对葡萄酒酒精度偏最小二乘(Partial least squares,PLS)回归模型进行优化研究。使用近红外光谱仪采集葡萄酒样本的光谱数据,用于建立酒精度定量模型,实现在线快速检测。通过蒙特卡罗无信息变量消除(Monte Carlo uninformative variable ...对葡萄酒酒精度偏最小二乘(Partial least squares,PLS)回归模型进行优化研究。使用近红外光谱仪采集葡萄酒样本的光谱数据,用于建立酒精度定量模型,实现在线快速检测。通过蒙特卡罗无信息变量消除(Monte Carlo uninformative variable elimination,MC-UVE)和遗传算法(Genetic algorithm,GA)进行变量选择,基于被选择的变量分别进行PLS和因子分析(Factor analysis,FA),建立回归模型。结果表明,MC-UVE-GA-FAR模型预测集相关系数(R2)为0.946,预测均方根误差(Root mean square error of prediction,RMSEP)为0.215,效果优于MC-UVE-GA-PLS模型。与基于全范围光谱所建PLS回归模型相比,模型效果有所提升,而且模型所选变量个数仅为6,极大地简化了模型。MC-UVE和GA算法与FA分析结合可以实现模型的优化。展开更多
变量筛选策略结合局部线性嵌入(local linear embedding,LLE)理论用于近红外光谱(near infrared spectroscopy,NIRS)定量模型优化。蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination,MCUVE)和连续投影算法(s...变量筛选策略结合局部线性嵌入(local linear embedding,LLE)理论用于近红外光谱(near infrared spectroscopy,NIRS)定量模型优化。蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination,MCUVE)和连续投影算法(successive projections algorithm,SPA)以及两者结合的变量筛选策略用于NIRS冗余变量的剔除;偏最小二乘回归(partial least squares regression,PLSR)和LLE-PLSR用于复杂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度;LLE-PLSR可以得到比PLSR方法更加准确的定量分析模型;MCUVE结合LLE-PLSR是一种有效的光谱定量分析方法。展开更多
文摘对葡萄酒酒精度偏最小二乘(Partial least squares,PLS)回归模型进行优化研究。使用近红外光谱仪采集葡萄酒样本的光谱数据,用于建立酒精度定量模型,实现在线快速检测。通过蒙特卡罗无信息变量消除(Monte Carlo uninformative variable elimination,MC-UVE)和遗传算法(Genetic algorithm,GA)进行变量选择,基于被选择的变量分别进行PLS和因子分析(Factor analysis,FA),建立回归模型。结果表明,MC-UVE-GA-FAR模型预测集相关系数(R2)为0.946,预测均方根误差(Root mean square error of prediction,RMSEP)为0.215,效果优于MC-UVE-GA-PLS模型。与基于全范围光谱所建PLS回归模型相比,模型效果有所提升,而且模型所选变量个数仅为6,极大地简化了模型。MC-UVE和GA算法与FA分析结合可以实现模型的优化。
文摘变量筛选策略结合局部线性嵌入(local linear embedding,LLE)理论用于近红外光谱(near infrared spectroscopy,NIRS)定量模型优化。蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination,MCUVE)和连续投影算法(successive projections algorithm,SPA)以及两者结合的变量筛选策略用于NIRS冗余变量的剔除;偏最小二乘回归(partial least squares regression,PLSR)和LLE-PLSR用于复杂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度;LLE-PLSR可以得到比PLSR方法更加准确的定量分析模型;MCUVE结合LLE-PLSR是一种有效的光谱定量分析方法。
