1 青岛科技大学信息科学技术学院，山东 青岛 266061
2 云南中烟工业有限责任公司技术中心，云南 昆明 650024
针对近红外光谱高维、非线性、大量噪声对定量建模的影响，将深度自编码网络引入到光谱特征学习中，提出一种改进卷积自编码网络的特征提取方法（1D-BCAE），并将其应用到烟叶关键指标的近红外光谱定量建模中，提高了模型的准确性和稳健性。首先利用适合光谱数据的一维卷积核和池化窗口进行特征提取，其次在编码过程中加入BasicBlock模块和批归一化（BN）结构优化网络结构，减少了参数量和计算量的同时，降低了光谱中的噪声和非线性特征的影响，优化了网络的训练效率。通过设计一种对应相连的结构，把编码器中各模块的参数传递给相应的解码器，减少了网络训练过程中细节特征的丢失。通过实验对比重构误差和均方根误差，验证了所提方法的有效性，然后分别采用全谱段和主成分分析（PCA）、卷积自编码（CAE）网络、1D-BCAE提取后的特征结合偏最小二乘（PLS）法建立了关于烟叶中烟碱、总糖指标的定量模型，并进行了对比分析。结果表明，1D-BCAE能有效学习高维数据中的内在结构和非线性关系，所建的模型具有更好的性能。所提方法实现了对待测组分光谱信息的有效提取，对建立稳健校正模型、降低模型复杂度具有重要意义。
卷积自编码网络 近红外光谱定量分析 特征提取 一维卷积 BasicBlock模块 激光与光电子学进展
2023, 60(6): 0630001
1 中国科学院西安光学精密机械研究所光谱成像技术重点实验室, 陕西 西安 710119
3 深圳市盐田港集团有限公司, 广东 深圳 518081
水是一种有限的资源, 对农业、 工业乃至人类的生存都是必不可少的, 良好的水环境是可持续发展的重要保障。 对水质信息的科学监测, 是实现水资源优化配置与高效利用的基础。 联合国环境署(UNEP)与世界卫生组织(WHO)指出, 应当加强发展中国家的水质监测网络, 包括数据质量的保证和分析能力的提高。 光谱法作为一种新兴的水质分析方法, 相比传统的化学水质监测方法, 具有“响应速度快、 多参数同步、 绿色无污染”的特点。 传统单波长、 多波长的线性模型依赖于水体对特定波长的吸收特征, 不适用于多组分混合溶液且普适性较差。 因此, 提出了一种基于IERT的非线性全光谱定量分析算法, 建立适用于多组分混合溶液浓度预测模型, 达到利用全光谱信息来预测浓度信息的目的。 利用实验室配置的COD, BOD5和TOC多组分混合溶液与NO3-N、 浊度、 色度多组分混合溶液作为实验样本, 使用光谱仪采集样本的光谱曲线, 通过全光谱数据进行浓度预测实验, 结果显示, 对于COD, BOD5和TOC多组分混合溶液, 本算法对于三种组分的决定系数(R2)分别为0.999 3, 0.991 4和0.999 3, 均方根误差(RMSE)分别为0.024 4, 0.057 7和0.000 4; 对于NO3-N、 浊度、 色度多组分混合溶液, 决定系数(R2)分别为0.983 4, 0.868 4和0.981 0, 均方根误差(RMSE)分别为0.100 5, 0.326 4和0.120 2。 通过对比本算法与偏最小二乘(PLS)、 支持向量机回归(SVR)、 决策树(DT)、 极端随机树(ERT)对于同一组数据的实验结果, 表明: 在两组多组分混合溶液的实验中, 本算法对于其中各组分的决定系数(R2)均为最优, 相比于其他对比算法均方根误差(RMSE)均有大幅减少。 本算法可利用光谱信息对多组分混合溶液进行定量分析, 在计算时间相当的情况下, 可有效的提高浓度预测精度, 减少定量分析的均方根误差, 可为光谱法水质监测提供一种新的有效途径。
光谱法水质监测 紫外可见光谱技术 光谱定量分析 多组分混合溶液 极端随机树 Spectroscopic water quality monitoring Ultraviolet visible spectroscopy technology Spectral quantitative analysis Multi-component mixed solution Extreme random trees 光谱学与光谱分析
2021, 41(12): 3922
浙江大学工业控制技术国家重点实验室, 浙江 杭州 310027
