论文部分内容阅读
目前，环境与化学领域中复杂体系的分析始终是现代分析科学中的中心问题之一。现代新型分析仪器的相继问世，提供了大量复杂高维大通量测量数据，但挖掘大量测量数据所隐含的组成及结构等特征信息或规律成为一个需要解决的问题。
本论文针对光谱数据并结合化学信息学方法构建解析模型。选取了三种复杂体系，分别应用偏最小二乘(Partial Least Squares，PLS)，最小二乘-支持向量回归(Least Squares Support Vector Regression，LS-SVR)与人工神经网络(Artificial Neural Network，ANN)建立光谱定量解析模型。
收集水样并测量其紫外光谱，利用偏最小二乘回归模型对其中的常规指标进行定量分析。实现了COD、氨氮、总磷的同时预测，此外预测集均方根误差较低，预测结果很好。
利用葡萄酒的红外光谱数据，对其多个品质参数进行定量分析。首先利用费舍判别变量筛选(Fisher Discriminant Variable Selection, FD-VS)进行波长筛选，去除无关变量。FD-VS降低了主成分回归(Principal Component Regression，PCR)、PLS、LS-SVR的预测误差。此外竞争性自适应重加权抽样(Competitive Adaptive Reweighted Sampling, CARS)比FD-VS略好，FD-VS与无信息变量消除(Uninformative Variable Elimination, UVE)结果相近，FD-VS比间隔偏最小二乘法(Interval Partial Least Squares, IPLS)和移动窗口偏最小二乘法(Moving Window Partial Least Squares, MWPLS)好很多。
利用血清样品的近红外光谱与其对应的血红蛋白浓度，利用误差反向传播神经网络(Back Propagation Neural Network,BPNN)、Elman神经网络、径向基神经网络对血红蛋白进行定量分析。考察了传递函数组合、训练算法、隐含层单元数、训练目标和学习速率等参数对预测误差的影响。此外，还比较了BPNN、Elman神经网络、径向基神经网络与(Multiple Linear Regression，MLR)、PCR、PLS、SSVR光谱解析模型预测血红蛋白的精度，每种神经网络预测结果的均方根误差都低于MLR、PCR、PLS、LSSVR预测结果的均方根误差。其中径向基神经网络的训练结果的均方根误差和回收率优于BPNN和Elman神经网络。
本论文针对光谱数据并结合化学信息学方法构建解析模型。选取了三种复杂体系，分别应用偏最小二乘(Partial Least Squares，PLS)，最小二乘-支持向量回归(Least Squares Support Vector Regression，LS-SVR)与人工神经网络(Artificial Neural Network，ANN)建立光谱定量解析模型。
收集水样并测量其紫外光谱，利用偏最小二乘回归模型对其中的常规指标进行定量分析。实现了COD、氨氮、总磷的同时预测，此外预测集均方根误差较低，预测结果很好。
利用葡萄酒的红外光谱数据，对其多个品质参数进行定量分析。首先利用费舍判别变量筛选(Fisher Discriminant Variable Selection, FD-VS)进行波长筛选，去除无关变量。FD-VS降低了主成分回归(Principal Component Regression，PCR)、PLS、LS-SVR的预测误差。此外竞争性自适应重加权抽样(Competitive Adaptive Reweighted Sampling, CARS)比FD-VS略好，FD-VS与无信息变量消除(Uninformative Variable Elimination, UVE)结果相近，FD-VS比间隔偏最小二乘法(Interval Partial Least Squares, IPLS)和移动窗口偏最小二乘法(Moving Window Partial Least Squares, MWPLS)好很多。
利用血清样品的近红外光谱与其对应的血红蛋白浓度，利用误差反向传播神经网络(Back Propagation Neural Network,BPNN)、Elman神经网络、径向基神经网络对血红蛋白进行定量分析。考察了传递函数组合、训练算法、隐含层单元数、训练目标和学习速率等参数对预测误差的影响。此外，还比较了BPNN、Elman神经网络、径向基神经网络与(Multiple Linear Regression，MLR)、PCR、PLS、SSVR光谱解析模型预测血红蛋白的精度，每种神经网络预测结果的均方根误差都低于MLR、PCR、PLS、LSSVR预测结果的均方根误差。其中径向基神经网络的训练结果的均方根误差和回收率优于BPNN和Elman神经网络。