基于局部最小二乘支持向量机的光谱定量分析

提出了一种基于局部最小二乘支持向量机(LSSVM)的回归方法,以克服待测参数和光谱数据间的非线性。本方法首先通过欧式距离选取局部训练样本子集,然后利用该子集建立LSSVM校正模型。由于每个测试样本建模时要选取不同的训练样本,因此提出相对距离的概念用来改进高斯核函数,使LSSVM的参数对于不同的训练样本具有自调整功能。针对一批汽油样本的实验结果表明,本方法的预测精度优于常见的局部线性建模方法和全局建模方法。     

基于最小二乘支持向量机的油页岩含油率近红外光谱分析

为了提高油页岩含油率近红外光谱分析建模的预测精度和稳定性,开展了基于最小二乘支持向量机(LS-SVM)建模方法的对比研究.采用主成分-马氏距离(PCA-MD)和基于蒙特卡洛采样(MCS)2种方法进行了奇异样本的检测,采用径向基核函数的LS-SVM、偏最小二乘(PLS)和反向传播神经网络(BPANN)3种方法进行建模方法对比.结果表明,对于64个油页岩岩芯样本,与PCA-MD方法相比,采用MCS方法剔除奇异样本后所建PLS模型的预测精度提高了28%.对于MCS方法剔除奇异样本后的58个样品,采用KennardStone法划分了44个样品的校正集和14个样品的预测集,采用2阶导数和标准化预处理方法,建立了100个LS-SVM的校正模型,模型的预测决定系数R2平均值达到0.90以上,高于PLS和BPANN模型的对应值;且R2的变化量(0.02)小于BPANN模型的对应值(0.32).因此,MCS奇异样本检测结合LS-SVM方法可提高油页岩含油率样本建模的精度和稳定性.     

基于模糊最小二乘支持向量机的蒸发过程预测控制研究

针对氧化铝蒸发过程的多变量、非线性和大滞后特点及不同时间和空间样本数据不同的特征,提出了基于末位淘汰机制的混沌粒子群算法的综合加权模糊最小二乘支持向量机蒸发过程预测控制方法.用变异混沌粒子群算法对模型预测控制进行滚动优化,计算出最优控制序列.以某氧化铝厂蒸发过程生产数据进行实验验证分析,结果表明: 模型预测结果中相对误差小于8%的样本达到93.9%,出口浓度稳定在240 g/L附近,其控制性能得到显著改善,同时也起到了降低能耗的目的.     

近红外光谱法最小二乘双胞胎支持向量机的应用研究

依据中药大黄的近红外光谱信息,采用最小二乘双胞胎支持向量机( LSTSVM)算法,通过MATLAB软件编程,建立参数可优化识别模型,实现了对中药大黄的真伪鉴别.将实验材料98个大黄样品随机划分为训练集和测试集,对于训练集60个样品采用留1/5法交叉验证优化模型参数,以所选最优化参数结合训练集样品的近红外光谱建立最优识别模型,对测试集的38个样品的真伪迸行识别,识别率可达97.4％.结果表明,LSTSVM算法是一种有效的识别方法,可依据中药大黄的近红外光谱对其真伪进行快速识别.同时,本研究将大黄样品6次随机划分为训练集和测试集,建模预测平均识别率为93.4％,表明采用LSTSVM算法建立识别模型具有较好的稳健性.     

一种基于最小二乘支持向量机算法的近红外光谱判别分析方法

将最小二乘支持向量机(LSSVM)用于近红外(NIR)光谱分析,建立一种新型的NIR光谱快速鉴别方法。以丹参药材道地性鉴别为例,对其NIR漫反射光谱进行主成分分析后,运用LSSVM法建立NIR光谱非线性分类模型,对丹参药材道地性进行快速鉴别。将本方法与经典SVM和BP神经网络法相比较,结果表明,本法判别准确率高,计算时间少,可推广应用于中药等天然产物质量快速鉴别。     

