基于CARS-SPA特征提取的黄水淀粉近红外光谱定量模型优化

为提高白酒固态发酵的副产物黄水中淀粉含量预测模型精度和建模效率。采用傅里叶变换近红外光谱仪采集黄水光谱信息,利用一阶导数对光谱进行预处理,并结合偏最小二乘回归(partial least squares regression,PLSR)建立黄水淀粉定量预测模型。使用决定系数(R^(2))和预测均方误差(root mean square error of prediction,RMSEP)评价模型性能。光谱中含有大量冗余信息,为有效提升黄水淀粉含量检测精度和优化模型效率,将不同特征提取方法的优点结合,发现使用竞争性自适应重加权算法(competitive adaptive reweighted sampling,CARS)结合连续投影算法(successive projections algorithm,SPA)提取的光谱特征所建立的PLSR模型,相较于未使用特征提取或仅使用单一特征提取所建立的模型均有明显提升。在单一使用CARS时,模型的R^(2)为0.9654,RMSEP为0.2012%,而结合SPA后,R2为0.9738,RMSEP为0.1748%。此外,光谱维度从2203个减少到了126个,不仅提高了预测精度,也提升了建模效率。本研究提出的方法可作为黄水近红外定量模型优化的有效途径。

基于SG-CARS-IBP的圣女果可溶性固形物可见/近红外光谱无损检测

圣女果可溶性固形物(SSC)含量对圣女果内部品质影响至关重要,但基于高光谱成像及介电性质特征的SSC检测技术存在局限性,且目前鲜见圣女果SSC无损检测模型。为实现圣女果SSC的无损检测,提出基于圣女果可见/近红外光谱特征的SCC预测模型构建,及改进的BP神经网络算法研究,以期解决圣女果内部品质的快速无损检测。以圣女果为研究对象,试验样本188个,将其划分为训练集150个和测试集38个,采用可见/近红外光谱采集系统获取350~1000 nm范围内的圣女果表面反射强度,经光谱校正得样本反射率,为增强信噪比,截取481.15~800.03 nm范围内的光谱波段作为有效波段进行分析。通过对比三种预处理模型,对有效波段进行SG平滑(Savitzky-Golay Smoothing)预处理,建立BP神经网络预测模型,测试集决定系数(R^(2))和均方根误差(RMSE)分别为0.5785和0.5639;在此基础上,对BP神经网络的网络结构进行改进,寻求BP神经网络最优预测结构,计算输出层与期望值间误差,调整网络结构参数,将隐含层学习率和神经元个数分别设置为0.01和5,建立改进的BP神经网络模型(SG-IBP),测试集R^(2)和RMSE分别为0.9812和0.1023;通过竞争自适应重加权采样算法(CARS)筛选出18个特征波段,测试集R^(2)和RMSE分别为0.9978和0.0479,同时检测速度显著提升。研究结果表明:经过改进的BP神经网络模型性能明显提高,通过CARS提取特征波段后,测试集R^(2)提高了0.4193,RMSE降低了0.516,检测速度明显提升。采用CARS提取特征波段的改进BP神经网络模型(SG-CARS-IBP)具有明显的优越性,SG-CARS-IBP模型较为适合圣女果SSC无损检测研究。该研究可为圣女果SCC的高效无损检测提供参考。

