甲醇汽油和乙醇汽油都为清洁能源, 但甲醇汽油和乙醇汽油的优缺点各有不同, 其中甲醇、 乙醇的含量决定了汽油性能的优劣, 对甲醇汽油和乙醇汽油进行判别区分以及醇类汽油中醇含量进行定量测定非常重要。 通过中红外光谱技术对醇类汽油的类型进行判别并对其含量进行定量分析。 首先通过对比分析甲醇汽油和乙醇汽油的中红外光谱图, 采用随机森林(random forest, RF)对甲醇汽油和乙醇汽油样品进行判别; 在建立甲醇汽油和乙醇汽油样品定性判别模型之后, 分别建立甲醇汽油和乙醇汽油的定量测定模型, 从而精确测定汽油中对应的醇的含量。 为减小在实验过程中实验仪器振动、 噪声等原因导致的光谱漂移、 光散射等现象, 对中红外光谱进行预处理。 首先采用不同预处理, 如(savitzky-golay, S-G)卷积平滑、 多元散射校正(multiplicative scatter correction, MSC)、 标准正态变量变换(standard normal variable transformation, SNV)、 导数(derivatives)等方法进行校正, 分别建立适合甲醇汽油和乙醇汽油的检测模型。 预处理后的数据分别建立甲醇汽油、 乙醇汽油的最小二乘支持向量机(least square support vector machine, LS-SVM)模型。 采用随机森林(random forest, RF)对甲醇汽油和乙醇汽油样品进行判别, 发现当决策树个数为61时, 判别正确率达到98.28%。 对于LS-SVM模型, 比较建模结果可知: 无论是甲醇汽油还是乙醇汽油, 标准正态变量变换(SNV)预处理效果最好, 经SNV校正处理后建立的甲醇汽油甲醇含量测定LS-SVM模型的预测相关系数Rp为0.9519, 均方根误差(root mean square error of prediction, RMSEP)为1.766 3; 经过标准正态变量变换后建立的乙醇汽油乙醇含量测定LSSVM模型的预测相关系数Rp为0.951 5, 均方根误差RMSEP为1.770 3。 该研究可为甲醇汽油、 乙醇汽油的定性判别和其含量测定提供技术参考和理论依据, 为甲醇汽油产业提供测量醇类汽油检测的新方法, 具有较为重要的现实意义, 也为其他类型的化工产品的检测奠定了基础。

提出了一种将拉曼光谱和基于粒子群的最小二乘支持向量机(PSO-LSSVM)算法相结合快速定量检测三组分食用调和油含量的方法。 以三组分的食用调和油为研究对象, 对拉曼光谱分四步进行了预处理, 进而准确提取拉曼光谱的特征峰强度。 以训练集样本的特征峰强度和调和油样品的百分比含量作为回归预测模型的输入值和输出值, 建立LSSVM和PSO-LSSVM数学模型, 通过测试集样本的相关系数和均方误差对模型的预测能力进行分析。 非线性建模的最小二乘支持向量机(LSSVM)算法的核函数参数σ和正则化参数γ对模型的学习和泛化能力影响很大, 导致模型的预测精度和泛化能力过度依赖于参数——在优化步长过小时耗时较长, 过大时又无法得到全局最优值。 提出的PSO-LSSVM算法, 利用粒子群全局优化能力和收敛速度快的特点对LSSVM的模型参数σ和γ进行优化, 从而克服LSSVM算法中耗时与盲目性的问题。 分析结果表明, PSO-LSSVM算法对三组分食用调和油中大豆油、 花生油和葵花仁油定量预测模型的测试集相关系数分别为0.967 7, 0.997 2, 0.995 3； 均方误差分别为0.054 9, 0.009 2, 0.047 1。 与LSSVM算法相比, PSO-LSSVM模型的预测精度更高。 因此, 该方法可以快速、 准确地检测三组分食用调和油的含量。

采用可见/近红外光谱技术在线检测水果糖度, 每个水果品种要单独建模, 模型升级维护耗时费力。 探讨建立苹果、 梨等薄皮水果可溶性固形物(SSC)在线检测通用数学模型的可行性。 利用自行设计的可见/近红外漫透射光谱在线检测系统, 在积分时间80 ms、 单线速度5个/s的条件下, 采集新梨7号、 砀山酥梨、 玉露香梨和富士苹果四种水果的可见/近红外漫透射光谱。 分析了四种水果的可见/近红外漫透射光谱响应特性, 采用变异系数法和连续投影算法, 筛选通用数学模型建模用光谱变量, 并建立了偏最小二乘和最小二乘支持向量机梨与苹果梨通用数学模型。 采用新样品评价模型的预测能力, 变异系数法筛选光谱波段建立的偏最小二乘通用数学模型预测精度最高, 通用模型预测梨和苹果梨模型预测均方根误差分别为049%和055%, 通用模型预测相关系数分别为088和093； 独立模型预测新梨7号、 玉露香梨、 砀山酥梨和富士苹果的预测相关系数分别为093, 091, 088和095, 预测均方根误差分别为040%, 042%, 041%和046%。 通用数学模型的预测精度略低于每个品种的独立数学模型, 但是通用模型的通用性高于单一模型。 实验结果说明采用变异系数法结合偏最小二乘法建立薄皮水果在线检测通用数学模型, 实现四种水果糖度在线检测是可行的。Mathematical Model

为了实现无损测量生物组织光学参量,利用CCD技术结合最小二乘支持向量机,对测量组织模拟液的光学参量进行了实验研究.通过实验测量了组织模拟液的表面漫反射光分布,建立了漫反射光分布与光学参量间的最小二乘支持向量机回归模型,该模型实现了小样本条件下对组织模拟液光学参量的预测误差仅为5%.结果表明,最小二乘支持向量机结合CCD测量技术能够准确测量组织模拟液的光学参量.

