一种基于SCARS策略的近红外特征波长选择方法及其应用-论文.pdf

《一种基于SCARS策略的近红外特征波长选择方法及其应用-论文.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8期光谱学与光谱分析Vo1．34，No．8，pp2094—20972014年8月SpectroscopyandSpectralAnalysisAugust，2014一种基于SCARS策略的近红外特征波长选择方法及其应用刘国海，夏荣盛，江辉，梅从立，黄永红江苏大学电气信息工程学院，江苏镇江212013摘要针对近红外光谱数据的内在特点，提出了一种基于稳定性竞争自适应重加权采样(stabilitycompet—itiveadaptivereweightedsampling，SCARS)策略的近红外特征波长优选方法。该方法以PLS模型回归系数的稳定性作为变量选择的依据，其过程包含多次循

2、环迭代，每次循环均首先计算相应变量的稳定性，而后通过强制变量筛选以及自适应重加权采样技术(ARS)进行变量筛选；最后对每次循环后所得变量子集建立PLS模型并计算交互验证均方根误差(RMSECV)，将RMSECV值最小的集合作为最优变量子集。利用饲料蛋白固态发酵过程近红外光谱数据集对所提方法进行了验证，并与基于PLS的蒙特卡罗无信息变量消除法(MC-UVE)和竞争自适应重加权采样(CARS)方法所得结果进行了比较。试验结果显示：建立在SCARS方法优选的21个特征波长变量基础上的PLS模型预测效果更好，其预测均方根误差(RMSEP)和相关系数(R)分别为0．0543和0．9908；该优选策略

3、能有效地增强固态发酵光谱数据特征波长变量选择的准确性和稳定性，提高了模型的预测精度，具有一定的应用价值。关键词光谱分析；近红外；波长优选；SCARS中图分类号：0657．33，Q815文献标识码：ADOI：10．3964~．issn．1000—0593(2014)08—2094—04系数的绝对值大小作为衡量指标，采用竞争自适应重加权采引言样法(competitiveadaptivereweightedsampling，CARS)对光谱数据进行变量筛选。在CARs方法中，变量回归系数会随近红外光谱分析是一种现代分析技术，该技术与化学计着每次随机选择建模样本的不同而变化，因此，回归系数的量学相

4、结合已广泛应用于多个领域口]。近红外光谱是典型绝对值不总是能全面反映变量的重要性，而MC-UVE方法的由许多弱的、宽的、非特征重叠谱带构成的光谱l5]，通常中所采用的变量稳定性恰能弥补这一不足。因此，本研究将包含很大数目的波长变量，波长点之间存在严重的共线性关采用基于稳定性竞争自适应重加权采样法(stabilitycompeti—系『6]，随着现代仪器精密程度的增加，这种线性关系越发严tiveadaptivereweightedsampling，SCARS)对近红外特征变重。如果采用全光谱数据参与建模，不仅会增加模型的复杂量进行筛选，该方法以变量的稳定性作为衡量指标，并延续度，而且其中一些

5、无关变量还会降低模型的预测能力。因此，CARS方法的变量筛选流程。针对饲料蛋白固态发酵过程近如何筛选有效的特征波长变量参与建模具有重要意义l7]。红外光谱数据集，将SCARS方法应用于有效特征波长变量偏最小二乘(partialleastsquares，PLS)回归法是一种常的筛选，以建立简洁、稳定的基质pH的PLS预测模型，并用的线性建模方法。在PLS中，回归系数是一个重要的参将其模型结果与已有方法MGUVE和CARS的PLS模型结数，目前也有一些基于该回归系数的变量筛选方法。例如，果进行比较。文献E8]介绍了一种将PLS回归系数归一化为对应波长被选择的概率，然后结合蒙特卡罗方法计算筛选最

6、优变量组合；1方法文献[9]则以变量回归系数的稳定性作为衡量指标，并采用蒙特卡罗无信息变量消除法(MonteCarlouninformativevari—l-1变量稳定性定义ableselimination，MC-UVE)进行变量筛选；文献[1o]以回归矩阵x为所测样本的光谱矩阵，为样本数，P为变收稿日期：2014—01—13，修订日期：2014—04—05基金项目：国家自然科学基金项目(31271875)，国家中小型企业创新基金项目(12C262132o2207)和江苏大学高级专业人才科研启动基金项目(13JD(~94)资助作者简介：刘国海，1964年生，江苏大学电气信息工程学院教授e-

7、mail：ghliu@uis．edu．cn*通讯联系人e-mail：h．v．jiang@uis．edu．cn第8期光谱学与光谱分析2095量数，Y×表示目标性质向量，建立PLS回归模型时x与Ytivescatteringcorrection，MS(2)方法对原始光谱数据进行预的关系可表示为处理。y=+E(1)其中，为回归系数向量，E为随机误差向量。采用蒙特卡罗Table1ReferencemeasurementofpHi