本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型...本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型相比较,筛选变量后建立的校正模型不仅简化了,而且增强了预测能力。展开更多
采用傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FT-IR)仪结合衰减全反射(Attenuated Total Reflection,ATR)附件采集石斛茎部(近根部)横断面的中红外光谱,原始光谱经标准正态变换(Standard Normal Variate,SNV)和均...采用傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FT-IR)仪结合衰减全反射(Attenuated Total Reflection,ATR)附件采集石斛茎部(近根部)横断面的中红外光谱,原始光谱经标准正态变换(Standard Normal Variate,SNV)和均值中心化(Mean Center,MNCN)预处理后,采用偏最小二乘法判别分析法(Partial Least Squares Discriminant Analysis,PLSDA)建立两种石斛的鉴别模型。结果显示,全谱PLSDA方法所建模型校正集、校正集交叉验证和预测识别率分别为96.25%、92.69%和91.82%。采用无信息变量消除法(Uninformative Variable Elimination,UVE)优选敏感波长后,建立PLSDA模型的准确性更高,校正集、校正集交叉验证和预测集识别正确率分别达到了99.28%、95.72%和95.02%。展开更多
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(s...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。展开更多
基金National Nature Science Foundation of China(61127015,61605176)The Key Program for International S&T Cooperation Projects of China(2012DFA10680,2013DFR10150)The Youth S&T Research Fund of Shanxi Province of China(2013021028-1)
文摘本文通过讨论了无信息变量消除法(uninformative variables elimination,UVE)的原理,并用此算法对玉米的近红外光谱数据进行波长变量选择,再使用偏最小二乘法(partial least squares,PLS)建立模型。结果表明,与使用全谱数据建立的模型相比较,筛选变量后建立的校正模型不仅简化了,而且增强了预测能力。
文摘采用傅里叶变换红外光谱(Fourier Transform Infrared Spectroscopy,FT-IR)仪结合衰减全反射(Attenuated Total Reflection,ATR)附件采集石斛茎部(近根部)横断面的中红外光谱,原始光谱经标准正态变换(Standard Normal Variate,SNV)和均值中心化(Mean Center,MNCN)预处理后,采用偏最小二乘法判别分析法(Partial Least Squares Discriminant Analysis,PLSDA)建立两种石斛的鉴别模型。结果显示,全谱PLSDA方法所建模型校正集、校正集交叉验证和预测识别率分别为96.25%、92.69%和91.82%。采用无信息变量消除法(Uninformative Variable Elimination,UVE)优选敏感波长后,建立PLSDA模型的准确性更高,校正集、校正集交叉验证和预测集识别正确率分别达到了99.28%、95.72%和95.02%。
文摘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。