变量筛选方法结合局部线性嵌入理论用于近红外光谱定量模型优化.pdfVIP

第32卷，第12期 光谱学与光谱分析 201 2年12月 and SpectroscopySpectralAnalysis December，2012 变量筛选方法结合局部线性嵌入理论用于近红外光谱定量模型优化 郝 勇1，孙旭东1，杨 强2 1．华东菱通大学机电工程学院。江西南昌 330013 2．日照职业技术学院机电工程学院，山东日照276826 linear infrared 摘要变量筛选策略结合局部线性嵌人(10calembedding，LLE)理论用于近红外光谱(nexar carlouninformationvariableelimi— spectroscopy，NIRS)定量模型优化。蒙特卡罗无信息变量消除方法(monte nation，MCUVE)和连续投影算法(successive projectionsalgorithm，SPA)以及两者结合的变量筛选策略用 least 于NIRS冗余变量的剔除；偏最小二乘回归(partialsquares 样品光谱定量模型的构建。结果表明：MCUVE方法既能有效的提取信息变量，同时可以提高模型的预测精 光谱定量分析方法。 关键词 近红外光谱；蒙特卡罗无信息变量消除；连续投影算法；局部线性嵌入 中图分类号：0657．33文献标识码：A neural 经网络(artificialnetwork，ANN)和支持向量回归 vector 引 言 (support 谱处理中，在这些非线性学习方法中，模型的优化过程存在 近红外光谱分析技术广泛用于复杂样品的定性和定量分 耗时长或多次优化结果不一致等不足，因此建模效率较 析，具有分析效率高、速度快、成本低、非破坏性和易于在 低睛．9]。为此，探讨光谱的非线性降维结合PLSR方法用于 线分析等特点[14]。然而，NIRS定性和定量分析方法必须通 N珉S的定量分析非常必要。 过建立校正模型来实现，因此，建模方法及模型优化对于提 本工作以NIRS为研究手段，采用局部线性嵌入变换方 高NIRS的分析能力具有很重要的意义[5“]。同时，NIRS不法对光谱进行非线性降维，结合PLSR方法，对谷物样品的 仅反映物质的化学组成和含量，同时也包含了由被测物的温 淀粉含量和药片活性成分含量进行定量分析，探讨变量筛选 度、表面纹理以及密度等因素引起的光谱响应。因此，在建 立分析模型时，从光谱图中提取与组成相关的信息，消除与 用。 被测目标物无关的其它影响因素的干扰，对建立稳定可靠的 分析模型，提高分析精度非常关键。光谱预处理方法(如标 1原理与算法 准正态变量校正、多元散射校正、中心化、Savitzky-Golay求 导以及小波求导等)和变量筛选策略(如连续投影算法和蒙特 1．1蒙特卡罗无信息变量消除算法和连续投影算法 卡罗无信息变量消除方法等)可以有效地消除背景噪声及其 蒙特卡罗(montecarlo，MC)方法，是一种基于“随机数” 它物理因素的干扰，提高谱图与化学成分问的相关性[7]。 和概率统计来考察问题的计算方法。MC方法在分析复杂多 在定量分析中，常用的主成分回归(principalcomponen