针对采用含随机噪声的数据进行非线性动态系统建模无法获得准确模型参数的问题, 提出了一种基于加权最小二乘支持向量机(LS-SVM)数据预处理的复合辨识方案。复合辨识方案根据数据的分布信息, 利用加权LS-SVM对异常数据的鲁棒性, 通过回归计算消除数据的异常性; 再利用预处理后的数据训练补偿模糊神经网络参数, 得到系统模型。结果表明, 采用加权LS-SVM预处理的复合辨识方案运用在普遍存在随机噪声的系统中, 能获得更加准确的辨识模型。

为探究高光谱成像(400～1 000 nm)对羊肉中饱和脂肪酸（SFA）含量检测的可行性, 提出一种基于特征光谱信息和图像纹理特征融合的SFA含量预测模型, 实现对羊肉中SFA含量的快速检测及分布可视化。 利用分段阈值法构建掩膜图像, 获取羊肉样本感兴趣区域（ROI）, 结合SPXY法对样本集进行划分并对相关光谱信息进行预处理, 分别采用连续投影算法（SPA）、 变量组合集群分析法（VCPA）和β权重系数法提取特征光谱； 通过获取羊肉样本主成分图像, 结合灰度共生矩阵（GLCM）算法提取图像纹理信息； 分别对特征光谱、 图像信息及图谱融合信息建立的偏最小二乘回归（PLSR）与最小二乘支持向量机（LS-SVM）预测模型进行对比分析。 利用5种不同对原始光谱数据进行预处理, 经SNV法预处理后的光谱其校正集与预测集相关系数分别为0.921和0.875, 较原始光谱分别增加了0.001和0.04, 均方根误差模型分别为0.244和0.268, 较原始光谱模型分别减少了0.003和0.06； 对SNV法预处理后的光谱数据进行特征波长提取, SPA法、 VCPA法及β权重系数法分别提取出12, 10和9个特征波长； 获取羊肉样本的前5个主成分图像, 选择所含信息量最多的第一主成分图像进行纹理特征提取, 依次提取0, 45°, 90°和135°方向下的能量、 熵、 同质性和相关性共4个主要纹理特征。 利用SPA法提取的特征波长建立的PLSR与LS-SVM模型性能较好, PLSR模型校正集与预测集相关系数分别为0.884 9和0.880 7, 均方根误差分别为0.300 1和0.260 6； LS-SVM模型校正集与预测集相关系数分别为0.898 7和0.892 6, 均方根误差分别为0.276 7和0.247 6； 图谱信息融合模型中, PLSR模型校正集与预测集相关系数分别为0.907 1和0.907 8, 较特征光谱模型分别增加了0.02和0.03, 均方根误差分别为0.326 9和0.299 2, 较特征光谱模型分别增加了0.03和0.04； LS-SVM模型校正集与预测集相关系数分别为0.920 6和0.894 6, 较特征光谱模型分别增加了0.02和0.002, 均方根误差分别为0.251 9和0.245 8, 较特征光谱模型分别减少了0.02和0.002。 光谱预处理中经SNV法处理后的光谱所建模型性能优于其他预处理方法； 采用SPA法提取的12个特征波长简化了光谱模型, 提高了模型性能, 特征光谱建模的最优方法为SPA-LS-SVM； 图谱信息融合模型较特征光谱模型, 模型相关系数增加较少, 表明图像纹理信息虽携带了部分有效信息, 但这些信息与羊肉中SFA含量之间的相关性有待进一步研究。 基于图谱信息融合模型的预测性能最优, 其次为光谱信息模型。 择优选取SPA-PLSR模型计算羊肉样本中每个像素点的SFA含量, 利用伪彩色图直观表示了羊肉样本中SFA的含量分布。 实现对羊肉样本SFA含量的无损检测及分布可视化表达。

