PLS回归法建立适应温度变化的近红外光谱定量分析模型

研究了近红外光谱定量分析模型对于样品温度的适应性。以 4 2个不同品种的大豆为实验材料 ,用 2台光谱仪分别独立测定了样品在 5种温度下的近红外光谱。对于 2台光谱仪测定的光谱 ,均依据光谱信息选择部分光谱 ,采用PLS回归法对大豆样品的粗蛋白质和粗脂肪含量分别建立了近红外光谱定量分析模型 ,并以剩余样品对模型进行预测检验。 4个模型的预测结果均表明 :超过 94 %的检验样品的预测相对误差小于 5 % ,说明了预测样品处于 5～ 4 0℃时 ,模型都有较好的预测效果。

基于STIRPAT和PLS模型的工业碳排放影响因素实证研究——以南昌市为代表的二线发展较弱城市为例

二线发展较弱城市在二氧化碳减排压力下,既要兼顾环境和谐的碳减排要求又要平衡经济发展的能源消耗增加带来的碳排放增长关系,识别影响这种关系的关键因素为该类城市制定减排策略提供了思路借鉴。通过对南昌市34个工业行业的能源消费碳排放规模和碳排放强度进行了较为精确的估算,构建了2001-2010年南昌市工业碳排放的面板数据库;基于改进的STIRPAT模型对产业碳排放进行筛选,进一步采用偏最小二乘回归方法(PLS)分别构建了南昌工业碳排放规模和碳排放强度的影响评估模型。研究结果显示在二线发展较弱城市,投资规模、能源强度、能源消费结构以及研发强度对碳排放总量和强度均存在显著促进作用;而劳均工业产值对工业碳排放总量和强度产生了相反的影响,分别表现出显著的促进和抑制作用。

基于ARIMA-PLS的动态组合模型的人均GDP预测分析

本文以川陕革命老区为研究对象,首先建立了GDP的ARIMA预测模型,其次采用偏最小二乘回归PLS模型和灰色预测对GDP进行预测,从三个不同模型充分挖掘已有的数据信息。最后利用预测的结果,构建了基于信息熵的ARIMA-PLS动态组合预测模型,提高了预测精度和可靠性,为川陕革命老区经济可持续发展提供了科学的依据。

多变量线性偏最小二乘回归模型的优化方法及其在体育计量中的运用

为了更有效地解决体育计量中多变量系统的线性回归建模问题,提出利用遗传算法(GA)与偏最小二乘回归(PLS回归)相结合,对多变量系统进行特征选择的方法,即采用GA筛选多变量系统中的变量信息,通过利用PLS回归的误差平方和变换为适应度评价函数,筛选回归建模的最优特征变量子集完成种群进化,最终以最优个体为确定PLS回归模型。为进一步提高模型的泛化能力,提出了基于最小一乘准则和模拟退火算法(SA)的求解方案,对PLS回归模型系数进行重新优化。实验结果表明:这种特征选择方法能有效地实现简化PLS回归方程,同时提高了所建模型的解释能力;回归系数经优化后的PLS回归模型,具有更好的泛化能力和稳健性。

基于傅里叶变换红外光谱技术的混合毒性气体定量分析研究

基于傅里叶变换红外光谱技术,选取低浓度的CO、CO_2、NO、NO_2、SO_2、HCl、HBr、HCN 8种典型有毒有害气体进行定量分析。经过合理选择光谱区间、数据预处理、样本筛选以及确定模型参数后,建立PLS回归模型,并对模型回归曲线进行多项式修正。模型中各组分实际浓度与预测浓度的拟合回归系数达到0.99,校正集误差均方根S^(RMSEC)低于15×10^(-6)。利用验证集对模型的预测性能进行检验,样本各组分的预测浓度误差小于满量程的±2%,各组分的预测误差均方根S^(RMSEP)不超过20×10^(-6)。