1 东华理工大学核技术应用教育部工程研究中心, 江西 南昌 330013
2 东华理工大学核资源与环境国家重点实验室, 江西 南昌 330013
3 长江大学, 湖北 武汉 430000
X射线荧光光谱分析作为一种以化学计量学为基础的定量分析技术, 所建立模型优劣对结果的预测准确性显得十分重要。 竞争性自适应重加权算法(CARS)采用自适应重加权采样技术, 利用交互验证选出互验证均方根误差(RMSECV)值最低原则, 寻出最优变量组合。 为了进一步提高PLS模型的解释和预测能力, 将竞争性自适应重加权算法(CARS)与X射线荧光光谱分析技术相结合, 对土壤中重金属元素铅和砷进行特征波长变量筛选后建立偏最小二乘(PLS)模型。 首先, 利用CARS算法对铅含量密切相关的波长变量进行筛选, 当采样次数为26次时, 筛选出60个有效波长点; 对砷含量密切相关的波长变量进行筛选, 当采样次数为34次时, 筛选出19个有效波长点; 然后对优选出的波长点利用PLS方法分别建立土壤中铅和砷含量定量分析模型, 并与经连续投影算法(SPA)及蒙特卡罗无信息变量消除(MC-UVE)方法波长变量筛选后所建立的PLS模型进行比较。 结果显示: 铅的CARS-PLS模型的预测集决定系数(R2)、 交互验证均方根误差(RMSECV)、 预测均方根误差(RMSEP)和相对预测误差(RPD)分别为0.995 5, 2.598 6, 3.228和9.401 1, 砷的CARS-PLS模型的预测集R2, RMSECV, RMSEP和RPD分别为0.989 9, 3.013 2, 2.737 1和8.211 6; 两元素的CARS-PLS模型性能均优于全波段PLS, SPA-PLS和MC-UVE-PLS模型。 基于CARS-PLS的算法可以有效筛选出X射线荧光光谱特征波长点, 在简化了建模复杂程度的同时, 提高了模型的准确性和稳健性。
竞争性自适应重加权算法(CARS) 偏最小二乘(PLS) 波长变量选择 X射线荧光光谱 Competitive adaptive reweighted algorithm (CARS) Partial least squares (PLS) Wavelength variable selection X-ray fluorescence spectrum 光谱学与光谱分析
2022, 42(5): 1535
1 福州大学电气工程与自动化学院, 福建 福州 350116
2 福建省医疗器械和医药技术重点实验室, 福建 福州 350002
3 福州大学生物科学与工程学院, 福建 福州 350116
为实现近红外光谱进行勾兑梨汁中原汁含量的快速检测, 采用相同可溶性固形物含量的新鲜梨汁和果汁粉冲剂按照原汁含量为0%～100%进行勾兑, 并结合遗传算法(GA)、 粒子群算法(PSO)以及萤火虫算法(GSO & FA)进行特征波长筛选, 比较分析四种算法分别建立的偏最小二乘(PLS)模型。 结果表明, GA-PLS, PSO-PLS, GSO-PLS, FA-PLS四种模型均能够剔除大部分波长变量, 其中以FA-PLS模型效果最佳, 不仅保证模型的稳健性, 而且简化了模型, 提高了预测的精度。 为了进一步优选特征波长, 利用连续投影算法(SPA)在FA基础上做进一步波长筛选, 并比较全波段PLS, SPA-PLS, FA-PLS, FA-SPA-PLS模型, 四种模型泛化能力为: FA-PLS>PLS>FA-SPA-PLS>SPA-PLS, 其预测均方根误差分别为0.029 1, 0.033 3, 0.033 9和0.137 0, 相应的波长变量数量依次367, 765, 20和18。 其中SPA-PLS波长变量最少, 但预测误差远远高于其他三种模型, 综合考虑预测精度与波长变量数目, FA-SPA-PLS模型不仅波长变量较少而且预测精度较高, 能够有效鉴别勾兑梨汁中原汁含量。 研究利用近红外光谱技术为快速鉴别勾兑果汁提供一种有益思路, 并通过波长变量筛选简化定量分析模型。
近红外 特征波长 偏最小二乘 连续投影法 Near-infrared spectroscopy Wavelength variable selection Partial Least Squares Successive projections algorithm 光谱学与光谱分析
2017, 37(10): 3058
1 南京工业大学电气工程与控制科学学院, 江苏 南京 211816
2 南京工业大学生物与制药工程学院, 江苏 南京 211816
近红外光谱数据量大, 需要进行压缩, 以降低建立光谱校正模型的计算复杂度, 提高模型精度和稳健性。 为此, 提出了一种基于离散萤火虫算法（discrete firefly algorithm）的近红外光谱波长变量筛选方法。 首先采用蒙特卡罗方法剔除异常值, 并应用Kennard-Stone法进行校正样本的选择。 对通用萤火虫算法进行离散化处理, 改进了吸引度的自适应公式, 在移动公式中增加了牵引权重, 以适应离散化处理的影响和优化算法, 并在离散萤火虫算法中加入精英保留策略, 加快算法的收敛速度。 实验中找到DFA算法中的各项参数中的最佳值。 通过离散萤火虫算法优选波长变量, 建立发酵液中丁二酸含量的近红外光谱偏最小二乘回归（partial least squares regression）校正模型。 与标准遗传算法（genetic algorithm）优选波长方法进行了比较。 结果显示, 基于离散萤火虫算法的波长优选方法所建立的PLS校正模型, 其校正集的相关系数（R2c）为0.986, RMSEC为0.409, 预测集的相关系数（R2p）为0.969, RMSEP为0.458, 模型稳健性和精度都要优于全光谱建模以及遗传算法波长优选方法。 显示了DFA在近红外光谱数据筛选方面的优越性。
离散萤火虫算法 近红外光谱 波长选择 丁二酸发酵 Discrete firefly algorithm Near infrared spectroscopy Wavelength variable selection Succinic acid fermentation 光谱学与光谱分析
2016, 36(12): 3931
