【摘要】：近紅外光譜檢測(cè)是一種快速高效的檢測(cè)技術(shù),近些年在各個(gè)領(lǐng)域都有著廣泛的應(yīng)用,在農(nóng)業(yè)產(chǎn)品的品質(zhì)分析領(lǐng)域也發(fā)揮著越來(lái)越重要的作用。但在近紅外光譜建模分析中存在一個(gè)很重要的問(wèn)題,就是光譜中含有大量的冗余信息,并且組分特征吸收區(qū)域不明確。變量選擇可以提高模型質(zhì)量,而本文主要研究的是基于模型集群分析(MPA)的變量選擇方法。因?yàn)楝F(xiàn)有的變量選擇方法大多基于一次建模思想,收集的樣本數(shù)不足以表達(dá)總體信息,容易導(dǎo)致模型不標(biāo)準(zhǔn)或者過(guò)擬合。所以MPA最大限度的利用已有的樣本,通過(guò)隨機(jī)采集實(shí)現(xiàn)對(duì)樣本的最大信息獲取。自助式空間柔性收縮法(BOSS)和蒙特卡洛變量組合集群分析法(MC-VCPA)都是結(jié)合了MPA的近紅外光譜變量選擇方法。BOSS結(jié)合軟收縮策略和加權(quán)引導(dǎo)抽樣(WBS)方法,并提供了一種從模型回歸系數(shù)(RC)中提取信息的方法。MC-VCPA通過(guò)蒙特卡洛采樣(MCS)方法對(duì)樣本空間進(jìn)行隨機(jī)采樣,并結(jié)合VCPA對(duì)不同樣本子集的變量空間進(jìn)行特征變量選取。本文運(yùn)用這兩種基于MPA的變量選擇方法,通過(guò)偏最小二乘(PLS)建立預(yù)測(cè)模型,并對(duì)預(yù)測(cè)集樣本進(jìn)行預(yù)測(cè)。對(duì)比UVE和GA等變量選擇算法,BOSS對(duì)啤酒中酵母濃度的預(yù)測(cè),相比全光譜PLS模型的預(yù)測(cè)均方根誤差(RMSEP)值由0.5348下降到0.1565,其預(yù)測(cè)精度提高了70%。MC-VCPA對(duì)小麥蛋白質(zhì)含量的預(yù)測(cè)相比全光譜PLS模型的RMSEP由0.5096下降到0.3295,預(yù)測(cè)精度提高了35%。結(jié)果表明BOSS和MC-VCPA對(duì)近紅外光譜數(shù)據(jù)分析進(jìn)行定量分析都顯著的提高了模型的預(yù)測(cè)精度。
【學(xué)位授予單位】：長(zhǎng)春理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TN21
【圖文】：

中K 為子模型的數(shù)量，ikb,為在模型中變量i的歸一化回歸系數(shù)的絕對(duì)值四步，根據(jù)變量的新權(quán)重來(lái)生成新的子集。與 BSS 相似，提取并使用唯建子模型。在 WBS 中替換的數(shù)量是由前一步中變量的平均數(shù)量決定的。中的變量數(shù)量大約是之前的 0.632 倍。這一步確保在最好的子模型中具有數(shù)絕對(duì)值的變量有更大的可能性被選擇到子模型中。復(fù)第二步到第四步，直到新子集的變量數(shù)等于 1。在迭代過(guò)程中使用 RM集被選為最優(yōu)變量集。驗(yàn)數(shù)據(jù)及光譜預(yù)處理 實(shí)驗(yàn)數(shù)據(jù)章選用的啤酒近紅外光譜數(shù)據(jù)包含 60 個(gè)樣本[42]，其中每個(gè)樣本的近紅外在 1100nm~2250nm。其光譜的間隔為 2nm，運(yùn)用 Kennard-Stone（K-S）兩組近紅外光譜數(shù)據(jù)和化學(xué)值，分別為 40 個(gè)和 20 個(gè)樣本。作為校正集母濃度的預(yù)測(cè)模型和預(yù)測(cè)集檢驗(yàn)?zāi)Ｐ停【频慕t外光譜如圖 3.3 所示。