ZY1-02DAHSI影像归一化阴影植被指数NSVI的波段选择及其构建

高光谱影像具有连续的地物光谱信息,在阴影检测方面具有巨大的潜力,而波段冗余度高需进行波段优选。归一化阴影植被指数(NSVI)能够扩大光谱差异,在高光谱影像中应用NSVI将更有效地识别阴影。资源一号02D卫星是我国首颗自主研发并成功运行的高光谱业务卫星,数据信噪比大、覆盖能力强,对该高光谱影像进行准确的阴影检测具有重要意义。以ZY1-02DAHSI影像为试验数据,提取并分析明亮区植被、阴影区植被及水体的光谱反射率;结合竞争自适应重加权采样(CARS)和连续投影算法(SPA)筛选能够有效区分典型地物的主要波段,综合考虑算法的特性进一步选出特征波段构建NSVI;通过步长法确定最佳阈值对影像进行分类,从像元值分布情况、分类精度和光谱增强效果等对比出构建NSVI的最佳波段,并结合不同的阴影指数、波段和影像进行综合评价,验证该方法的意义及普适性。结果表明:波段32和波段73是构建NSVI的最佳波段,分别对应红光波段和近红外波段;不同波段构建的NSVI分类精度均高于90%,由最佳波段构建的NSVI分类精度为94.33%,Kappa系数为0.8328,分类效果最优;NSVI能够增强典型地物间的光谱差异并缓解归一化植被指数的“易饱和”现象,在该影像中因水体累积产生的小波峰有助于提取水体;在ZY1-02DAHSI影像中NSVI的分类效果优于归一化阴影指数和阴影指数,于另一景影像的分类精度也达到93.55%,Kappa系数为0.8167。由算法筛选出的波段具有一定的代表性,最佳波段构建的NSVI在ZY1-02DAHSI影像中具有较好的阴影检测能力,对高光谱影像阴影检测及构建植被指数具有一定的借鉴和参考意义。

高光谱技术结合CARS算法预测土壤水分含量

高光谱技术已成为预测土壤含水量（soil moisture content,SMC）的重要方法,但因土壤高光谱中包含了大量冗余信息和无效信息,不仅导致SMC的高光谱估算模型复杂度高,而且影响了模型的预测精度。因此,该研究在室内设计SMC梯度试验,测定土壤高光谱反射率,经Savitzky-Golay平滑（Savitzky-Golay smoothing,SG）和连续统去除（continuum removal,CR）预处理后,基于竞争适应重加权采样（competitive adaptive reweighted sampling,CARS）方法分别优选出土壤在全部SMC的水分敏感波长变量,确定适用于土壤在全部SMC的共性波长变量,以其为优选变量集,采用偏最小二乘（partial least squares regression,PLSR）回归方法建立模型并进行验证。结果表明,SG和CR预处理后的光谱曲线在450、1 400、1 900、2 200 nm附近吸收峰的形状特征凸显;基于CARS方法对土壤在不同SMC的光谱曲线进行变量优选后,得出优选变量集为443～449、1 408～1 456、1 916～1 943、2 209～2 225 nm;CARS-PLSR模型性能优于全波段PLSR模型,模型预测R2、均方根误差、相对分析误差分别为0.983、0.0144、8.36,不仅提升了预测精度和预测能力,而且降低了变量维度和模型复杂度。该文通过优选土壤水分的敏感波段,有效提高了SMC预测模型的鲁棒性,为快速准确评估农田墒情提供了新途径,为开发田间SMC测定传感器提供了理论依据。

基于高光谱的油麦菜叶片水分CARS-ABC-SVR预测模型

为了实现油麦菜生长期间更合理的灌水管理,研究一种基于高光谱技术的精确、快速、有效检测油麦菜叶片水分的新方法。以5种不同水分胁迫水平的油麦菜为研究对象,通过高光谱成像系统获取高光谱图像并利用干燥法测量叶片含水率。采用多项式平滑(Savitzky-Golay,SG)结合标准变量变换(standard normalized variable,SNV)对高光谱数据去噪平滑。利用竞争性自适应加权算法(competitive adaptive reweighted sampling,CARS)进行特征波长选择,并与逐步回归分析(stepwise regression,SR)及连续投影算法(successive projections algorithm,SPA)进行比较,利用支持向量回归机(support vector regression,SVR)分别建立油麦菜叶片全光谱数据、3种特征光谱数据与干基含水率的关系模型。结果表明,基于竞争性自适应加权算法波长选择的支持向量回归模型(CARS-SVR)效果最佳,但预测精度尚不够理想,故引入人工蜂群算法(artificial bee colony,ABC)优化模型的参数惩罚因子和核参数。最终,经人工蜂群算法优化后的模型(CARS-ABC-SVR)的预测集决定系数R2和均方根误差RMSE分别为0.9214和2.95%。因此,利用高光谱技术结合CARS-ABC-SVR模型预测油麦菜叶片水分含量是可行的。

