强激光与粒子束
2022, 34(5): 053001
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
当近红外光谱信息远远大于样本量时, 对光谱信息进行自动变量选择进而建立光谱与微量成分含量之间的稀疏线性模型重要且具有挑战性。 针对聚苯醚生产过程中微量成分邻甲酚难以测量的问题, 将变量选择方法Adaptive Elastic Net用于建立近红外光谱与邻甲酚含量之间的定量校正模型, 并将其模型性能与ElasticNet方法进行对比。 在变量数目远远大于样本量的情形下, ElasticNet方法虽可以实现变量选择, 但由于其系数估计不具备Oracle性质, 使得模型的可解释性和预测精度受到影响, 而Adaptive Elastic Net方法通过对L1惩罚项施加自适应权重从而很好的解决了上述问题并提高了模型性能。 为了验证Adaptive Elastic Net方法的模型性能指标, 用最终被选中的自变量数目来评价模型复杂度; 利用复相关系数R2来评价模型的可解释性, 利用平均相对预测误差MRPE（mean relative prediction error）和预测相关系数Rp来评价模型的预测精度。 Elastic Net方法建立的模型性能指标为: NSIV=529, R2=0.96, MRPE=3.22％, Rp=0.97; Adaptive Elastic Net方法的性能指标为: NSIV=139, R2=0.99, MRPE=2.00％, Rp=0.99。 结果表明: Adaptive Elastic Net所建立模型的性能指标优于Elastic Net方法, 可以得到更加简单且具有较强可解释性和较高预测精度的稀疏线性模型。
近红外光谱 可解释性 预测精度 Near infrared spectroscopy Adaptive Elastic Net Adaptive Elastic Net Interpretability Prediction accuracy
浙江师范大学信息光学研究所, 浙江 金华 321004
为提高激光诱导击穿光谱技术对土壤元素检测的精度,建立了相关向量机土壤元素定量分析模型,并将该模型与已有的支持向量机模型和最小二乘支持向量机模型进行对比分析。以土壤元素Ni的4条特征谱线作为分析线,对其进行全谱归一化处理后,利用训练样品集建立相关向量机、支持向量机和最小二乘支持向量机模型。测试样品集的测试结果表明:在模型预测精度方面,支持向量机模型比另两种模型方法差;在稳定性方面,最小二乘支持向量机模型比另两种模型差。在实际应用中,相关向量机模型在稳定性及预测精度上的优势使其比另两个模型更适合用于激光诱导击穿光谱技术的定量分析中。
激光光学 激光诱导击穿光谱技术 定量分析 相关向量机 土壤 预测精度 稳定性 光学学报
2018, 38(12): 1214002
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
当近红外光谱信息远大于样本量时, 对光谱信息进行自动变量选择进而建立光谱与样品含量的稀疏线性模型重要且具有挑战性。 利用近红外光谱, 将变量选择方法Elastic Net用于聚苯醚生产过程中微量成分邻甲酚的测量, 建立近红外光谱与邻甲酚含量之间的定量校正模型, 并将其模型预测效果与Lasso方法进行对比。 在变量数目远远大于样本量的情形下, Lasso方法虽可实现变量选择, 但由于对系数的过度压缩, 使得模型的预测精度受到影响, 而Elastic Net通过增加L2惩罚项避免了过多删失数据, 可以提高模型预测精度。 为了验证Elastic Net方法的模型性能指标, 用复相关系数R2和调整的复相关系数R2a来评价模型的可解释性, 利用平均相对预测误差MRPE(mean relative prediction error)和预测相关系数Rp来评价模型的预测精度。 Lasso方法建立的模型性能指标为: R2=0.94, R2a=0.93, MRPE=4.51％, Rp=0.96; Elastic Net方法的性能指标为: R2=0.97, R2a=1, MRPE=3.25％, Rp=0.98。 结果表明, Elastic Net所建立模型的性能指标优于Lasso方法, 可以得到可解释性较强和预测精度较高的稀疏线性模型。
近红外光谱 可解释性 预测精度 Near infrared spectroscopy Elastic Net Elastic Net Lasso Lasso Interpretable Prediction accuracy 光谱学与光谱分析
2018, 38(10): 3096
1 江西农业大学工学院， 江西省高校生物光电技术及应用重点实验室
2 江西省果蔬采后处理关键技术及质量安全协同创新中心， 江西 南昌 330045
利用可见/近红外半透射光谱技术对未剥皮(完整)和剥皮脐橙的可溶性固形物(SSC)进行检测， 探索果皮对脐橙SSC检测精度的影响。 采用QualitySpec型光谱仪获取未剥皮和剥皮脐橙在350~1 000 nm波段的可见/近红外光谱， 并从光谱和模型性能两方面分析果皮的影响。 对未剥皮和剥皮脐橙平均光谱进行比较， 并提取前20个主成分进行多元方差分析； 应用偏最小二乘(PLS)回归结合不同预处理方法分别建立未剥皮和剥皮脐橙SSC的预测模型， 对预测模型性能进行比较， 并对预测集样本的预测残差平方进行方差分析。 结果表明， 在5%置信水平下， 果皮对脐橙SSC检测精度的影响是显著的。 未剥皮和剥皮脐橙SSC的最优PLS模型的预测集相关系数和预测均方根误差分别为0888， 0456%和0944， 0324%。
可见/近红外 果皮影响 检测精度 可溶性固形物 方差分析 脐橙 Vis/NIR Pericarp effect Prediction accuracy Soluble solid content Analysis of variance Navel orange 光谱学与光谱分析
2018, 38(5): 1406
1 西北农林科技大学资源环境学院, 陕西 杨凌712100
2 农业部西北植物营养与农业环境重点实验室, 陕西 杨凌712100
为获取农田土壤重金属精确空间分布信息, 以某污灌区52个土壤全量镉、 有效镉含量为目标变量, 以土壤一阶微分光谱为辅助协同变量, 采用协同克里格法, 进行空间变异及插值研究。 结果表明, 土壤反射光谱相对有机质、 氧化铁等单一土壤环境变量, 能反映更多土壤表面属性信息, 与土壤镉含量表现出更高显著相关性; 选择其一阶微分光谱作为协同变量, 进行Cokriging插值, 与普通Kriging和以有机质、 氧化铁等协同变量的Cokriging插值结果相比较, 估测精度明显提高。 以土壤光谱作为辅助变量, 能大大提高土壤重金属插值精度, 获取更精确空间分布信息, 而且相对常用协同变量, 具有测定简单、 省时、 无损等优点, 是提高土壤重金属空间插值的理想辅助因子。
土壤镉 土壤反射光谱 协同克里格 预测精度 Soil cadmium Soil reflection spectrum Cokriging Prediction accuracy 光谱学与光谱分析
2013, 33(8): 2157
