南开大学-变量分组技术在近红外光谱多元校正中的应用.pptVIP

报告人：卞希慧指导教师：邵学广教授报告日期：2021-06-211

快速高效在线分析无损分析无需样品处理低成本信号弱灵敏度低谱带宽谱峰重叠干扰大近红外技术化学计量学+2021-06-212

Chemometrics校正样本选择K-S方法等奇异样本检测蒙特卡洛交叉验证光谱预处理平滑Smoothing求导Derivative标准正态变换SNV多元散射校正MSC正交信号校正OSC小波变换WT模型转移FIR多模型建模Bagging，BoostingStacking波长筛选相关系数法、互信息法无信息变量消除法UVE随机检验法RT遗传算法GA区间偏最小二乘iPLS移动窗口偏最小二乘MWPLS波长筛选相关系数法、互信息法无信息变量消除法UVE随机检验法RT遗传算法GA区间偏最小二乘iPLS移动窗口偏最小二乘MWPLS多元校正多元线性回归MLR主成分回归PCR偏最小二乘PLS人工神经网络ANN……多模型建模Bagging，BoostingStacking2021-06-213

波长筛选及其必要性近红外光谱都由成百上千个波长点构成，其中存在大量的冗余。波长筛选能够挑选出有用的变量来建模，从而得到更加准确、稳健的结果。波长筛选对NIR分析具有非常重大意义！！2021-06-214

Model1Model2Model3ModelNSamplesEnsemblemodel多模型建模及其必要性Calibrationset2021-06-215

多模型建模可以提高模型的预测精度及稳定性多模型建模及其必要性Fig.2RMSEPobtainedbyconsensusSVM,SVMandPLSin15runsofprediction.Fig.1RMSEPoftheensemblemodelanditsmembermodels.多模型建模建模的稳定性及精度都高于单一模型多模型建模预测精度比其子模型中最好的还要高多模型建模建模预测精度比其子模型中最好的还高2021-06-216

多模型技术不删除变量保留所有变量波长筛选保留有用变量删除无用变量变量分组保存所有变量，赋予不同权重VG-PLS变量分组构建子模型子模型赋权预测结果加权平均分组及赋权的指标：MC-UVE中变量的稳定性2021-06-217

MC-UVE算法中及Stability浓度=光谱×系数采用MonteCarlo方法，每次从训练集中随机选择一些样本建模，重复屡次，得到回归系数矩阵By=X·b●PLS建立回归模型，得到b系数向量计算stabilitystability越大，该变量越重要保留stability大的变量y=XE·b用所选择的变量建立PLS模型回归系数矩阵2021-06-218

VG-PLS算法步骤利用MC-UVE方法计算变量的稳定性sj根据变量稳定性从大到小的顺序，将所有变量进行排序把排序后的所有变量平均分成n组，每个子模型分别由这些组构成。根据子模型中变量的稳定性计算子模型对最后模型的奉献，即权重wi将每个子模型的结果加权平均得到最后的预测结果权重公式：加权平均公式：需要优化的参数稳定性公式：2021-06-219

实验数据样本谷物烟叶仪器MP5MPAFT-NIR波数范围/cm-140037-11995.3波长点数7002074样本数802199训练集样本数501100检验集样本数15550预测集样本数15549分析目标淀粉总糖和尼古丁2021-06-2110

子模型的权重确定公式中m=2！m=？2021-06-2111

子模型的权重权重分配合理，与变量的重要性一致！VG-PLS可以充分利用所有变量信息！2021-06-2112

子模型数确实定预测总糖的子模型数：8预测尼古丁的子模型数：10预测淀粉的子模型数：32021-06-2113

子模型的变量分布Themeanspectrumofcalibrationsetandthewavelengthsdistributionindifferentgroups