圖 4.3 小麥的近紅外光譜圖章研究所用的93個(gè)小麥樣本和小麥蛋白質(zhì)化學(xué)值數(shù)據(jù)來(lái)源于國(guó)家糧食研究中心，本次研究所用的分類方法為 Kennard-Stone（K-S）算法。 93 個(gè)小麥樣本分為兩個(gè)樣本集，分別為包含 61 個(gè)樣本的建模集樣本和的預(yù)測(cè)集樣本，小麥蛋白質(zhì)含量統(tǒng)計(jì)如表 4-2 所示。表 4-2 小麥的蛋白質(zhì)含量統(tǒng)計(jì)表樣本數(shù) 最大值 最小值 平均值 標(biāo)準(zhǔn)集 61 17.07 12.58 14.41 0.9集 32 16.04 12.37 14.48 0.9特征變量選擇C-VCPA 首先通過(guò) MCS 方法隨機(jī)從校正集小麥樣本空間獲取 50 個(gè)樣對(duì)每個(gè)樣本子集運(yùn)用 VCPA 方法選取出其子集的特征變量，其次統(tǒng)計(jì)

每個(gè)樣本子集運(yùn)用 VCPA 的 BMS 對(duì)這個(gè)子集的變量進(jìn)行 1000 次采保證每個(gè)變量具有相同的被采樣概率，而且還能獲取1000組不同的變S 分別計(jì)算出這 1000 組變量子集的 RMSEC，保留 RMSEC 最小的前作為優(yōu)秀變量子集如圖 4.4 所示。計(jì)算出這 100 個(gè)優(yōu)秀變量子集中每，并通 EDF 刪除出現(xiàn)頻率小的變量，將保留的變量繼續(xù)進(jìn)行 1000 次F 刪除，此過(guò)程重復(fù) 50 次，最終保留 14 個(gè)光譜變量，計(jì)算最終保留變量組合的 RMSEC，得到值最小的變量組合則為樣本子集中最優(yōu)秀

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 牟建波;劉峧;;基于懲罰方法的貝葉斯群組變量選擇[J];綿陽(yáng)師范學(xué)院學(xué)報(bào);2017年02期

2 戴伯新;;回歸變量選擇中的數(shù)據(jù)診斷[J];應(yīng)用概率統(tǒng)計(jì);1992年04期

3 王銀輝;徐文科;;基于風(fēng)險(xiǎn)函數(shù)評(píng)價(jià)自變量選擇對(duì)預(yù)測(cè)的影響[J];哈爾濱師范大學(xué)自然科學(xué)學(xué)報(bào);2012年01期

4 李太福;易軍;蘇盈盈;胡文金;余春嬌;;基于特征子空間虛假鄰點(diǎn)判別的軟傳感器模型變量選擇[J];機(jī)械工程學(xué)報(bào);2011年12期

5 張慶;李云霞;;函數(shù)型變量選擇法用于空氣質(zhì)量影響因素實(shí)證分析[J];安慶師范大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年04期

6 李揚(yáng);許文甫;馬雙鴿;;污染數(shù)據(jù)的穩(wěn)健稀疏成組變量選擇方法研究[J];統(tǒng)計(jì)與信息論壇;2018年06期

7 徐安察;王瑋明;;應(yīng)用統(tǒng)計(jì)類專業(yè)探究性教學(xué)模式探索與實(shí)踐——以變量選擇準(zhǔn)則為例[J];赤峰學(xué)院學(xué)報(bào)(自然科學(xué)版);2014年19期

8 楊紅;陳德棉;;個(gè)人住房抵押貸款違約相關(guān)變量選擇[J];現(xiàn)代管理科學(xué);2009年04期

9 鐘先樂(lè);樊亞莉;張?zhí)教?;基于t函數(shù)的穩(wěn)健變量選擇方法[J];上海理工大學(xué)學(xué)報(bào);2017年06期

