江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
近红外光谱中包含了物质中有机分子含氢基团的特征信息, 具有维度高、 冗余大等特点。 传统的基于浅层校正模型, 比如主成分回归、 偏最小二乘回归、 人工神经网络、 支持向量回归等, 无法提取近红外光谱数据深层的信息。 提出一种基于堆叠监督自动编码器的近红外光谱建模方法, 不仅可以拟合光谱数据与理化值之间复杂的非线性关系, 还可以提取数据深层的特征信息。 首先通过对比不同的光谱预处理对模型预测结果的影响, 选择最优的预处理方法, 然后再使用相关系数法提取特征波段。 将处理好的近红外光谱数据作为堆叠监督自动编码器的输入信号, 利用理化值对多个监督自动编码器进行有监督的预训练; 将多个经过预训练的监督自动编码器进行堆叠, 得到堆叠监督自动编码器; 将预训练的参数作为堆叠监督自动编码器的初始化参数, 然后再利用理化值对堆叠监督自动编码器进行有监督的微调, 最后得到模型的最优参数。 分别利用玉米含水量和黄酒总酸含量等近红外数据集进行验证, 建立了偏最小二乘回归预测模型、 人工神经网络预测模型、 堆叠自动编码器预测模型和堆叠监督自动编码器预测模型, 验证了堆叠监督自动编码器建模的可行性; 以预测均方根误差和预测相对分析误差两个指标对比分析了偏最小二乘回归、 反向传播人工神经网络、 堆叠自动编码器及堆叠监督自动编码器四种建模方法的评价指标。 分析结果表明, 采用该方法建立的模型, 模型预测效果更好, 玉米含水量数据集的两个评价指标达到了0.060 4和4.313; 黄酒总酸含量数据的两个评价指标达到了0.120和4.227, 均优于另外三种方法。
近红外光谱 深度学习 堆叠监督自编码器 定量校正模型 Near infrared spectroscopy Deep learning Stack supervised auto-encoder (SSAE) Quantitative calibration model
江南大学自动化研究所轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
近红外光谱是一种快速、 无损的定量分析工具, 现如今已广泛的应用在各个行业中。 近红外光谱分析技术应用的关键就在于如何建立一个有效而又精确的模型。 目前常用的定量分析方法大多为浅层模型, 深度信念网络(DBN)是一种基于概率的深层模型, 可以自动学习输入的有效特征表示, 且只要设置最后隐层输出节点数低于输入光谱维度, 在对光谱数据完成特征提取的同时即可实现降维。 对于近红外光谱样本量大、 变量多、 维度高等问题, 提出一种基于深度信念网络的近红外光谱建模方法, 定量分析物性浓度。 该方法以近红外光谱数据作为输入信号, 首先对多层受限玻尔兹曼机（RBM）进行无监督学习, 实现光谱自身特征的提取; 然后利用目标理化值对网络进行微调得到最优模型参数。 在建立DBN校正模型的基础下对其进行改进, 建立DBN-PLS校正模型。 通过建立DBN近红外光谱校正模型、 DBN-PLS近红外光谱校正模型, 验证了DBN建模和DBN-PLS建模的可行性, 并引入决定系数（R2）和均方误差（MSE）两个模型评价指标, 对比分析了传统BP建模和DBN建模的精度。 分析结果表明, 相较于传统定量分析方法建模, 利用DBN方法建模和DBN-PLS方法建模可以提高预测精度。
近红外光谱 深度信念网络(DBN) 定量校正模型 Near infrared spcetroscopy Deep belief network(DBN) DBN-PLS DBN-PLS Quantitative calibration model 光谱学与光谱分析
2020, 40(8): 2512
江南大学轻工过程先进控制教育部重点实验室, 江苏 无锡 214122
近红外光谱是一种快速、 无损的定量分析工具。 为了提高黄酒关键参数的检测水平, 采用近红外光谱法进行定量分析。 检测过程中, 由于受环境波动、 仪器老化、 原料变化等因素的影响, 基于旧样品所建的模型的精确度逐渐下降。 为保持模型的预测精度, 引入递归偏最小二乘(recursive partial least square, RPLS)对模型进行更新。 以往此方法多使用全谱信息扩充建模集并进行递归计算, 光谱的变量多, 且包含环境影响等干扰信息, 更新计算量大, 且精度的提升效果不明显。 考虑到黄酒生产过程中特征波段变化小的特性, 提出了一种基于特征波段的黄酒近红外光谱检测模型递归更新方法。 先采用相关系数法提取特征波段建立低维模型, 在采集到新样品理化值后, 再利用其特征波段光谱信息, 使用递归偏最小二乘对低维模型进行更新。 此方法被应用于黄酒总酸的近红外检测模型更新。 模型评价使用相关系数r, 预测标准偏差RMSEP和预测相对分析误差RPD三个指标。 结果表明: 采用本方法后, 模型稳定性显著优化, 计算效率有所提升, 模型预测效果良好, 三个评价指标分别达到0.965 7, 0.184 3和3.736 2, 较全谱PRLS时分别提高3%, 24%和31%, 在实际应用中有一定的参考价值。
近红外光谱 模型更新 递归偏最小二乘 (RPLS) 特征波段 Near infrared spectroscopy Model updating Recursive partial least square (RPLS) Characteristic wavelength 光谱学与光谱分析
2017, 37(11): 3414
江南大学轻工过程先进控制教育部重点实验室, 自动化研究所, 江苏 无锡 214122
主要研究了近红外光谱技术对成品黄酒中总酚含量快速检测的可行性。针对近红外光谱样本少、非线性等特点, 首次将最小二乘支持向量机( Least squares support vector machines, LSSVM)方法引入到传统遗传算法(genetic algorithms, GA)的波长选择中, 提出一种基于 GA-LSSVM的近红外光谱波段选择方法。该方法采用 LSSVM建立小样本下不同波段的非线性模型, 然后通过 GA算法进行波长的优化选择。应用中, 基于 GA-LSSVM模型的总酚预测集相关系数(Rp)为 0.9734, 预测均方根误差(RMSEP)为 5.5596, 相比于传统方法, GA-LSSVM算法能够较好地提取非线性信息, 预测效果更好。
近红外光谱 黄酒总酚 NIR total phenol in the Chinese yellow wine GA-LSSVM GA-LSSVM
