本文選題：復(fù)雜樣品　切入點(diǎn)：定量分析　出處：《天津工業(yè)大學(xué)》2017年碩士論文

【摘要】：光譜分析因其具有快速、無(wú)損、操作簡(jiǎn)單、易于在線等優(yōu)勢(shì)已廣泛應(yīng)用于石油、煙草、藥品、食品等復(fù)雜樣品的分析檢測(cè)。但是,復(fù)雜樣品光譜存在譜帶重疊、背景和噪聲干擾嚴(yán)重等問(wèn)題,需要借助化學(xué)計(jì)量才可以進(jìn)行定性定量分析。建立對(duì)未知樣品準(zhǔn)確預(yù)測(cè)的模型是光譜分析技術(shù)的關(guān)鍵。傳統(tǒng)多元校正通過(guò)單一建模方法在光譜和待測(cè)目標(biāo)值之間建立定量模型,預(yù)測(cè)效果往往不夠令人滿意。集成建模方法通過(guò)一定的方式產(chǎn)生多個(gè)訓(xùn)練子集,再采用一定的基礎(chǔ)建模方法建立多個(gè)子模型,最后將多個(gè)子模型結(jié)果集成得到最終預(yù)測(cè)結(jié)果,可以得到更高的預(yù)測(cè)準(zhǔn)確度和穩(wěn)定性。其中訓(xùn)練子集的產(chǎn)生方式、建模方法以及子模型的集成方式是多模型建模的三個(gè)主要方面。本論文圍繞多模型建模的三個(gè)方面進(jìn)行研究,提出了三種新型建模方法,并應(yīng)用于復(fù)雜樣品光譜定量分析,具體內(nèi)容如下:1.在基礎(chǔ)建模方面,引入了極限學(xué)習(xí)機(jī)(extreme learning machine,ELM)建模方法,并驗(yàn)證了其在復(fù)雜樣品定量分析中的可行性。傳統(tǒng)的建模方法主要分為線性和非線性兩類,線性方法具有效率高和參數(shù)少的優(yōu)點(diǎn),但是遇到非線性問(wèn)題時(shí)效果較差;非線性方法在處理非線性問(wèn)題時(shí)具有獨(dú)特的優(yōu)勢(shì),但也存在參數(shù)多、易于陷入局部最優(yōu)和費(fèi)時(shí)等缺點(diǎn)。因此,本論文引入了 ELM,該算法結(jié)合了線性建模方法和非線性建模方法的優(yōu)勢(shì)。首先研究了 ELM的效率和穩(wěn)定性;其次,定義了一個(gè)新參數(shù)來(lái)確定最佳激勵(lì)函數(shù)和隱含層節(jié)點(diǎn)數(shù)。采用三組光譜數(shù)據(jù)驗(yàn)證該方法的有效性,并與主成分回歸(principle component regression,PCR)、偏最小二乘回歸(partial least squares,PLS)、支持向量回歸(Support Vector Regression,SVR)和前饋人工神經(jīng)網(wǎng)絡(luò)(back propagation-artificial neural network,BP-ANN)在預(yù)測(cè)準(zhǔn)確性和穩(wěn)定性方面進(jìn)行比較。結(jié)果表明,對(duì)于一個(gè)給定的數(shù)據(jù)集,ELM的效率主要受節(jié)點(diǎn)數(shù)的影響。盡管ELM模型存在不穩(wěn)定性,但是在接近最佳參數(shù)時(shí)ELM卻趨于穩(wěn)定。與其它幾種方法相比,ELM具有更好或者相當(dāng)?shù)男阅�。該方法具有預(yù)測(cè)準(zhǔn)確度高、速度快的優(yōu)勢(shì)。2.在訓(xùn)練子集的選擇方面,提出了一種通過(guò)推進(jìn)策略(boosting)從變量方向建立子模型的集成建模方法,命名為變量空間推進(jìn)偏最小二乘(variable space boosting partial least squares,VS-BPLS)。該方法通過(guò)多次循環(huán)建立多個(gè)變量空間PLS子模型。在第一次循環(huán)中,訓(xùn)練集中所有變量賦予相同的取樣權(quán)重,根據(jù)取樣權(quán)重從中選取一定數(shù)目的變量建立PLS子模型。在后續(xù)循環(huán)中,訓(xùn)練誤差大的變量賦予更大的權(quán)重。將所有子模型預(yù)測(cè)結(jié)果的加權(quán)平均作為最終預(yù)測(cè)結(jié)果。采用兩組小樣品的光譜數(shù)據(jù)驗(yàn)證該方法的有效性,并與傳統(tǒng)PLS、蒙特卡羅無(wú)信息變量消除 PLS(Monte Carlo uninformative variable-elimination PLS,MCUVE-PLS)和隨機(jī)檢驗(yàn) PLS(randomization test-PLS,RT-PLS)方法進(jìn)行比較。結(jié)果表明,VS-BPLS的預(yù)測(cè)準(zhǔn)確度和穩(wěn)定性優(yōu)于其它三種方法。該方法從變量方向選擇部分變量建立子模型,不僅可以解決小樣品的問(wèn)題,而且可以刪除變量中的冗余信息。3.在子模型集成方面,將展開策略引入到子模型的集成中,并引入經(jīng)驗(yàn)?zāi)B(tài)分解從頻率方向產(chǎn)生多個(gè)子模型,提出了一種高低頻展開的偏最小二乘回歸(high and low frequency unfolded PLSR,HLUPLSR)方法。首先通過(guò) EMD 將原始信號(hào)分解為有限數(shù)目的固有模態(tài)函數(shù)(intrinsic mode function,IMF)和一個(gè)殘差。其次,將前面高頻的IMFs合并為高頻矩陣,剩余的IMFs和殘差合并為低頻矩陣。最后,將兩矩陣在變量方向展開構(gòu),構(gòu)成一個(gè)擴(kuò)展矩陣,并在擴(kuò)展矩陣和目標(biāo)值之間建立PLS模型。將該方法應(yīng)用到燃油中芳烴含量的測(cè)定。與傳統(tǒng)PLS、1st-PLS和CWT-PLS相比,HLUPLSR方法在預(yù)測(cè)準(zhǔn)確度方面具有明顯的優(yōu)勢(shì)。該方法結(jié)合了經(jīng)驗(yàn)?zāi)B(tài)分解(empirical mode decomposition,EMD)、展開策略和PLS的優(yōu)勢(shì)。該方法不僅充分利用了光譜信號(hào)的局部特征信息,而且避免了子模型權(quán)重的選擇。
[Abstract]:This paper introduces three new modeling methods , such as linear and non - linear , which has the advantages of high efficiency and low parameter . The results show that the efficiency of ELM is mainly influenced by the number of nodes for a given set of data . The results show that ELM is more stable than other methods . In the first cycle , all the variables in the training set are given the same sampling weights , and the PLS sub - model is established by selecting a certain number of variables according to the sampling weights .

【學(xué)位授予單位】：天津工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2017
【分類號(hào)】：O657.3

【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 郝勇;孫旭東;蔡麗君;劉燕德;;基于互信息方法的燃油品質(zhì)光譜分析模型構(gòu)建與簡(jiǎn)化[J];光譜學(xué)與光譜分析;2012年01期

，

本文編號(hào)：1682555