基于偏最小二乘增量式神经网络的近红外光谱定量分析模型.pdf

《基于偏最小二乘增量式神经网络的近红外光谱定量分析模型.pdf》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、第３４卷，第１０期光谱学与光谱分析Vol畅３４，No畅１０，pp２７９９‐２８０３２０１４年１０月SpectroscopyandSpectralAnalysisOctober，２０１４基于偏最小二乘增量式神经网络的近红外光谱定量分析模型１１１倡２曹晖，李大航，刘凌，周延１畅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　７１００４９２畅西安交通大学能源与动力工程学院，陕西西安　７１００４９摘要提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传

2、播神经网络（BPNN），不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘（PLS）回归，所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值，且自变量的主成分个数作为隐层的节点数。当获得新的样本时，对新数据与历史负荷矩阵组合后进行PLS回归，将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值，接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光

3、谱数据上测定后比较。对于烟气中二氧化碳浓度的预测，所提模型的预测均方根误差（RMSEP）分别降低了２７畅２７％，５８畅１２％，１９畅２４％和１４畅２６％；对于烟气中一氧化碳浓度的预测，所提模型的RMSEP分别降低了２０畅６５％，２４畅６９％，１８畅５４％和１９畅４２％；对于烟气中甲烷浓度的预测，此模型的RMSEP分别降低了２７畅５６％，３７畅７６％，８畅６３％和３畅２０％。实验结果表明，所提模型不仅通过PLS对BPNN结构和初始权重的优化，使模型具有较强的预测能力，而且能在已建模型信息的基础上，不

4、访问旧数据而用新增样本即可完成自身的增量式更新，从而使模型具有较好的稳健性和泛化性。关键词近红外光谱；定量分析；增量式神经网络；偏最小二乘中图分类号：O６５７畅３　　文献标识码：ADOI：１０畅３９６４／j畅issn畅１０００‐０５９３（２０１４）１０‐２７９９‐０５但近红外光谱数据往往含有成百上千个波长变量且分布不均引言匀，直接使用BPNN则会因为输入量过多而导致不易确定隐层节点的个数，而且输入（出）层初始权值的选择也变得较为近红外光谱（nearinfraredspectroscopy，NIR）

5、分析可根困难，不合适的初始权值可能会使节点变换函数一开始就处［１０］据物质特征光谱来实现样品化学组分含量的测定。由于它是于饱和区，从而影响收敛速度且易陷入局部极小。此外，一种无损的快速环保分析技术，所以在电力、医疗、化工等NIR分析模型通常都是在经过历史样本训练后对样品化学组［１，２］领域广泛应用。偏最小二乘法（partialleastsquares，分进行预测，而不通过新测数据进行自身修正。若用于需连PLS）是近红外光谱定量分析的常用方法，它对自变量中的续更新模型的动态过程（如烟气在线检测）时，

6、其仍依靠定期信息进行综合筛选，从中选取若干具有最佳解释能力的潜变重新训练来实现校准，而不能对以前训练好的参数进行有效［３‐６］量用于回归建模。虽然PLS可以通过解决自变量间多重的使用。这样，不仅增加了计算成本，而且也限制了其在实［１１，１２］相关性来提高模型预测精度，但其本质是一种线性回归，不际应用中的进一步推广。本工作提出了一种基于偏最［７］能有效的解决非线性问题。神经网络能以任意精度逼近任小二乘增量式神经网络的近红外光谱定量分析模型。该模型［８］何连续非线性函数，可在一定程度上解决测量所得光谱

7、呈采用典型三层BPNN结构，不同波长吸光度和成分浓度分别现的非线性关系。其中反向传播神经网络（back‐propagation是模型的输入和输出。在使用历史样本训练模型之前先进行neuralnetwork，BPNN）具有泛化性好、容错能力强和处理PLS回归，所得自变量和因变量的历史负荷矩阵分别用于确［９］速度快的特点，是目前应用最广泛的神经网络模型之一。定BPNN输入层和输出层的初始权值，且自变量的主成分个收稿日期：２０１４‐０５‐２０，修订日期：２０１４‐０７‐２５基金项目：国家自然科学基金项目

8、（６１３７５０５５），新世纪优秀人才支持计划项目（NCET‐１２‐０４４７）和陕西省自然科学基金项目（２０１４JQ８３６５）资助作者简介：曹晖，１９７８年生，西安交通大学电气工程学院副教授e‐mail：huicao＠mail畅xjtu畅edu畅cn倡通讯联系人e‐mail：liul＠mail畅xjtu畅edu畅cn００８２光谱学与光谱分析第３４卷数作为BPNN隐层的节点数。当获得一组新的样本时，对新数据与历史负荷矩阵组合后进行PLS回归，将所得新的负荷２　实验部分矩阵与历史负荷矩阵