10 嚴(yán)奇琪;王延新;;高維部分線性小波模型中的變量選擇[J];寧波工程學(xué)院學(xué)報(bào);2018年02期

相關(guān)會(huì)議論文 前10條

1 張俊華;方偉武;;調(diào)查表分析中變量選擇的一些方法(英文)[A];中國(guó)運(yùn)籌學(xué)會(huì)第六屆學(xué)術(shù)交流會(huì)論文集（下卷）[C];2000年

2 李慷;席裕庚;;復(fù)雜過(guò)程系統(tǒng)中操作變量選擇與定位的方法研究[A];1993年控制理論及其應(yīng)用年會(huì)論文集[C];1993年

3 羅榮富;邵惠鶴;;推斷控制中二次變量選擇方法的研究[A];1992年中國(guó)控制與決策學(xué)術(shù)年會(huì)論文集[C];1992年

4 徐登;范偉;梁逸曾;;紫外光譜結(jié)合變量選擇和偏最小二乘回歸同時(shí)測(cè)定水中重金屬鎘、鋅、鈷[A];中國(guó)化學(xué)會(huì)第29屆學(xué)術(shù)年會(huì)摘要集——第19分會(huì)：化學(xué)信息學(xué)與化學(xué)計(jì)量學(xué)[C];2014年

5 曹磊;叢培盛;;偏相關(guān)系數(shù)矩陣方法用于煙草質(zhì)量控制的變量選擇[A];第九屆全國(guó)計(jì)算（機(jī)）化學(xué)學(xué)術(shù)會(huì)議論文摘要集[C];2007年

6 梁逸曾;李洪東;許青松;曹東升;張志敏;;灰色化學(xué)建模與模型集群分析——兼論過(guò)擬合、穩(wěn)健估計(jì)、變量選擇與模型評(píng)價(jià)[A];中國(guó)化學(xué)會(huì)第27屆學(xué)術(shù)年會(huì)第15分會(huì)場(chǎng)摘要集[C];2010年

7 李洪東;梁逸曾;;高維數(shù)據(jù)變量選擇新方法研究[A];中國(guó)化學(xué)會(huì)第27屆學(xué)術(shù)年會(huì)第15分會(huì)場(chǎng)摘要集[C];2010年

8 劉咸姝;潘日芳;;滿意控制結(jié)構(gòu)綜合的專家系統(tǒng)[A];1996年中國(guó)智能自動(dòng)化學(xué)術(shù)會(huì)議論文集（上冊(cè)）[C];1996年

9 范偉;李洪東;梁逸曾;;近紅外光譜結(jié)合CARS變量選擇方法用于食醋中總酸的測(cè)定[A];中國(guó)化學(xué)會(huì)第28屆學(xué)術(shù)年會(huì)第9分會(huì)場(chǎng)摘要集[C];2012年

10 張俊華;;南水北調(diào)一中線調(diào)水區(qū)域內(nèi)降水的時(shí)空變化規(guī)律的分析研究[A];面向復(fù)雜系統(tǒng)的管理理論與信息系統(tǒng)技術(shù)學(xué)術(shù)會(huì)議專輯[C];2000年

相關(guān)博士學(xué)位論文 前10條

1 王延新;高維模型的變量選擇與稀疏正則化[D];武漢大學(xué);2013年

2 李子林;高維基因數(shù)據(jù)中的統(tǒng)計(jì)方法[D];清華大學(xué);2016年

3 唐凱臨;變量選擇和變換的新方法研究[D];同濟(jì)大學(xué);2008年

4 秦志敏;我國(guó)上市公司財(cái)務(wù)預(yù)警變量選擇研究[D];東北財(cái)經(jīng)大學(xué);2012年

5 袁晶;貝葉斯方法在變量選擇問(wèn)題中的應(yīng)用[D];山東大學(xué);2013年

6 姬永剛;分位數(shù)回歸中的貝葉斯變量選擇[D];東北師范大學(xué);2012年

7 趙軍;Expectile回歸和最優(yōu)資產(chǎn)組合中的變量選擇問(wèn)題[D];浙江大學(xué);2017年

8 蘇盈盈;基于核方法的非線性系統(tǒng)變量選擇及其應(yīng)用[D];重慶大學(xué);2014年

9 王歆e

本文編號(hào)：2765631