探讨了可见-近红外光谱技术快速无损识别不同品牌车蜡的可行性。 实验一共获得104 样本， 其中40个样本（建模集）用于建立模型， 剩余64个样本（预测集）被用于独立验证建立好的模型。 基于五种不同品牌车蜡的可见-近红外光谱分别建立了线性判别分析（linear Discriminant Analysis， LDA）和最小二乘支持向量机（least square-support vector machine, LS-SVM）模型。 基于两个算法的全波段光谱模型的预测集正确率分别达到了84%和97%。 进一步采用连续投影算法（successive projections algorithm, SPA）算法从751波段中选取了7个特征波段（351, 365, 401, 441, 605, 926和980 nm）。 基于SPA选择的变量建立LS-SVM模型， 准确率依然保持在97%。 说明SPA选择的特征波段包含了对于车蜡品牌鉴别最重要的光谱信息， 而大多数无用信息则被有效剔除。 将SPA与LS-SVM算法的车蜡识别模型在保证正确率的基础上， 还可以大大降低模型计算复杂程度， 说明该模型能快速准确的从车蜡可见-近红外光谱中提取有效信息， 并实现车蜡品牌的无损鉴别。

采用紫外可见(ultraviolet/visible, UV/Vis)光谱技术对水体中有机物浓度的指标化学需氧量(chemical oxygen demand, COD)进行快速检测, 将收集到的135份水样进行UV/VIS波段全光谱扫描, 应用Savitzky-Golay (SG)平滑算法, 经验模态分解算法(empirical modedecomposition, EMD)和小波分析(wavelet transform, WT)对提取出的光谱数据进行去除噪声处理, 为了简化模型, PLSR建模得到的6个潜在变量(LVs)作为偏最小二乘支持向量机(LS-SVM)的输入建立COD预测模型, LS-SVM模型的预测集决定系数r2为0.82, 预测均方根误差RMSEP为14.82 mg·L-1。 说明使用LVs作为LS-SVM建模输入, 可以准确快速检测水产养殖水体中的COD含量, 为将来实现水产养殖水质COD含量的在线检测以及其他水质参数的快速测定奠定了基础。

对导弹退化故障预测方法进行了研究, 对测试数据进行统计推断, 确定了测试数据的分布规律, 并针对导弹测试数据分布参数存在小样本、非线性等特点, 应用最小二乘支持向量机预测算法对测试数据的分布参数进行预测, 确定了测试数据未来某一时刻的分布函数, 进而建立了导弹退化故障预测模型,得出了导弹未来一段时间内的退化故障概率。通过实例分析, 验证了退化故障预测模型的合理性。

提出了一种基于近红外光谱分析技术和最小二乘支持向量机的鉴别方法, 能够快速、 无损鉴别聚丙烯酰胺的三种类型。 获取非离子, 阴离子和阳离子等三种类型的聚丙烯酰胺样本的近红外漫反射光谱, 用主成分分析方法对样本光谱数据进行降维, 并提取主成分。 基于前三个主成分对三种类型的聚丙烯酰胺样本进行聚类分析, 并将主成分作为最小二乘支持向量机的输入。 通过基于网格搜索的交叉验证方式优化最小二乘支持向量机的参数和作为其输入的主成分个数。 每种类型聚丙烯酰胺各采集60个样本, 共采集180个样本, 每种类型样本随机选取45个样本, 共135样本作为训练样本集, 剩余45个样本作为测试集。 为了验证该方法能否鉴别掺假样本, 制备了掺入不同比例非离子聚丙烯酰胺的5个阴离子和5个阳离子聚丙烯酰胺样本。 采用基于训练样本集交叉验证预测误差的F统计显著性检验方法来确定样本的鉴别结果误差阈值。 结果表明, 预测测试集时, 准确率为100%。 预测10个混和样本时, 所有混合样本都被准确识别出。 说明该方法能快速无损鉴别不同类型的聚丙烯酰胺并且具有掺假鉴别能力, 为聚丙烯酰胺类型的快速鉴别提供了一种新方法。

应用傅里叶变换近红外光谱技术实现了鲜辣椒中可溶性固形物(SSC)和维生素C(Vc)含量的快速无损检测。分别采用7种预处理方法对原始光谱进行处理后, 建立了SSC和Vc预测的偏最小二乘法(PLS)模型。将利用最小二乘法(PLS)提取的主成分(PC)和蒙特卡罗无信息变量消除法 (MC-UVE)提取的有效波长作为最小二乘支持向量机 (LS-SVM)的输入变量, 分别建立了PC-LS-SVM 和MC-UVE-LS-SVM模型, 并与MC-UVE-PLS模型进行了比较。采用优化后的模型对27个预测集未知样品进行了预测。结果表明, 对鲜辣椒中SSC含量预测最优的为MC-UVE-PLS模型, 其预测集相关系数(rp)为0.971, 预测集均方根误差(RMSEP)为0.382 °Brix;对鲜辣椒中Vc含量预测最优的为MC-UVE-LS-SVM模型, 其rp为0.899, RMSEP为21.022 mg/100 g。研究结果表明: 鲜辣椒中SSC和Vc的含量与近红外光谱具有显著的相关性。