论文部分内容阅读
进入新世纪以来工业生产过程进一步向着大型化、连续化、综合化的方向发展,对工业生产过程实现实时、准确的检测要求也越来越严格。随着化学计量学的发展,分子振动光谱检测技术广泛应用于多种不同领域的在线实时检测。本文针对分子振动光谱的特性,提出多种结合变量投影重要性(VIP)系数与粒子群算法的波长选择算法,以及提出将CNN模型、基于不同相似性的局部模型、局部模型结合新波长选择方法等作为定量分析模型应用于分子振动光谱。结果表明,本文提出的新波长选择算法以及定量分析模型能够有效、快速、更高精度地分析出样品的属性值,在降低计算复杂度方面也表现优秀。本文主要内容可以概括为:1.提出一种新的基于VIP系数的自适应粒子群算法(VAPSO),解决BPSO等算法的学习速率难以控制,粒子群收敛快,容易陷入局部最优点中很难跳出等缺点,能够寻找到更优的波长子集,并且速度更快。2.提出结合间隔偏最小二乘的iVAPSO算法。先探索最优波长点区间组合;第二轮筛选最优区间组合中的优质波长点,以减少迭代中粒子长度,以较少的时间即可达到较高、并且更稳定的预测性能。3.由于分子振动光谱的特性,提出将深度学习领域常应用于图像领域的CNN模型,应用于一维光谱定量分析中。从CNN生物柴油NIR光谱的应用结果得到,当CNN应用于合适数据集时,迭代收敛速度快,预测精度高,相比较与PLS,将RMSEC降低59%,将RMSEP降低19%,优于其他模型。若收集的数据数越多,CNN将会比其他模型表现更优。4.探索基于欧氏距离为相似性,基于净信号为样本相似性度量,和基于光谱信息散度作为相似性度量三种局部模型,提出局部模型结合VIP自适应粒子群算法,同时筛选波长子集与样本子集(Loc-VAPSO)。该方法耗时短,效果优于局部模型和VAPSO算法,在分子振动光谱定量分析领域有着很好的前景。5.对于提出的多种不同的新波长选择算法以及新定量分析模型,应用于检测生物柴油调和油的调合比。对于调和油样本分别检测近红外光谱和拉曼光谱,并分别进行预处理与样本划分。将提出的新光谱特征波长筛选方法(VAPSO、iVAPSO),新的定量分析模型(CNN模型、Loc-PLS以及Loc-VAPSO方法)应用于生物柴油光谱。实验结果表明,本文提出的特征波长筛选新方法及新光谱定量分析模型,在提高生物柴油调合比检测精度、降低模型复杂度而言,有着很好的应用效果。