光谱学与光谱分析
光譜學與光譜分析
광보학여광보분석
SPECTROSCOPY AND SPECTRAL ANALYSIS
2003年
5期
870-872
,共3页
齐小明%张录达%杜晓林%宋昭娟%张一%徐淑燕
齊小明%張錄達%杜曉林%宋昭娟%張一%徐淑燕
제소명%장록체%두효림%송소연%장일%서숙연
偏最小二乘法%BP网络%近红外光谱%定量分析
偏最小二乘法%BP網絡%近紅外光譜%定量分析
편최소이승법%BP망락%근홍외광보%정량분석
建立BP模型用于近红外光谱定量分析时, 为克服所建模型与训练样本集产生"过拟合", 先用线性算法为其压缩训练数据是必要的. 目前多采用主成分法(PCA)和逐步回归法(SRA). 主成分法具有极强的压缩数据能力, 用它压缩成的主成分输入BP网所建模型的预测精度一般能满足要求, 但它处理数据时未考虑输出变量的影响. 逐步回归法根据系统输出选择变量, 但所选变量具有自相关性, 而且与训练集样品的排列顺序有关, 很难选出最好的变量, 往往难满足预测精度要求. 本研究用偏最小二乘法(PLS), 根据输出变量将原始数据压缩为主成分, 输入BP网并用所建模型预测30个小麦样品的蛋白质含量. 结果表明, 与PCA-BP模型的预测决定系数(R2)从92.50提高到97.10, 训练迭代次数从12 000减少到4 500.
建立BP模型用于近紅外光譜定量分析時, 為剋服所建模型與訓練樣本集產生"過擬閤", 先用線性算法為其壓縮訓練數據是必要的. 目前多採用主成分法(PCA)和逐步迴歸法(SRA). 主成分法具有極彊的壓縮數據能力, 用它壓縮成的主成分輸入BP網所建模型的預測精度一般能滿足要求, 但它處理數據時未攷慮輸齣變量的影響. 逐步迴歸法根據繫統輸齣選擇變量, 但所選變量具有自相關性, 而且與訓練集樣品的排列順序有關, 很難選齣最好的變量, 往往難滿足預測精度要求. 本研究用偏最小二乘法(PLS), 根據輸齣變量將原始數據壓縮為主成分, 輸入BP網併用所建模型預測30箇小麥樣品的蛋白質含量. 結果錶明, 與PCA-BP模型的預測決定繫數(R2)從92.50提高到97.10, 訓練迭代次數從12 000減少到4 500.
건립BP모형용우근홍외광보정량분석시, 위극복소건모형여훈련양본집산생"과의합", 선용선성산법위기압축훈련수거시필요적. 목전다채용주성분법(PCA)화축보회귀법(SRA). 주성분법구유겁강적압축수거능력, 용타압축성적주성분수입BP망소건모형적예측정도일반능만족요구, 단타처리수거시미고필수출변량적영향. 축보회귀법근거계통수출선택변량, 단소선변량구유자상관성, 이차여훈련집양품적배렬순서유관, 흔난선출최호적변량, 왕왕난만족예측정도요구. 본연구용편최소이승법(PLS), 근거수출변량장원시수거압축위주성분, 수입BP망병용소건모형예측30개소맥양품적단백질함량. 결과표명, 여PCA-BP모형적예측결정계수(R2)종92.50제고도97.10, 훈련질대차수종12 000감소도4 500.
