基于连续投影算法的光谱主成分组合优化方法.pdfVIP

第29卷，第10期 光谱学与光谱分析 VoL 200 and October，2009 9年10月 SpectralAnalysis Spectroscopy 基于连续投影算法的光谱主成分组合优化方法研究 吴迪1，金春华1’2，何勇¨ 1．浙江大学生物系统工程与食品科学学院，浙江杭州 310029 1 2．宁波大学生命科学与生物工程学院，浙江宁波31521 component 摘要应用连续投影算法(successiveprojectionsalgorithm，SPA)选择由主成分分析(principal 的脂肪和蛋白质含鼍预测最佳主成分组合分别为主成分1，2，4，5，6和7以及主成分1，2，3，4，5和8。通 vector 过最小二乘支持向量机(Least-squaressupportmachine，LS-SVM)对奶粉中脂肪和蛋自质含量进行预 测，SPA选择得到的主成分组合均优于分别采用前4个到前8个主成分。基于SPA得到的主成分组合得到 mean errorfor 脂肪含龟预测结果的确定系数(R2)，预测误差均方根(rootsquare prediction，RMSEP)和剩余 0，0．170 预测偏差(residualpredictivedeviation，RPD)分别为0．9893和9．5343。而蛋白质含苗预测结果的 R：，RMSEP和RPD分别为0．9876，0．1348和8．9274。说明sPA能够用于快速有效选取最佳的主成分 数，寻优过程简单快速，并且不用对大量参数进行词试。 关键词连续投影算法；光谱；主成分分析；主成分选择；奶粉 中图分类号：0657．3文献标识码：A DOI：10．3964／j．issm1000-0593{2009)10-2734—04 个等等依此类推)，然后对模型的预测能力进行比较，从而 引 言 确定最佳主成分个数[6]。然而由于PCA仅仅对数据矩阵(如 光谱等)进行处理，处理时并不分析被测物体中的组成物质 主成分分析PCA方法被广泛应用于光谱数据的分析， 的含量。而PCA处理的数据矩阵(如光谱等)表达的是被测 包括数据降维、变量提取与压缩、确定化学组分数、分类和 物体整体的特性，包含了被测物体中所有组成物质的信息。 聚类以及与其他方法连用进行数据处理[1]。主成分分析是在 因此存在某些主成分对应的是被测样本中的一些物质的信 尽叮能保留原有信息的基础上将高维空间中的样本映射到较 息，而和另外一些物质间不存在太大的相关关系。所以对于 低维的主成分空间中，使数据矩阵简化，降低维数，寻找少 被测样本中某个预测物质含茸的最佳主成分组合并不一定是 数几个由原始变量线性组合的主成分，以揭示数据结构特 前若干个连续的主成分，也有町能是其中某几个主成分。参 征，提取化学信息。PCA主要用于降维(或称数据压缩)，数考文献[7]中，主成分l和2的聚类图并不能将3类物质区分 据的町视化和分类、聚类，降低随机误差，确定化学组分数 开来，相反主成分1和6的聚类图却能够很好地进行区分。 等方面的应用【2J。