烯从壳聚糖膜中的迁移机制,对其构建的壳聚糖复合膜物理性能、抗菌性能、迁移特性和化学结构进行研究。结果表明,百里香精油、百里香酚和石竹烯均提高了壳聚糖膜的阻水性,其中石竹烯的水蒸气透过率比对照下降了15.04%,并且,百里香酚和石竹烯也降低了复合膜的膨胀度(下降24.31%和11.64%)和断裂伸长率(下降13.46%和27.88%),但显著(P<0.05)提高了壳聚糖膜的抗菌性,以百里香精油复合膜抗菌效果最好。所有精油成分均增加了壳聚糖膜的吸热峰温度,提高了复合膜的热稳定性。此外,复合膜中精油成分在蒸馏水中的迁移速率快于95%乙醇,百里香酚的迁移速率最快,其次是精油和石竹烯,而芳樟醇迁移最少。傅立叶变换红外光谱显示,壳聚糖与百里香精油、百里香酚、石竹烯之间存在强烈的氢键相互作用。研究为深入探究壳聚糖精油复合膜的性能和结构差异提供了参考。

纸和纸板抗菌成分迁移测试的分析研究

出口欧盟的纸和纸板需要经过ISEGA认证,在ISEGA认证中包括纸和纸板抗菌成分迁移测试(EN1104)、FDA检测项目,本文主要介绍纸和纸板抗菌成分迁移测试的基本方法原理以及相关影响因素。

基于特征迁移学习的变工况下滚动轴承故障诊断方法

针对滚动轴承尤其是变工况条件下很难或无法获取大量带标签的振动数据,以致诊断准确率低的问题,提出一种基于变分模态分解(variationalmodedecomposition,VMD)及多特征构造和迁移学习相结合的滚动轴承故障诊断方法。该方法利用VMD对滚动轴承各状态振动信号进行分解,得到一系列固有模态函数,对其构成的矩阵进行奇异值分解求奇异值及奇异值熵,再结合振动信号的时域、频域特征构造多特征集。同时引入半监督迁移成分分析方法(semisupervised transfer component analysis,SSTCA),并对其核函数进行多核构造,将不同工况样本特征共同映射到一个共享再生核Hilbert空间,进而提高数据类内紧凑性和类间区分性。采用最大均值差异嵌入法选择更有效的数据作为源域,将源域特征样本输入支持向量机(supportvectormachine,SVM)进行训练,测试映射后的目标域特征样本。实验表明,所提多核SSTCA-SVM方法与其他方法相比较,在变工况下滚动轴承多状态分类中具有更高准确率。

小样本下基于迁移学习的轴承状态识别方法

传统的基于机器学习的滚动轴承状态识别方法需要满足两个前提条件,即目标数据量充足、训练数据和测试数据分布相同。然而在实际工程中,滚动轴承的工作环境非常复杂,无法满足上述条件。为了解决上述问题,提出一种基于加权混合核迁移成分分析(Weighted Mixed Kernel Transfer Component Analysis,WKTCA)的栈式自编码(Stacked Auto-Encoder,SAE)神经网络的轴承状态识别方法,用于目标数据不足时滚动轴承的状态识别。该方法引入源域数据,利用迁移成分分析(Transfer Component Analysis,TCA)理论构造加权混合核函数,将源域数据与目标域数据映射到同一特征空间进而实现迁移学习(Transfer learning,TL);进一步将特征值输入到具有分类功能的SAE神经网络进行特征自学习和轴承状态识别。对比分析不同数量的目标数据对轴承状态识别准确率的影响,实验结果表明,WKTCA算法可明显缩小目标域数据与源域数据的分布差异,并实现小样本下轴承状态的准确识别。

土壤速效磷近红外迁移学习预测方法研究

可见-近红外光谱技术是对土壤速效磷含量定量估测的有效手段,但某一地区土壤采集的光谱数据建立的模型在给其它地区使用时会出现预测精度低、模型失效等问题。该文以皖南土壤样本为源域,皖北土壤样本为目标域,通过迁移学习方法建立了预测模型,以提高土壤速效磷预测模型的准确性,并比较了迁移前后预测模型的精度。结果显示,皖南地区模型不能直接用于皖北地区,会出现模型失效问题,该模型的决定系数(R2)和相对分析误差(RPD)分别为-0.19和0.92,预测均方根误差(RMSEP)为1.04;样本量不大的皖北地区建立模型的预测精度不高,R2和RPD分别为0.61和1.60,RMSEP为0.60;而基于迁移成分分析(TCA)并加入部分皖北样本建立模型,可显著提高对皖北样本的预测精度,模型的R2和RPD分别提升至0.79和2.18,RMSEP降低至0.44。表明基于TCA的方法能将皖南土壤速效磷预测模型应用于皖北,可提高皖北土壤速效磷预测模型准确性并降低成本,为土壤速效磷预测模型的广泛应用提供了新思路。