同步荧光光谱结合CARS变量优选预测猪肉中四环素残留含量

为快速检测猪肉中的四环素残留含量,采用同步荧光法结合竞争适应重加权采样(CARS)变量优选法建立了预测猪肉中四环素残留含量的支持向量回归(SVR)模型。从样本的三维同步荧光光谱中确定了最佳波长差为65nm,采用CARS方法从中挑选出与四环素相关的特征波长变量,并与连续投影算法(SPA)及遗传算法(GA)进行比较。最后,应用SVR算法对优选出的16个波长变量建立猪肉中四环素含量的预测模型。分析发现,多元散射校正(MSC)光谱预处理后的CARS方法优于SPA及GA变量选择方法,可以有效地筛选出全光谱中的特征波长变量。CARS-SVR建立的四环素预测模型优于原始光谱的SVR模型,其预测集的决定系数(R2)和预测均方根误差(RMSEP)分别为0.961 2和10.94mg/kg。研究结果表明,采用同步荧光法结合CARS-SVR模型可以预测猪肉中的四环素残留含量,且CARS-SVR能有效地简化模型并提高预测精度。

CARS结合PLS-LDA法识别奶牛饲料中土霉素的可行性研究

收集了一年内不同月份不同种类的纯奶牛精补料20个,制备土霉素含量不同的掺假奶牛精补料100个,在全光谱范围内对样品进行近红外透反射光谱扫描,利用CARS法对光谱数据进行前处理,采用偏最小二乘-线性判别分析(PLS-LDA)法来建立判别模型。建立的PLS-LDA模型的交互验证最小错误率为0.0729,模型错分率为0,模型预测错误率为0.0417。说明利用近红外光谱技术建立定性判别模型来检测奶牛饲料中是否掺有土霉素是可行的。

拉曼光谱结合机器学习对植物油的分类鉴别

该研究采集了六类(38个品牌)常见植物油的551份拉曼光谱,并根据光谱数据分别建立了正交偏最小二乘判别和支持向量机模型,对比了连续投影法和竞争性自适应重加权采样法对模型识别正确率的影响。基于算法改进的偏最小二乘判别模型的总体预测准确率为82.53%、83.13%,低于基于全光谱数据建立的偏最小二乘判别模型。竞争性自适应重加权采样法结合支持向量机对玉米油、橄榄油、葵花籽油和芝麻油的品牌分类测试集正确率均达到100%;椰子油和花生油的测试集正确率为22.22%、63.64%。两类特征提取算法均可以减少建立分类模型所需的变量数目和计算资源,但以提取后变量建立分类模型可能会导致识别正确率下降。在解决样本间相似度较高的多分类问题时,支持向量机模型优于正交偏最小二乘判别模型。正确率差异可能和生产商所使用的生产工艺以及植物油原料相关。面对案件侦办中品牌种类多样的油脂物证,基于拉曼光谱分析和特征提取算法的支持向量机模型可为可食用植物油的无损快速检验提供一定的参考与借鉴。

基于高光谱成像技术的糯玉米种子分类研究

为了快速、准确、无损地对糯玉米种子分类,采用可见-近红外(400~1000 nm)高光谱成像仪对5种糯玉米种子进行数据采集,使用一阶中心差分联合SG平滑对糯玉米种子的原始光谱数据进行预处理去噪,通过自优化竞争性自适应重加权采样算法筛选出56个重要的特征波段,同时采用灰度共生矩阵和Sobel算子提取糯玉米种子的相关性、能量、同致性、相关熵、灰度熵和梯度熵等6种纹理特征,将光谱特征与纹理特征融合后构建支持向量机分类模型,分别用350个训练样本、150个测试样本和50个预测样本对模型进行训练、测试和预测分类,相应得到了准确率为98.50%、95.92%和94.00%的最佳结果,表明利用高光谱成像技术对糯玉米种子分类是可行的。

