中性笔油墨是司法鉴定中同一认定的重要物证。为提高油墨检验的准确性,本文利用拉曼光谱法对油墨样本进行无损检测。首先对预处理后的光谱数据进行降维处理,构建偏最小二乘判别分析模型;然后采用受试者工作特征曲线线下面积对预测效果进行验证,提取出36个变量投影重要性最高的特征变量;接着将特征变量作为数据输入到隐藏层神经元数目为13的多层感知器中,最终的训练正确率为87%且无过拟合现象。将变量投影重要性的特征提取与有监督的多层感知器训练相结合,可以有效压缩数据,缩短分析时间。感知器层间的连接权重可通过自主学习进行调节,提高了中性笔油墨分类结果的可信度与正确率。

多通道近红外光光密度差异检测硬膜血肿的方法具有快速、 无创等优点, 光源周围检测器数量与位置对降低硬膜血肿程度预测模型的病态性, 提高血肿检测精度至关重要。 提出了基于变量投影重要性(VIP)分析的检测器位置筛选方法。 通过对距离光源位置2.0～5.0 cm范围内的30个检测器获得的光密度差异数据进行VIP分析, 分析比较确定VIP阈值后从中筛选出4个检测器。 以偏最小二乘法(PLS)建立基于4个检测位置获得的吸光度差预测血肿发生部位吸收系数的预测模型, 检测器VIP优化后血肿位置吸收系数预测结果平均相对误差由4.08%降低到2.06%。 可见利用VIP分析对检测器筛选后所建立预测模型仍可较好的对硬膜位置血肿程度进行判断。 该研究为近红外光硬膜血肿检测中检测器位置的选择提供了新的思路和重要参考。

极限学习机理论(extreme learning machine, ELM)作为一种新的化学计量学方法, 在近红外光谱定量分析中的应用研究, 已引起学术界的高度重视。 然而, 由于光谱数据维数较高, 建立ELM模型时需要大量的隐节点, 导致隐含层输出矩阵维数高且存在高度共线性, 用现有的Moore-Penrose广义逆算法求取隐含层输出矩阵与待测性质间的回归模型往往会存在病态问题。 基于ELM建立光谱波长变量与性质之间的回归模型, 提出以ELM模型隐含层输出矩阵作为新的变量, 采用作者最新提出的基于变量投影重要性的改进叠加PLS算法(stacked partial least squares regression algorithm based on variable importance in the projection, VIP-SPLS), 建立新变量与待测性质间的回归模型。 VIP-SPLS算法充分利用了每个隐节点的输出信息, 能有效解决高维共线性问题, 同时具有模型集成的优点, 从而改进了ELM模型的性能。 将提出的改进ELM算法(improved ELM, iELM)应用于标准近红外光谱数据集, 结果表明iELM模型的精度相对于现有的PLS模型和ELM模型分别显著提升了29.06%和27.47%。

自变量筛选是定量光谱分析领域的研究热点, 简便且高效的自变量筛选方法不但可以降低分析计算量, 提高分析精度, 同时还可以减轻对仪器光谱分辨能力的依赖, 降低分析成本。 波长筛选也是光谱法无创血液成分检测研究的重要环节。 动态光谱理论为血液无创检测提供了极佳的思路, 但长期局限于使用宽带光源和高分辨率的光谱仪器, 分析中需要大量波长限制了动态光谱法的进一步发展。 为了去除冗余信息, 使检测走向低成本化和集成化, 提出了基于变量投影重要性(variable importance in projection, VIP)分析的波长筛选方法。 通过分析PLS模型中各维自变量对因变量的解释能力, 从而剔除重要性较低的变量保留解释能力强的波长。 以232例受试者的临床实验数据为基础, 以血红蛋白含量为分析对象, 经投影重要性分析后将波长数由586降至64, 波长筛选后血红蛋白预测模型的测试集平均相对误差(MREP)为1.82%, 使用了极少的波长便可得到满意的结果; 结合Bootstrap方法对模型进行显著性检验后验证了波长变量的解释能力。 首次指出了使用动态光谱法检测血红蛋白的敏感波长带。 基于投影重要性分析的波长筛选迈出了动态光谱走向实用的重要一步, 为实现低成本在线分析打下了基础, 同时也为其他领域的光谱分析提供了重要的参考和新的思路。