鉴于光谱分析仪在使用过程中会发生谱图微缓形变, 造成光谱保真度下降, 本文提出一种结合标气定期校验和最小二乘支持向量机(LS-SVM)的方法。在校验时, 比较相同标准气体的当前光谱和出厂标定时的光谱, 利用LS-SVM算法计算谱图形变, 并根据形变分析结果进行复原。由于形变具有长期累积性和不可控性, 所以用激光器驱动电流的可控性变化引起的谱图变化模拟形变。采用TDLAS技术实验, 检测烯烃裂解炉清焦过程中的CO和CO2, 使用20 m光程的Herriot气室和中心波长为1 580 nm的DFB激光器。共采集了50组不同形变程度的光谱, 根据LS-SVM算法的形变分析结果, 利用插值法还原谱图。对比了该方法与不复原以及传统寻峰复原方法的气体浓度分析精度, 发现当分析仪存在复杂形变时, 利用LS-SVM算法和插值法复原的方法比传统的寻峰方法精度提高2~3倍。实验结果验证了LS-SVM算法的谱图形变分析能力以及插值法复原的有效性。

利用近红外光谱对核桃露中的重要指标脂肪含量进行定量分析, 同时进行建模变量优化、 建模方法比较以优选最佳模型。 为消除散射对光谱造成的影响, 采用标准正态变换(SNV)方法对数据进行预处理, 采用遗传算法(GA)结合向后间隔偏最小二乘法(BiPLS)优选的特征波长分别作为偏最小二乘法(PLS)及最小二乘支持向量机(LS-SVM)的输入变量, 建立核桃露中脂肪含量的近红外定量模型, 采用决定系数(R2)、 预测标准偏差(RMSEP)以及性能偏差比(RPD)对各模型进行评价, 探究光谱波段选择方法对于核桃露中脂肪指标模型构建的影响, 同时确定最佳建模方法。 结果表明: 进行变量筛选能够对模型起到优化作用, BiPLS及GA-BiPLS方法分别选择了150及30个变量点, 占全光谱的10%及2%, 对应了核桃露样品中脂肪成分的特征吸收峰, 使得PLS模型的RMSEP值从0.049分别下降到0.043和0.040, 同时模型的相关系数R2从0.964提高到0.973及0.974, 性能偏差比RPD从4.88增长到5.62及6.00, 主成分数也有不同程度的减少, 降低模型复杂程度的同时提高了模型准确性。 相比于PLS模型, 核桃露脂肪指标的LS-SVM模型的R2, RMSEP及RPD值均表现出了更好的效果, 分别达到0.986, 0.036及6.52。 说明基于最小二乘支持向量机建立的分析模型有较高的准确度及稳定性, 可能是由于PLS作为一种经典的线性建模方法, 在建立模型的过程中忽略了样品数据集中的非线性因素, 而核桃露样品光谱测量过程中噪声、 背景等因素的干扰, 以及各指标成分间的相互影响, 使得脂肪含量与近红外光谱信息间存在复杂非线性的变化关系, LS-SVM方法能够更为有效地对其进行描述, 增强了光谱变量与指标浓度间的相关性, 使得建立的模型有着更好的准确度以及普适性, 说明了在实际生产中, LS-SVM方法具备优良的可行性, 体现了其在核桃露饮品品质分析方面的巨大潜力。 基于最小二乘支持向量机方法所建立的核桃露脂肪含量的定量分析模型, 具有准确、 稳定的特点, 能够为核桃露生产的质量监控提供技术借鉴, 同时为饮品品质的分析方法研究提供了新的思路。