土壤湿度对近红外光谱反演剖面有机质精度的影响

为深入分析土壤湿度对近红外光谱反演剖面土壤有机质(soil organic matter, SOM)精度的影响,该研究依据水分张力这一指标,将土壤划分为风干状态、1.500、0.330、0.100、0.033 MPa和饱和状态共6种湿度水平,在所选16个地点分别采集深度约150 cm剖面土壤芯柱为研究对象,采用7种方法对所测剖面土壤光谱吸光度进行光谱预处理,选择较佳的预处理方法。同时,采用连续投影算法(successive projection algorithm, SPA)和竞争性自适应重加权-连续投影算法(competitive adaptive reweighting-successive projection algorithm, CARS-SPA)筛选特征波长。构建基于全谱及特征波长的SOM近红外光谱反演模型,并将其与标准正态变量变化(standard normal variate, SNV)预处理方法相结合。结果表明:1)SPA-PLSR模型和CARS-SPA-PLSR模型的精度均优于基于全谱的PLSR模型;2)SNV-SPA-PLSR模型在饱和、风干状态下预测效果更好,而SNV-CARS-SPA-PLSR模型在水分张力分别为0.033、0.100、0.330和1.500 MPa时预测精度更高;3)不同土壤湿度水平近红外光谱“一对一”式预测SOM模型难以满足实际应用,经过对比研究,选用水分张力为1.500 MPa时构建的SNV-CARS-SPA-PLSR模型分别预测6组土壤湿度水平和混合样本集中SOM取得效果最好。该研究结果对各湿度水平下估算SOM含量有一定的指导作用,并为提高不同土壤湿度水平间剖面SOM近红外光谱反演模型的适用性提供参考。

鲸鱼算法改进极限学习机的葡萄酒品质评价研究

[目的]解决近红外光谱中冗余信息过多的问题,提升葡萄酒品质评价模型的准确性,并构建一种快速无损的葡萄酒品质评价方法。[方法]运用竞争性自适应重加权采样法进行特征波长筛选,提出了鲸鱼算法改进极限学习机的葡萄酒品质评价模型。通过自适应重加权采样法等多种特征波长筛选方法,确定了最适用于葡萄酒光谱特征波长筛选的方法;针对ELM的初值权值与隐含层偏置选取问题,利用鲸鱼优化方法对初值权值与隐含层偏置进行优化,从而构建了一种基于鲸鱼优化算法改进的极限学习机葡萄酒品质评价模型。[结果]与GA-ELM、PSO-ELM和传统的ELM模型相比,WOA-ELM的准确率最高,达到了0.9445,GA-ELM的准确率为0.9290,PSO-ELM的准确率为0.9061,传统的ELM方法准确率为0.8177。[结论]通过智能算法优化ELM模型的参数,可以有效提高葡萄酒品质评价的准确性。

基于GA和CARS的真空包装冷却羊肉细菌菌落总数高光谱检测

在光谱建模过程中,采用不同的变量筛选算法进行光谱特征波段的提取已成为提高模型效果的重要方法。以真空包装的冷却羊肉细菌菌落总数作为研究指标,比较了两种变量筛选算法对其高光谱偏最小二乘(partial least squares,PLS)模型效果的影响。研究提取了样品肌肉感兴趣区域(ROIs)的羊肉光谱并进行预处理,进而采用遗传算法(genetic algorithm,GA)和竞争性自适应重加权法(competitive adaptive reweighted sampling,CARS)分别对预处理后的473~1 000 nm范围光谱进行特征波段的提取,对比分析了不同波段下羊肉细菌菌落总数的GA-PLS,CARS-PLS和全波段PLS(W-PLS)模型效果。结果表明,GA-PLS和CARS-PLS的模型效果均优于W-PLS,且CARS-PLS模型效果最好,其校正集的决定系数(R_c^2)和均方根误差(root mean square error,RMSEC)分别为0.96和0.29,交互验证的决定系数(R_(cv)~2)和均方根误差(root mean square errorof cross validation,RMSECV)分别为0.92和0.46,预测集的决定系数(R_p^2)和均方根误差(root mean square error of prediction,RMSEP)分别为0.92和0.47,预测相对分析误差(relative prediction deviation,RPD)为3.58。因此利用高光谱图像技术结合CARS-PLS可以实现羊肉细菌菌落总数快速无损准确检测。