中药色谱指纹图谱组分保留时间漂移的校准

基于光谱相关色谱方法判断复杂中药色谱指纹图谱的组分相关性,实现同一中药样本在不同实验条件下所得的色谱指纹图谱的相同组分的色谱保留时间漂移的局部最小二乘校正,为合理评价指纹图谱的品质提供较为实用的工具。     

加权最小二乘支持向量机稳健化迭代算法及其在光谱分析中的应用

为克服光谱分析中异常训练样本的影响, 提出了一种加权最小二乘支持向量机(WLS-SVM)的稳健化迭代算法. 针对原始WLS-SVM在收敛性和稳健性方面的不足, 提出了一种新的求取回归误差的方法, 从而从根本上解决了WLS-SVM的收敛性问题; 同时对原始算法求权值的步骤进行了修正, 采用回归误差的中值作为计算加权值的比较基准, 大幅度提高了WLS-SVM的稳健性. 将算法应用于光谱定量分析中, 实验结果证明了该方法是收敛的, 并且崩溃点在35%左右, 是一种有效的稳健建模方法.     

基于粒子群算法的最小二乘支持向量机在红花提取液近红外定量分析中的应用

提出一种基于粒子群算法的最小二乘支持向量机(PSO-LS-SVM)方法,用于建立红花提取过程关键质控指标的定量分析模型.近红外光谱数据经波段选择、预处理和主成分分析(降维)后,利用粒子群优化(PSO)算法对最小二乘支持向量机算法中的参数进行优化,然后使用最优参数建立固含量和羟基红花黄色素A(HSYA)浓度的定量校正模型.将校正结果与偏最小二乘法回归(PLSR)和BP神经网络(BP-ANN)比较,并将所建的3个模型用于红花提取过程未知样本的预测.结果表明,BP-ANN校正结果优于PSO-LS-SVM和PLSR,但是对验证集和未知样品集的预测能力较差,而PSO-LS-SVM和PLSR模型的校正、验证结果相近,相关系数均大于0.987,RMSEC和RMSEP值相近且小于0.074,RPD值均大于6.26,RSEP均小于5.70％.对于未知样品集,pSO-LS-SVM模型的RPD值大于8.06,RMSEP和RSEP值分别小于0.07％和5.84％,较BP-ANN和PLSR模型更低.本研究所建立的PSO-LS-SVM模型表现出较好的模型稳定性和预测精度,具有一定的实践意义和应用价值,可推广用于红花提取过程的近红外光谱定量分析.     

构建支持向量机-偏最小二乘法为药物构效关系建模

为研究药物构效关系积累样本数据的过程中,需为小样本建模。此时较易造成过拟合,影响模型的预测性能和稳定性。为此可用偏最小二乘(PLS)法从样本数据中成对地提取最优成分,消除自变量间的复共线性,并有效的降维,然后应用最小二乘支持向量机对成对成分进行非线性回归,并以基于误差修正的策略调整,使之更有效地表达自、因变量间的非线性关系。由此构建为EB-LSSVM-PLS算法,所建模型的预报精度高,稳定性良好。将其应用于新型黄烷酮类衍生物的QSAR建模,效果令人满意,其泛化性能优于其它方法。     

最小二乘支持向量机算法与紫外光谱法用于鉴别清开灵注射液四混中间体

采用一阶导数数据预处理,最小二乘支持向量机(LS-SVM)紫外可见光谱建模,对清开灵注射液四混中间体进行质量评价。以二次网格法和十折交叉验证法优化建模参数,预测集的总正确率和接受器工作特性曲线(ROC)下面积分别可达98.0%和0.983。结果表明,与经典的支持向量机相比,LSSVM鉴别准确率更高,模型的泛化能力更强。可用于清开灵注射液生产过程中质量控制,为中药注射液生产过程的质量控制提供了一条有效的途径。     

中药色谱指纹图谱相似度计算中保留时间校正方法的研究

从保留时间校正方法对线性推移、非线性推移和时间延迟的校正效果方面探讨了保留时间校正方法的适用范围。认为一点法校正仅能校正线性推移;两点法可以校正时间延迟和线性推移,并能部分校正非线性推移。多点法使用分段线性逼近的方法对非线性推移有良好的校正效果。