傅里葉變換紅外光譜(Fourier Transform Infrared Spectroscopy,FTIR)技術(shù)已在農(nóng)業(yè)、工業(yè)、食品、環(huán)境、制藥等各個(gè)領(lǐng)域的定量分析中得到了廣泛的應(yīng)用。定量分析是紅外光譜分析領(lǐng)域的核心問題之一,紅外光譜定量分析是利用已獲取的紅外光譜及其對(duì)應(yīng)的物理化學(xué)特征建立定量分析模型,并通過此模型對(duì)未知光譜對(duì)應(yīng)的特征進(jìn)行估計(jì)的一種方法。FTIR紅外光譜結(jié)合化學(xué)計(jì)量學(xué)方法進(jìn)行定量分析的過程中,異常樣本的存在會(huì)顯著降低模型的穩(wěn)定性和預(yù)測(cè)精度;完整光譜中的噪聲、無信息變量以及干擾波長(zhǎng)會(huì)増加模型復(fù)雜度,影響模型的預(yù)測(cè)性能;此外,近年來深度學(xué)習(xí)算法的發(fā)展為紅外光譜定量模型的建立提供了新的思路。本文針對(duì)以上幾個(gè)問題開展了深入研究,完成的主要研究工作和成果總結(jié)如下:1)提出了一種改進(jìn)蒙特卡洛采樣的MCCV法識(shí)別異常樣本。針對(duì)蒙特卡洛交叉驗(yàn)證(Monte Carlo Cross Validation,MCCV)均值-方差圖法識(shí)別異常樣本的過程中以等概率選取所有樣本進(jìn)入建模子集,以及采用經(jīng)驗(yàn)值法設(shè)置閾值等問題,通過改變蒙特卡洛隨機(jī)采樣的樣本集范圍,保證僅正常樣本作為建模子集,從而提高...

【文章頁(yè)數(shù)】：157 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景及選題意義
        1.1.1 有機(jī)化合物定量檢測(cè)
        1.1.2 分子紅外吸收光譜技術(shù)
        1.1.3 FTIR分析技術(shù)
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 課題來源與主要研究?jī)?nèi)容
        1.3.1 課題來源
        1.3.2 本文主要研究?jī)?nèi)容
第二章 傅里葉變換紅外光譜分析技術(shù)
    2.1 引言
    2.2 傅里葉變換紅外光譜學(xué)
        2.2.1 FTIR 光譜儀工作原理
        2.2.2 干涉圖和光譜圖
        2.2.3 朗伯比爾定律
        2.2.4 紅外吸收數(shù)據(jù)庫(kù)
    2.3 光譜預(yù)處理
        2.3.1 常用的光譜預(yù)處理方法
        2.3.2 基于小波變換的預(yù)處理方法
    2.4 化學(xué)計(jì)量學(xué)方法
        2.4.1 異常樣本識(shí)別方法
        2.4.2 校正集選取
        2.4.3 波長(zhǎng)選擇算法
        2.4.4 定量回歸方法
    2.5 實(shí)測(cè)數(shù)據(jù)采集
    2.6 模型評(píng)價(jià)標(biāo)準(zhǔn)
    2.7 本章小結(jié)
第三章 基于模型集群策略的奇異樣本識(shí)別
    3.1 引言
    3.2 算法與理論基礎(chǔ)
        3.2.1 蒙特卡洛法
        3.2.2 蒙特卡洛交叉驗(yàn)證法
        3.2.3 標(biāo)準(zhǔn)化殘差
    3.3 改進(jìn)蒙特卡洛采樣法剔除異常樣本
        3.3.1 標(biāo)準(zhǔn)歸一化
        3.3.2 改進(jìn)蒙特卡洛采樣
        3.3.3 疑似奇異樣本二次檢測(cè)
    3.4 實(shí)驗(yàn)數(shù)據(jù)
        3.4.1 Hawkins-Bradu-Kass數(shù)據(jù)
        3.4.2 藥片數(shù)據(jù)
        3.4.3 玉米數(shù)據(jù)
    3.5 Hawkins-Bradu-Kass數(shù)據(jù)集實(shí)驗(yàn)
    3.6 藥片光譜實(shí)驗(yàn)
        3.6.1 最佳主成分?jǐn)?shù)
        3.6.2 奇異樣本的識(shí)別
        3.6.3 建模與分析
    3.7 玉米光譜實(shí)驗(yàn)
        3.7.1 異常樣本診斷及預(yù)測(cè)結(jié)果比較
        3.7.2 預(yù)測(cè)集異常樣本分析
    3.8 本章小結(jié)
第四章 基于串聯(lián)策略的波長(zhǎng)選擇算法
    4.1 引言
    4.2 常用波長(zhǎng)選擇算法存在的問題
    4.3 實(shí)驗(yàn)數(shù)據(jù)
        4.3.1 玉米數(shù)據(jù)
        4.3.2 柴油光譜數(shù)據(jù)
        4.3.3 實(shí)測(cè)乙烯(C2H4)氣體
    4.4 移動(dòng)窗口改進(jìn)的MCUVE-SPA波長(zhǎng)選擇算法
        4.4.1 MC-UVE
        4.4.2 SPA
        4.4.3 MCUVE-SPA-MW算法和原理
    4.5 MCUVE-SPA-MW實(shí)驗(yàn)及分析
        4.5.1 玉米光譜實(shí)驗(yàn)
        4.5.2 柴油光譜實(shí)驗(yàn)
        4.5.3 實(shí)測(cè)氣體光譜實(shí)驗(yàn)
        4.5.4 結(jié)果與討論
    4.6 串聯(lián)策略改進(jìn)SiPLS波長(zhǎng)選擇算法
        4.6.1 算法介紹
        4.6.2 玉米光譜實(shí)驗(yàn)
        4.6.3 柴油光譜實(shí)驗(yàn)
        4.6.4 結(jié)果與討論
    4.7 本章小結(jié)
第五章 預(yù)處理方法對(duì)波長(zhǎng)選擇算法的影響
    5.1 引言
    5.2 常見光譜預(yù)處理方法
    5.3 實(shí)驗(yàn)及結(jié)果
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)
        5.3.2 玉米光譜實(shí)驗(yàn)
        5.3.3 柴油光譜實(shí)驗(yàn)
        5.3.4 結(jié)果與討論
    5.4 本章小結(jié)
第六章 基于集成學(xué)習(xí)算法的定量回歸模型
    6.1 引言
    6.2 集成學(xué)習(xí)算法理論
        6.2.1 梯度提升決策樹算法
        6.2.2 支持向量回歸
        6.2.3 基于Blending集成學(xué)習(xí)的定量回歸算法
    6.3 實(shí)驗(yàn)數(shù)據(jù)
    6.4 實(shí)驗(yàn)及分析
        6.4.1 藥片光譜實(shí)驗(yàn)
        6.4.2 柴油光譜實(shí)驗(yàn)
        6.4.3 結(jié)果與討論
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 總結(jié)
    7.2 研究展望
參考文獻(xiàn)
攻讀博士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：3922499