X射线荧光光谱结合CARS变量筛选选择方法用于土壤中铅砷含量的测定

X射线荧光光谱分析作为一种以化学计量学为基础的定量分析技术,所建立模型优劣对结果的预测准确性显得十分重要。竞争性自适应重加权算法(CARS)采用自适应重加权采样技术,利用交互验证选出互验证均方根误差(RMSECV)值最低原则,寻出最优变量组合。为了进一步提高PLS模型的解释和预测能力,将竞争性自适应重加权算法(CARS)与X射线荧光光谱分析技术相结合,对土壤中重金属元素铅和砷进行特征波长变量筛选后建立偏最小二乘(PLS)模型。首先,利用CARS算法对铅含量密切相关的波长变量进行筛选,当采样次数为26次时,筛选出60个有效波长点;对砷含量密切相关的波长变量进行筛选,当采样次数为34次时,筛选出19个有效波长点;然后对优选出的波长点利用PLS方法分别建立土壤中铅和砷含量定量分析模型,并与经连续投影算法(SPA)及蒙特卡罗无信息变量消除(MC-UVE)方法波长变量筛选后所建立的PLS模型进行比较。结果显示:铅的CARS-PLS模型的预测集决定系数(R^(2))、交互验证均方根误差(RMSECV)、预测均方根误差(RMSEP)和相对预测误差(RPD)分别为0.9955,2.5986,3.228和9.4011,砷的CARS-PLS模型的预测集R^(2),RMSECV,RMSEP和RPD分别为0.9899,3.0132,2.7371和8.2116;两元素的CARS-PLS模型性能均优于全波段PLS,SPA-PLS和MC-UVE-PLS模型。基于CARS-PLS的算法可以有效筛选出X射线荧光光谱特征波长点,在简化了建模复杂程度的同时,提高了模型的准确性和稳健性。

WCARS-ISPA火焰光谱特征选择的转炉炼钢终点预测

对转炉炼钢终点的实时精准控制能够有效提高钢铁产出的质量,炉口火焰光谱在炼钢不同时期的变化明显,对其进行分析处理并与机器学习方法相结合可有效用于炼钢终点的实时控制。针对炉口火焰光谱数据量大、现有方法对光谱特征提取在可信度和实时性上不足的缺陷,提出一种基于窗口竞争性自适应重加权采样(WCARS)结合迭代式连续投影算法(ISPA)的光谱特征波长选择方法,该方法在有效解决模型过拟合问题的同时,能够降低高维数据计算的复杂度。将火焰光谱数据沿波长方向进行窗口划分后,使用CARS进行计算选出特征窗口波段,再将迭代式选择与传统连续投影算法相结合,通过重复迭代精选出特征波长,在此基础上使用支持向量机回归(SVR)建立炼钢终点碳含量预测模型。实验采集363组炼钢后期的炉口火焰光谱数据作为样本,并对其进行Savitzky-Golay平滑预处理。使用WCARS-ISPA算法从全光谱数据中选出10个特征波长作为SVR模型的输入,碳含量为模型输出,Kennard-stone算法对训练集和测试集进行划分,选择碳含量的平均预测误差、预测误差在±2%以内的命中率以及运行30次的平均时间作为模型评价指标。实验结果显示,模型的平均碳含量预测误差为1.4132%,命中率高达90.63%,运行时间为0.019679 s。与使用全光谱和WCARS-ISPA,CARS-SPA,WCARS和SPA四种不同特征选择方法选出的特征波长建模得到的结果进行对比,基于WCARS-ISPA方法选出的特征波长建立的终点碳含量预测模型误差最小、命中率最高。提出一种新的炉口火焰光谱特征波长提取方法,使用窗口竞争性自适应重加权采样结合迭代式连续投影算法选取特征波长,并在此基础上建立转炉炼钢终点碳含量预测模型,实验结果表明,该方法能够有效提取火焰光谱特征,所建模型能够对转炉炼钢终点进行准确预测,满足工业生产的实时控制要求,为实际生产提供可靠帮助。

