1、,變量分組技術(shù)在近紅外光譜多元校正中的應(yīng)用,報(bào) 告 人：卞希慧 指導(dǎo)教師：邵學(xué)廣 教授 報(bào)告日期：2010.06.21,中國化學(xué)會(huì)第27屆學(xué)術(shù)年會(huì),2/19,2010-06-21,近紅外光譜技術(shù)的應(yīng)用與特點(diǎn),3/19,2010-06-21,Chemometrics,4/19,2010-06-21,波長篩選及其必要性,近紅外光譜都由成百上千個(gè)波長點(diǎn)構(gòu)成，其中存在大量的冗余。波長篩選能夠挑選出有用的變量來建模，從而得到更加準(zhǔn)確、穩(wěn)健的結(jié)果。 波長篩選對NIR分析具有非常重大意義！,5/19,2010-06-21,Model 1,Model 2,Model 3,Model N,Samples,Ens

2、emble model,多模型建模及其必要性,Calibration set,6/19,2010-06-21,多模型建?？梢蕴岣吣Ｐ偷念A(yù)測精度及穩(wěn)定性,多模型建模及其必要性,Fig. 2 RMSEP obtained by consensus SVM, SVM and PLS in 15 runs of prediction.,Fig. 1RMSEP of the ensemble model and its member models.,多模型建模建模的穩(wěn)定性 及精度都高于單一模型,多模型建模預(yù)測精度比其子模型中最好的還要高,多模型建模建模預(yù)測精度 比其子模型中最好的還高,7/19,2010

3、-06-21,變量分組技術(shù)的提出,變量分組,保留所有變量，賦予不同權(quán)重,VG-PLS,變量分組構(gòu)建子模型,子模型賦權(quán),預(yù)測結(jié)果加權(quán)平均,分組及賦權(quán)的指標(biāo)：MC-UVE中變量的穩(wěn)定性,8/19,2010-06-21,MC-UVE 算法中及Stability,濃度=光譜系數(shù),采用Monte Carlo方法，每次從訓(xùn)練集中隨機(jī)選擇一些樣本建模，重復(fù)多次，得到回歸系數(shù)矩陣 B,y =X b,PLS建立回歸模型，得到b系數(shù)向量,9/19,2010-06-21,VG-PLS算法步驟,利用MC-UVE方法計(jì)算變量的穩(wěn)定 性sj,根據(jù)變量穩(wěn)定性從大到小的順序， 將所有變量進(jìn)行排序,把排序后的所有變量平均分成n

4、組， 每個(gè)子模型分別由這些組構(gòu)成。,根據(jù)子模型中變量的穩(wěn)定性計(jì)算子 模型對最后模型的貢獻(xiàn)，即權(quán)重wi,將每個(gè)子模型的結(jié)果加權(quán)平均得到 最后的預(yù)測結(jié)果,權(quán)重公式：,加權(quán)平均公式：,需要優(yōu)化的參數(shù),穩(wěn)定性公式：,10/19,2010-06-21,實(shí) 驗(yàn) 數(shù) 據(jù),11/19,2010-06-21,子模型的權(quán)重,確定公式中m=2！,m=？,12/19,2010-06-21,子模型的權(quán)重,權(quán)重分配合理，與變量的重要性一致！ VG-PLS可以充分利用所有變量信息！,13/19,2010-06-21,子模型數(shù)的確定,預(yù)測總糖的子模型數(shù)：8 預(yù)測尼古丁的子模型數(shù)：10,預(yù)測淀粉的子模型數(shù)：3,子模型太少，分組

5、技術(shù)的優(yōu)勢不能體現(xiàn)。 子模型太多，每個(gè)子模型含有的變量太少， 將使子模型的預(yù)測性能降低。,14/19,2010-06-21,子模型的變量分布,The mean spectrum of calibration set and the wavelengths distribution in different groups for starch,The mean spectrum of calibration set and the wavelengths distribution in different groups for sugar,The mean spectrum of calibra

6、tion set and the wavelengths distribution in different groups for nicotine,15/19,2010-06-21,不同模型預(yù)測淀粉含量的結(jié)果比較,MC-UVE-1表示通過最小RMSEP值來確定保留變量數(shù)。MC-UVE-2表示利用MC-UVE 方法，保留與VG-PLS第一個(gè)子模型相同的變量建模， 為100次計(jì)算的標(biāo)準(zhǔn)偏差。,16/19,2010-06-21,不同模型預(yù)測總糖含量的結(jié)果比較,MC-UVE-1表示通過最小RMSEP值來確定保留變量數(shù)。MC-UVE-2表示利用MC-UVE 方法，保留與VG-PLS第一個(gè)子模型相同的變量建模， 為100次計(jì)算的標(biāo)準(zhǔn)偏差。,17/19,2010-06-21,不同模型預(yù)測尼古丁含量的結(jié)果比較,VG-PLS方法能有效利用所有變量信息，使模型預(yù)測能力提高！,18/19,2010-06-21,結(jié) 論,本文建立了一種VG-PLS算法 該算法基于MC-UVE的穩(wěn)定性指標(biāo)， 對所有變量進(jìn)行分組， 每一組變量作為一個(gè)子模型， 最終結(jié)果為這些子模型的加權(quán)平均。 通過對谷物和煙草數(shù)