面粉(小麦粉)是中国北方大部分地区的主食, 苯甲酸是重要的酸型食品防腐剂, 为了便于食品长期保存, 往往会添加苯甲酸以便延长食品保存时间。 但食用添加苯甲酸过量的小麦粉会对身体健康产生严重危害。 太赫兹技术是一种新兴的检测技术, 由于处于特殊的0.1～10 THz的太赫兹频段, 在食品安全检测方面体现出了很强的应用潜力。 主要致力于探索太赫兹光谱技术检测苯甲酸的合理性、 可行性, 利用太赫兹时域光谱技术对面粉中的食品添加剂苯甲酸进行实验研究。 实验获取了面粉和苯甲酸的太赫兹时域光谱和频域光谱, 其吸收系数显示苯甲酸的特征吸收峰在1.94 THz波段, 面粉的太赫兹吸收系数几乎以一定的斜率增加, 说明可以用THz-TDS(Terahertz time domain spectrum)技术对面粉中的苯甲酸进行特征识别。 为建立面粉中添加剂苯甲酸的定量检测模型, 实验获取了面粉中掺杂不同百分比(质量分数)苯甲酸的太赫兹时域光谱, 计算得到吸收系数谱。 实验发现吸收峰幅度的变化是与苯甲酸的含量成正比的, 苯甲酸含量增加吸收峰幅度变大。 首先探索了不同光谱预处理方法对太赫兹光谱的影响, 采用如平滑校正、 多元散射校正、 基线校正和归一化等方法对原始光谱进行校正处理。 校正之后, 建立相应的PLS (partial least squares)模型以选择最优预处理方法。 然后分别建立苯甲酸浓度和太赫兹吸收系数的MLR (multiple linear regression)、 PLS和LS-SVM(partial least squares support vector machines)回归模型, 并对比分析不同模型的优劣。 将光谱数据归一化后建立的PLS模型更具有优势, 预测相关系数Rp为0.979, 预测均方根误差RMSEP为1.30%。 LS-SVM与PLS和MLR模型相比, LS-SVM模型可以获得更好的建模结果, LS-SVM的预测相关系数Rp为0.987, 预测均方根误差RMSEP为1.10%。 利用MLR方法仅使用1.946和1.869 THz两个波段点进行建模, 建模效果预测相关系数Rp为0.955, 预测均方根误差RMSEP为1.90%。 通过该研究为面粉中苯甲酸添加剂的无损检测提供了新的解决方案, 也为其他类型的添加剂的检测提供了方法指导, 对促进面粉行业的健康发展具有重要的意义。

使用太赫兹时域光谱(THz-TDS)技术对葛粉中掺薯粉的含量进行定性、定量检测。对葛粉中掺薯粉的光谱数据进行采集,利用偏最小二乘法(PLS)建立葛粉掺薯粉定性模型以判断葛粉中是否掺薯粉,得到PLS的总误判率为0%,模型相关系数为0.925。结果表明:PLS可实现葛粉中是否掺薯粉的定性判别。再利用PLS和最小二乘支持向量机(LS-SVM)算法分别建立葛粉中掺薯粉的定量模型。利用PLS建立的模型的相关系数为0.932,预测集的均方根误差(RMSE)为 2.6%;利用LS-SVM建立的模型的相关系数为0.957,预测集的RMSE为 1.6%,结果表明:利用LS-SVM的葛粉掺薯粉定量模型更准确,说明THz-TDS技术可用于对葛粉中掺薯粉进行快速、有效、无损检测。