基于人血浆荧光光谱与CARS-PLS-LDA的结直肠癌早期检测

该文利用竞争性自适应加权算法(CARS)筛选重要的人血浆荧光光谱变量,并结合偏最小二乘法判别分析(PLS-LDA)建立了结直肠癌患者与非癌患者的分类模型,同时与全波长模型和基于平行因子分析(PARAFAC)建立的模型进行比较。从模型评价指标看,CARS-PLS-LDA的性能显著优于全波长模型和基于PARAFAC的模型。高波未稀释组和低波稀释组的荧光光谱结合CARS-PLS-LDA分类模型的AUC(Area under curve)值均高于0.9,可有效地识别结直肠癌患者。结果表明,CARS变量筛选能够明显改善结直肠癌分类模型的性能,有助于后续癌症临床诊断工具的开发与研究。

基于光谱技术的Bipls算法结合CARS算法的苹果可溶性固形物含量检测

可溶性固形物含量是判断苹果内部品质的重要参考属性之一。利用高光谱技术获取苹果感兴趣区域的反射光谱,以S-G平滑(Savitzky-Golay smoothing)和直接正交信号校正(Direct orthogonal signal correction, DOSC)算法对光谱数据进行梯度预处理后,用后向区间偏最小二乘法(Bipls)优选出3,5,6,7,8,9,13,14,15,16,17,18,19,20,21,23等16个子区间,共计177个波长。结合竞争自适应重加权采样算法(CARS)再作进一步筛选,提取出449.6,512.9,544.8,547.2,594.3,596.8,928.2 nm等7个特征波长,利用偏最小二乘算法(PLS)建立基于特征波长的可溶性固形物含量检测模型,所得模型评价为R_c=0.906 2,RMSEC为0.482 2,R_p=0.871 6,RMSEP为0.614 0。该算法模型预测性能同Bipls和Bipls-SPA模型相比更为优异,证明了Bipls结合CARS算法在提高苹果可溶性固体物含量检测精度方面的有效性。

CARS特征变量优选近红外光谱法测定初烤烟烟叶厚度

烤烟烟叶厚度是烤烟烟叶分级和品质评价的重要指标之一,采用近红外光谱分析技术实现对烟叶厚度的快速测定具有一定的可行性。对比分析了采用竞争自适应重加权法(CARS)算法优选特征变量和采用全波长变量(1 000~2 500 nm)结合偏最小二乘法(PLS)建立初烤烟烟叶厚度近红外校正模型的效果。结果表明:模型的输入变量数由1 543个降低到180个,决定系数由0.846提高到0.941;适宜主成分数由10降低到6,校正标准误差和交互验证均方根误差分别降低了0.003 4和0.010 3。采用30个外部样品对模型进一步进行验证,模型的验证标准误差和验证标准误差的偏差由0.018 2降低到0.001 1,在α=0.05显著水平,两个模型预测值与实测值间均不存在显著差异,采用CARS筛选特征变量近红外模型预测值与实测值间的差异性更小。CARS筛选特征变量提高了烟叶厚度近红外校正模型的稳定性和预测准确性。

湖滨绿洲棕漠土有机碳含量高光谱估算

以博斯腾湖湖滨绿洲为研究区,利用实测棕漠土有机碳含量与高光谱(350~2 500 nm)数据,应用竞争性自适应重加权采样算法(CARS)、连续投影算法(SPA)、竞争性自适应重加权采样-连续投影算法(CARS-SPA)筛选棕漠土有机碳含量响应的高光谱特征波段,分别采用全波段和特征波段结合随机森林(RF)模型构建棕漠土有机碳含量估算模型。结果表明:博斯腾湖湖滨绿洲棕漠土0~50.0 cm土层有机碳含量为1.40~40.92 g/kg,平均值为14.20 g/kg,变异系数为55.54%,呈中等变异水平。CARS、SPA、CARS-SPA等算法筛选出的棕漠土有机碳含量响应特征波段分别为122个、11个和10个。基于CARS-SPA算法筛选出的特征波段数据输入RF模型估算效果最好,验证集检验的决定系数(R^(2))、相对分析误差(RPD)、均方根误差(RMSE)分别为0.85、2.59和2.72 g/kg,该方法能有效减少光谱数据冗余、提高模型估算精度和运行效率。本研究结果为研究区棕漠土有机碳含量的估算提供参考。

