计算机与应用化学
計算機與應用化學
계산궤여응용화학
COMPUTERS AND APPLIED CHEMISTRY
2014年
4期
499-502
,共4页
集成方法%变量选择%近红外光谱%定量分析
集成方法%變量選擇%近紅外光譜%定量分析
집성방법%변량선택%근홍외광보%정량분석
ensemble method%variable selection%near infrared spectroscopy (NIRS)%quantitative analysis
本文建立了一种集成变量筛选方法,并用于玉米油分和蛋白质近红外光谱分析中的波长筛选.以光谱纯度值及回归系数构建变量重要性的评价指标w,将所有波长按w值大小排序后,用偏最小二乘交互检验按前向选择法选择最佳变量子集.最终从700个波长变量中分别选择了30和20个特征波长分别用于油分及蛋白质校正模型的构建,对独立测试集中样品油分和蛋白质预测的相关系数(R)、预测误差均方根(RMSEP)、平均相对误差(MRE)分别为0.9814、0.0329、0.714％和0.9887、0.0811、0.738％.而全谱变量建模对油分及蛋白质预测的R、RMSEP、MRE分别为0.9351、0.0606、1.474％及0.9709、0.1314、1.246％.可见该方法可有效地减少建模的变量数,提高预测精度.
本文建立瞭一種集成變量篩選方法,併用于玉米油分和蛋白質近紅外光譜分析中的波長篩選.以光譜純度值及迴歸繫數構建變量重要性的評價指標w,將所有波長按w值大小排序後,用偏最小二乘交互檢驗按前嚮選擇法選擇最佳變量子集.最終從700箇波長變量中分彆選擇瞭30和20箇特徵波長分彆用于油分及蛋白質校正模型的構建,對獨立測試集中樣品油分和蛋白質預測的相關繫數(R)、預測誤差均方根(RMSEP)、平均相對誤差(MRE)分彆為0.9814、0.0329、0.714％和0.9887、0.0811、0.738％.而全譜變量建模對油分及蛋白質預測的R、RMSEP、MRE分彆為0.9351、0.0606、1.474％及0.9709、0.1314、1.246％.可見該方法可有效地減少建模的變量數,提高預測精度.
본문건립료일충집성변량사선방법,병용우옥미유분화단백질근홍외광보분석중적파장사선.이광보순도치급회귀계수구건변량중요성적평개지표w,장소유파장안w치대소배서후,용편최소이승교호검험안전향선택법선택최가변양자집.최종종700개파장변량중분별선택료30화20개특정파장분별용우유분급단백질교정모형적구건,대독립측시집중양품유분화단백질예측적상관계수(R)、예측오차균방근(RMSEP)、평균상대오차(MRE)분별위0.9814、0.0329、0.714％화0.9887、0.0811、0.738％.이전보변량건모대유분급단백질예측적R、RMSEP、MRE분별위0.9351、0.0606、1.474％급0.9709、0.1314、1.246％.가견해방법가유효지감소건모적변량수,제고예측정도.
