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。

无信息变量消除法变量筛选优化烟草中总氮和总糖的定量模型

应用近红外光谱技术对烟草常规化学成分中总氮和总糖进行了测定。无信息变量消除(UVE)剔除光谱矩阵中没有有效信息的数据点,并用偏最小二乘方法(PLS)建立总氮和总糖的定量分析模型,外部检验对模型效果进行了评价。总氮定量模型校正集的决定系数R2为93.35%,标准偏差SEC为0.10;外部检验集的决定系数R2为94.09%,标准偏差SEP为0.11,相对标准偏差RSD为6.12%;总糖的定量模型校正集的决定系数R2为98.20%,标准偏差SEC为0.95;外部检验集样品的决定系数R2为98.01%,标准偏差SEP为0.78,相对标准偏差RSD为2.93%。结果表明:采用UVE建立的总氮与总糖的模型优于用全谱建立的模型,UVE提高了PLS模型的预测能力。

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.

基于无信息变量消除法与岭极限学习机的新型变量选择方法:以CO气体浓度反演为例（英文）

变量选择是光谱分析领域一个重要的组成部分。为了克服传统区间选择法的缺点与不足,基于无信息变量消除法和岭极限学习机提出一种新型的变量选择与评价方法。首先,利用无信息变量消除法剔除整个光谱区间中无信息的波长点;其次,为了解决传统建模方法(偏最小二乘法、BP神经网络等)存在的共线性问题,采用岭极限学习机方法建立回归模型;最后,最佳的特征光谱波长点组合利用特征选择路径图和稀疏度-误差折中曲线进行确定。CO气体的浓度反演实验结果表明:(1)利用无信息变量消除法可以有效筛选出最能表征CO气体透过光谱的特征波长点;(2)岭极限学习机方法具有快速建模、避免共线性和高精度等优点(CO气体浓度反演模型的决定系数可达0.995);(3)特征选择路径图和稀疏度-误差折中曲线可以直观地帮助用户寻找出最佳的特征波长点组合。

无信息变量消除法在糙米直链淀粉波长选择中的应用

为挑选信息含量大、与样品组成或性质相关性较强的光谱区域参与建模,以提高校正模型的精度,采用无信息变量消除法对糙米直链淀粉的近红外光谱进行分析。无信息变量消除法是基于PLS回归系数b建立起来的一种光谱区间选择方法,考虑了噪声和浓度矩阵的影响。结果表明:进行波长选择后,波长点数由1102减小到726,交叉验证预测值与标准值的相关系数R由0.9212提高到0.9654,交叉验证标准差SECV由2.4142减小到1.3725,预测标准差SEP由2.4572减小到2.2001,预测能力得到明显提高。

无信息变量消除法在近红外光谱测定的应用

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。

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。

傅里叶变换红外光谱结合无信息变量消除鉴别河南小石斛和霍山石斛鲜条品种的方法研究

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%。

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UVE变量筛选偏最小二乘的LIBS磷精矿浆定量分析

利用激光诱导击穿光谱(Laser Induced Breakdown Spectroscopy, LIBS)技术采集得到磷精矿浆的光谱,基于无信息变量消除(Uniformative Variables Elimination, UVE)方法筛选出与磷元素相关的波长变量,将选择后的波长作为自变量建立偏最小二乘(Partial Least Squares, PLS)回归模型,并与传统全谱PLS和GA-PLS(Genetic Algorithm-Partial Least Squares, GA-PLS)定标模型进行比较。相比全谱PLS,UVE-PLS定标模型的性能更优,其预测均方根误差(Root-mean-square Error of Prediction, RMSEP)由0.38%下降到0.26%,决定系数(R2)从0.59提高到0.72。相比GA-PLS定标模型,UVE方法可以克服GA(Genetic Algorithm, GA)在参量选择上存在随机性的弊端,筛选出的变量仅为全谱的8.76%,而且计算速度更快,分析精度也优于GA-PLS模型。

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。

激光诱导击穿光谱联合UVE变量优选检测大豆油中的铬含量

利用激光诱导击穿光谱（LIBS）技术对大豆油中的重金属Cr进行检测研究。以松木木片对重金属Cr进行富集,采用AvaSpec双通道高精度光谱仪在206.28-481.77nm波段范围内采集松木木片样本的LIBS光谱,利用无信息变量消除（UVE）方法筛选与重金属Cr相关的波长变量,应用偏最小二乘（PLS）回归建立大豆油中重金属Cr的定标模型,并与单变量及全波段PLS定标模型进行比较。结果表明,相比单变量及全波段PLS定标模型,UVE-PLS定标模型的性能更优,其相关系数、校正均方根误差、交互验证均方根误差及预测均方根误差分别为0.990,0.045,0.050及0.054mg·g-1。经UVE变量筛选后,UVE-PLS定标模型所用的波长变量数仅为全波段PLS的2%。由此可见,UVE是一种有效的波长变量筛选方法,能有效筛选出与重金属Cr相关的波长变量。

化学计量学方法选取对烟草含水率近红外分析准确度的影响

目的:研究不同化学计量学方法对烟草含水率近红外分析准确度的影响。方法:比较不同预处理方法(平滑、一阶、二阶、标准正态变量(SNV)和多元散射校正(MSC)及其组合)以及不同波长筛选方法(基于水分波段、基于波长区间、基于波长点)对预测模型性能的影响。结果:仅对数据进行SNV、MSC、MSC+一阶、MSC+SNV、SNV+一阶预处理的模型能够使不同程度的相对分析误差RPD提高,而其他方法则不同程度下降;在波长筛选方法方面,使用基于波长区间的方法能够获得较好的优化效果,经过变量筛选得到594个波长,为原波长数的27.26%,且能提高0.1336的RPD值。结论:不同的计量学方法会对烟草含水率分析准确度产生影响,对于此次数据,应采用MSC预处理方法及基于波长区间筛选方法对数据进行处理。

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。

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。

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。

近红外光谱变量选择及其在苹果可溶性固形物含量无损速测中的应用

目的采用近红外光谱技术,筛选有效变量对苹果可溶性固形物含量进行无损快速检测。方法以改进无变量信息消除算法为变量筛选方法,采用多元线性回归算法建立校正模型,采用外部盲样对模型进行预测准确度评价。结果基于改进无信息变量消除算法,筛选1391、1435、1521、1589nm4个关键波长作为变量,其所建校正模型的测定系数为0.6823,校正误差均方根为1.06,交互验证测定系数为0.6780,交互验证误差均方根为1.06。外部验证测定系数为0.6585,预测误差均方根为1.07。经F检验,预测模型的预测值与测定值之间具有显著相关性。结论该方法基本能够满足苹果可溶性固形物含量无损快速检测的需求,并可为水果可溶性固形物含量无损快速检测仪器的研制提供一定的技术参考。

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。