基于随机蛙跳波段选择算法的土壤铅含量高光谱估测

高光谱数据中存在的大量冗余信息对高光谱估测精度产生较大影响。旨在寻求特征波段筛选的最佳算法,以实现土壤重金属铅含量的准确监测,为土壤污染防治提供参考。以新疆渭干河-库车河三角洲绿洲土壤重金属铅含量与光谱数据为数据源,利用蒙特卡洛交叉验证(MCCV)算法确定92个有效土壤样品,通过相关分析选取倒数对数一阶微分变换处理的光谱数据,采用随机蛙跳(RF)算法,并结合竞争性自适应重加权(CARS)算法、迭代保留有效信息变量(IRIV)算法及连续投影算法(SPA),构建RF-CARS、RF-IRIV及RF-SPA三种算法对波段进行筛选。以倒数对数一阶微分变换处理下的特征波段反射率为自变量,土壤重金属铅含量为因变量,采用极端梯度提升(XGBoost)和地理加权回归(GWR)方法构建土壤重金属铅含量估测模型。结果表明:(1)光谱变换处理可有效增强光谱与土壤铅含量的敏感性,其中倒数对数一阶微分变换后的土壤光谱特征更为明显,相关系数可达到0.620(p<0.001)。(2)RF-CARS、RF-IRIV及RF-SPA算法分别从高光谱数据中筛选出6、9和7个特征波段,全部位于近红外光谱区域,3种算法具有较强的特征提取能力,极大减少光谱数据中的冗余信息。(3)基于RF-IRIV算法构建的土壤铅含量估测模型的精度和稳定性高于RF-CARS和RF-SPA算法构建的模型,说明RF-IRIV算法能更为准确的保留与土壤铅含量相关的波段。此外,GWR模型的性能优于XGBoost模型,构建的RF-IRIV-GWR模型具有较好的预测能力,可作为研究区土壤铅含量的最优估测模型,其验证集的决定系数(R^(2))为0.892,均方根误差(RMSE)为0.825 mg·kg^(-1),相对分析误差(RPD)为3.09。基于随机蛙跳(RF)与迭代保留有效信息变量(IRIV)算法,结合地理加权回归(GWR)建模方法在快速准确估测土壤铅含量方面具有一定优势,可进行土壤重金属污染的动态监测。

基酒FT-NIR光谱预处理与特征波筛选方法的比较

为解决白酒基酒分类的问题,降低基酒的分类误差,减少基酒对摘酒师傅身体的危害,本实验选取18种预处理以及3种特征波筛选方法来较少光谱中的无关干扰信息,降低建模数据复杂度。基酒的傅里叶近红外光谱(Fourier Transform Near Infrared Spectroscopy,FT-NIR)经过光谱理化值共生距离法(SPXY)划分数据集、预处理、马氏距离(MD)异常剔除、特征波筛选、支持向量机回归(SVR)预测来完成最终的分类。研究发现:多元散射校正(Multiplicative Scatter Correction,MSC)后的训练集预测集分类准确率可以达到100%,主成分分析(Principal Component Analysis,PCA)与特定算法结合才能实现准确分类,因此要注意与其他算法的组合,无信息变量消除法(Uninformative Variables Elimination,UVE)和竞争性自适应重加权算法(Competitive Adaptive Reweighted Sampling,CARS)都能实现高效的特征波选择,预测集的平均准确率接近90%。实验证明,经过处理后的光谱数据最多占原数据的47.57%,基酒近红外谱图经过预处理与特征波筛选后可以降低后期回归模型处理数据的复杂程度,提高模型的精确度。