1 安徽大学物质科学与信息技术研究院安徽省信息材料与智能传感实验室，安徽 合肥 230601
2 中国科学院安徽光学精密机械研究所环境光学与技术重点实验室，安徽 合肥 230031
3 中国科学院区域大气环境研究卓越创新中心，福建 厦门 361021
4 中国科学技术大学环境科学与光电技术学院，安徽 合肥 230026
提出一种基于卷积神经网络（CNN）和支持向量回归机（SVR）的多轴差分光学吸收光谱（MAX-DOAS）对流层NO2垂直分布预测方法。将2019年南京站点采集的原始MAX-DOAS数据通过QDOAS软件拟合获取O4和NO2差分斜柱浓度，结合基于最优估算的气溶胶和痕量气体廓线反演算法——PriAM算法反演了对流层NO2廓线，并将其作为预测模型的输出。此外，通过平均影响值方法进行预测模型输入变量的选择，确定了MAX-DOAS数据、温度、气溶胶光学厚度和低云覆盖率为模型的最佳输入变量。通过实验优化网络结构和参数，最终建立预测模型在测试集与PriAM的平均百分比误差仅为9.14%，与单独建立的CNN、SVR、反向传播模型相比，平均百分比误差分别降低了8.22%、6.00%、32.28%。因此，CNN-SVR能够利用MAX-DOAS数据对对流层NO2廓线进行有效预测。
大气光学 卷积神经网络 支持向量回归机 多轴差分吸收光谱 对流层NO2廓线 光学学报
2022, 42(24): 2401001
1 燕山大学信息科学与工程学院, 河北省特种光纤与光纤传感重点实验室, 河北 秦皇岛 066004
2 Department of Electrical and Computer Engineering, Missouri University of Science and Technology, Rolla, Missouri 65401, USA
提出了一种基于激光拉曼光谱和人工蜂群智能优化支持向量回归机(ABC-SVR)算法的快速定量检测三组分混和油中3种脂肪酸含量的方法。 该方法针对光谱数据信息与样本之间非线性、 高维度的关系, 建立了预测精度及建模效率均高于同类对比算法的数学模型, 同时避免了气相色谱法、 液相色谱法等对混合油脂肪酸含量的检测方式, 根据纯种油中3种脂肪酸含量的国际标准, 由油品配置体积得到脂肪酸质量, 有效降低了检测成本与实验复杂程度, 提高了检测工作的实用价值。 首先根据一定梯度配置66组混合油检测样品, 使用便携式拉曼光谱仪采集样本的拉曼光谱信息, 扣除背景噪声; 观察多组样本的拉曼光谱图可知, 由于官能团浓度的差异, 食用油的拉曼特征峰位移基本相同, 特征峰的峰值明显不同, 因此基于特征峰信息可以区分食用调和油的不同混合物; 其次对拉曼光谱做背景扣除、 光谱平滑、 最大值谱线归一化三步预处理, 以降低实验中不可控的外界因素及背景荧光的影响, 准确提取光谱特征峰强度信息; 然后根据纯种油中3种脂肪酸的国际标准含量, 结合国家食品法典委员会标准CODEX STAN210—1999《指定的植物油法典标准》中规定的纯种油密度中值, 由油品体积得到脂肪酸质量数; 随机选取56组样本数据作为训练集, 剩余10组样本数据作为预测集; 以训练集光谱特征峰强度和脂肪酸质量分别作为回归模型的输入及输出值, 建立SVR和PSO-SVR, ABC-SVR三种混合优化算法对比的定量分析模型, 对测试集的3种脂肪酸含量分别进行预测; 最后通过均方误差(MSE)、 相关系数(r)及建模时间(Elapsed time)分别进行对比, 建立数据表对模型精准度进行检验。 实验结果表明, 通过ABC-SVR定量分析模型效果最佳, 3种脂肪酸含量预测值与真实值的均方差分别为0.88×10-4, 16×10-4和8×10-4, 均低于0.002; 相关系数分别为93.43%, 99.65%和99.43%, 均高于93%; 预测时间(Elapsed time)分别为1.26, 2.42和2.14 s。 因此, 所提出的检测方法, 具备较高的精确度、 较快的建模时间, 且在理论上的类似条件下可适用于其他样品检测工作, 可为振动光谱学对食用油掺伪分析的进一步工作提供可行的理论依据。
激光拉曼光谱 人工蜂群 支持向量回归机 脂肪酸 混合油 Laser Raman spectroscopy Artificial bee colony Support vector regression machine Fatty acid Blend oil 光谱学与光谱分析
2019, 39(7): 2147
1 海军航空工程学院 控制科学与工程系, 山东 烟台 264001
2 海军航空工程学院 七系, 山东 烟台 264001
针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题, 研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题, 将分类样本作为回归输入, 样本的类别标识作为回归输出, 通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数, 对其输出取整后即可得到样本类别。该算法仅使用1个分类器, 明显简化了分类过程。另外, 引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证, 并将改进算法与传统算法作对比, 结果表明改进算法在分类速度和准确率上都有显著提高。
支持向量机 多类分类 支持向量回归机 复合核函数 Support Vector Machine multi-class classification support vector regression machine composite kernel function 太赫兹科学与电子信息学报
2017, 15(6): 1039
1 西安交通大学 电力设备电气绝缘国家重点实验室, 陕西 西安 710049
2 太原钢铁公司自动化公司, 山西 太原 030003
为进一步提高FTIR光谱法实现特征吸收光谱严重重叠的甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊 烷七组分混合气体定量分析的精度和速度, 提出一种核偏最小二乘(Kernel Partial Least Square, KPLS)特征提取耦 合支持向量回归机(Support Vector Regression Machine, SVR)的红外光谱定量分析新方法.首先采用KPLS方法对上 述七组分混合气体的FTIR光谱进行特征提取, 然后将特征提取得到的特征组分作为SVR的输入建立混合气体的 定量分析模型.对标准混合气体进行定量分析的结果显示:KPLS-SVR模型的预测精度高于未进行特征提取SVR 模型预测的精度, 同时预测时间也减少了一半.研究表明, KPLS法可以很好地提取隐含在混合气体FTIR光谱数据 与其组分浓度之间的非线性特征并有效地消除光谱数据噪声, 大幅度降低数据维数, 与SVR耦合可以提高红外光 谱分析的精度和速度, 是一种有效的红外光谱定量分析方法.
核偏最小二乘 支持向量回归机 特征提取 多变量校正模型 红外傅里叶变换(FTIR) kernel partial least squares support vector regression machine feature extraction multivariable calibration model FTIR