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%。
近红外光谱 光谱定量分析 回归模型 极限学习机(ELM) 偏最小二乘(PLS) 变量投影重要性(VIP) Spectral quantitative analysis Regression model Extreme learning machine (ELM) Partial least square (PLS) Near infrared spectroscopy Variable importance in the projection (VIP) 光谱学与光谱分析
2016, 36(9): 2784
浙江大学工业控制技术国家重点实验室, 浙江 杭州 310027
提出了一种基于净信号分析的局部建模算法, 以克服光谱定量分析中样本间差异性过大和样本待测性质与光谱之间存在非线性等问题。 首先利用净信号分析方法得到校正样本和待测样本的净信号, 然后用待测样本净信号和校正样本净信号之间的欧式距离作为样本相似性判据, 选取一定数量的与待测样本最相似的校正样本组成局部校正子集, 建立局部PLS回归模型。 针对一组猪肉近红外光谱数据集的实验结果表明, 该方法的预测精度显著优于全局建模方法和基于光谱欧式距离的局部建模方法。
光谱定量分析 局部校正方法 净信号 偏最小二乘 近红外光谱 Spectral quantitative analysis Local regression Net analyte signal Partial least square Near infrared spectra
1 西安交通大学电气工程学院电力设备电气绝缘国家重点实验室, 陕西 西安 710049
2 西安交通大学能源与动力工程学院, 陕西 西安 710049
针对火电厂烟气光谱数据的非线性特性, 采用了基于神经网络内部模型的非线性偏最小二乘定量分析方法。 该方法进行偏最小二乘(PLS)回归后, 将自变量和因变量的隐变量作为神经网络的输入和输出进行训练, 即可得到非线性内部模型。 将PLS、 基于向后传递神经网络内部模型的非线性PLS(BP-NPLS)、 基于径向基函数神经网络内部模型的非线性PLS(RBF-NPLS)和基于自适应模糊推理系统内部模型的非线性PLS(ANFIS-NPLS)对火电厂烟气多组分进行测定后比较, BP-NPLS、 RBF-NPLS和ANFIS-NPLS较之PLS, 将二氧化硫预测模型的预测均方根误差(RMSEP)分别降低了16.96%, 16.60%和19.55%; 将一氧化氮预测模型的RMSEP分别降低了8.60%, 8.47%和10.09%; 将二氧化氮预测模型的RMSEP分别降低了2.11%, 3.91%和3.97%。 实验表明, 非线性PLS较PLS更适用于火电厂烟气定量分析。 通过神经网络对非线性函数的高度逼近特性, 基于本文所提及内部模型的非线性偏最小二乘方法有较好的预测能力和稳健性, 在一定程度上解决了基于多项式和样条函数等其他内部模型的非线性偏最小二乘方法的自身局限性。 其中, ANFIS-NPLS的效果最好, 自适应模糊推理系统的学习能力能够有效降低残差, 使模型具有较好的泛化性, 是一种比较准确实用的火电厂烟气定量分析方法。
火电厂烟气 光谱定量分析 偏最小二乘 神经网络内部模型 Flue gas of thermal power plant Spectroscopy quantitative analysis Partial least squares Neural network internal model 光谱学与光谱分析
2014, 34(11): 3066
河北大学物理科学与技术学院,河北,保定,071002
利用高能量钕玻璃激光器(～10J),在0.8MPa的高压Ar气环境下激发诱导土壤等离子体,通过等离子体原子发射光谱法定量分析了国家标准土壤样品中元素Fe和Ti的含量.实验结果表明,在无光谱干扰的条件下,元素含量与光谱线强度之间有较好的线性关系;元素Fe和Ti的分析结果的相对标准偏差(RSD)分别为6.164%和16.095%,相对误差分别低于8.349%和22.286%.
激光诱导等离子体 高气压 光谱定量分析 土壤