水体中的硝酸盐浓度过高不仅会造成水环境污染而且会对人类身体健康造成很大威胁, 传统的检测硝酸盐的方法检测时间长且操作复杂。 针对水体中硝酸盐氮难以快速在线检测的问题, 基于紫外吸收光谱, 提出了一种混合预测模型结合光谱积分快速定量检测水体中硝酸盐浓度的方法。 混合预测模型为低浓度样本建立的双波长法预测模型与高浓度样本建立的偏最小二乘支持向量机(LS-SVM)预测模型数据融合之后的模型。 按照合适的浓度梯度配备了19组硝酸盐氮标准溶液, 通过实验测得不同浓度硝酸盐氮样本的光谱数据。 首先基于双波长法对所有样本进行回归分析, 按照A=A220-2A275计算不同实验样本的吸光度A, 其中A220和A275是220和275 nm处样本的吸光度, 将吸光度A与样本浓度值进行线性回归, 拟合出样本浓度的预测值。 结果显示当样本浓度较小时, 相关性很好, r为0.997 4, 随着实验样本浓度的上升, 曲线发生严重的非线性漂移, 因此双波长法只适合低浓度样本预测模型的建立。 对于高浓度样本, 光谱重叠严重, 适合建立非线性的预测模型, 支持向量机(SVM)与LS-SVM都适合小样本的非线性数据建模, LS-SVM预测精度稍高, 运算速度稍快。 通过对所有的实验样本进行全波长光谱积分, 比较相邻样本光谱积分的变化率可以筛选出样本的临界浓度值, 4 mg·L-1的硝酸盐样本积分值前后变化率最大, 因此选择4 mg·L-1作为临界浓度值较为合适。 浓度高于4 mg·L-1的实验样本建立LS-SVM预测模型, 通过交叉验证的方法选择出合适的参数, 正则化参数γ=50, 核函数选择高斯核, 核函数宽度σ２=0.36, 训练样本之后进行回归; 其余样本建立双波长法预测模型, 最后进行两种模型的数据融合, 形成从低浓度到高浓度的水体中硝酸盐浓度的检测。 为了验证混合预测模型的预测精度, 另外建立了SVM, LS-SVM, 偏最小二乘(PLS)等模型, 并求出r, 预测值与真实浓度值平均绝对误差(MAE)和均方根误差(RMSE)对模型进行评价。 验证结果表明, 相比于SVM, LS-SVM和PLS等模型, 提出的混合模型回归的相关系数为0.999 86, 分别提高了1.8%, 1.6%和0.45%, 预测值与真实浓度的平均绝对误差为2.55%, 分别降低了6.27%, 4.49%和1.01%, 均方根误差为0.303, 为四种预测模型中最小, SVM与LS-SVM的相对误差相对较高, PLS模型相对误差上下波动比较大, 混合预测模型相对误差最为稳定, 并保持在较低水平, 由此可见混合预测模型的预测效果明显优于其他几种模型。 并与文献［5—7］中的测量方法进行对比, 该混合预测方法可以简单快速的测量水体中硝酸盐氮的浓度, 且不需要试剂, 无二次污染, 与文献[9]中的预测模型相比, 预测精度明显提高。 因此提出的混合模型可正确快速地预测水体中硝酸盐氮的浓度, 可为在线监测水体中硝酸盐浓度提供有效的技术参考。

甲醇汽油是一种清洁能源, 甲醇汽油中甲醇的含量决定了汽油的性能。 通过中红外光谱对甲醇汽油中甲醇含量进行定量检测和分析。 首先, 对采集的甲醇汽油原始中红外光谱进行平滑处理(smoothing) 、 多元散射校正(MSC) 、 基线校正(baseline) 、 归一化(normalization) 等预处理, 再建立PLS模型, 对比选择最佳预处理方法, 结果表明: 在多元散射校正(MSC) 处理后建立的PLS模型效果最好, 模型的预测集相关系数r为0.918, 预测均方根误差RMSEP为2.107。 为进一步简化模型, 提高预测精度, 采用无信息变量消除(uninformative variable elimination, UVE)方法对波长进行筛选, 将UVE波段筛选之后的作为模型的输入变量, 采用偏最小二乘法(partial least squares, PLS) 、 主成分回归(principal components regression, PCR)和最小二乘支持向量机(least square support vector machine, LSSVM) 三种方法分别建立甲醇汽油中甲醇含量的定量预测模型, 并比较不同模型的预测效果和结果。 结果表明, 使用无信息变量消除可以较好提高数据的运算速度, 其中, UVE-PLS模型建模效果最好, r和RMSEP分别为0.923和2.075。 该实验表明中红外光谱检测甲醇汽油中甲醇含量是可行的并可以得到较好的效果; UVE是一种对甲醇汽油的中红外光谱非常有效的波段筛选方法, 该模型的建立对石油化工领域具有较为重要的意义。