波長選擇方法及其在近紅外光譜數據中的應用

化工論文編號:HG182  論文字數:20263,頁數:37

目  錄
中文摘要 I
英文摘要 II
目錄 III
1.緒論 1
 1.1近紅外光譜分析技術的原理 1
 1.2近紅外光譜分析技術的特點 2
 1.3近紅外光譜分析技術的優勢 2
1.3.1快速和高速測定技術 2
1.3.2應用光纖實現在線分析 3
1.3.3結果準確、重現性好 3
1.3.4無損分析 3
1.3.5分析成本低 4
 1.4近紅外光譜分析技術的缺陷 4
1.4.1測試靈敏度較低 4
1.4.2間接分析技術 4
 1.5近紅外光譜分析技術的應用領域 4
 1.6近紅外光譜分析技術尚存在的問題 5
 1.7本章小結 5
 2.波長選擇方法簡介 7
 2.1相關系數法和方差分析法 8
 2.2逐步回歸分析方法（SRA） 9
 2.3 無信息變量消除方法（UVE） 9
 2.4多元線性回歸（MLR） 10
 2.5主成分回歸（PCR） 10
 2.6偏最小二乘法（PLS） 12
 2.7遺傳算法（GA） 13
 2.8本章小結 13
3遺傳算法 14
 3.1遺傳算法的提出與發展 14
 3.2遺傳算法的基本原理 15
 3.1.1選擇 15
3.1.2交叉 16
3.1.3變異 16
 3.3遺傳算法的特點 17
 3.4遺傳算法實現過程 18
 3.4.1參數編碼 19
3.4.2群體的初始化 21
3.4.3適應度函數的設計 21
3.4.4遺傳操作設計 22
3.4.5收斂判據 22
3.4.6變量選取 22
 3.5遺傳算法的優點 22
 3.6遺傳算法的缺陷 23
 3.7本章小結 23
4遺傳算法在近紅外光譜波長選擇上的應用實驗 24
 4.1實驗數據 24
 4.2方法處理結果與比較 25
 4.2.1多元線性回歸法（MLR） 25
4.2.2遺傳算法（GA） 25
4.2.3結果比較分析 26
 4.3本章小結 27
5.結論與展望 29
致謝 30
參考文獻 31

摘要：現代近紅外光譜（NIR）分析技術在很多行業得到廣泛應用。而在近紅外光譜分析使用的化學計量學方法中，波長選取方法是實際應用的基礎。本文綜述了波長選擇方法及其在近紅外光譜數據中的應用的發展，介紹了相關系數法、方差分析法、逐步回歸法、無信息變量的消除法（UVE）、間隔偏最小二乘法（interval PLS， iPLS）、遺傳算法（genetic algorithms，GA）等主要的波長選擇方法及相應的原理，并進行了一些必要的數學描述。在以上提到的多種選擇方法基礎上，本論文詳細介紹了遺傳算法，進行了GA在近紅外光譜的應用實現，并與多元線性回歸法的應用實現的結果進行比較分析。遺傳算法是采用二進制編碼，通過對選擇、交叉和變異對波長進行選擇并選出最優子集。由150個訓練數據生成的參數，去預測25個測試樣本，并由此計算它們的平均相對偏差。本文通過平均相對偏差作為評價模型預測效果的標準。結果表明，采用遺傳算法進行波長及預處理選擇是可行的，平均相對偏差較小，結果較為理想，但仍需進一步改進。
關鍵詞：近紅外光譜 波長選擇 遺傳算法 多元線性回歸

Abstract: The technology of Near-Infrared spectroscopy（NIR）analysis has great application in many industry. Wavelength selection method is the base of application that is used in chemical metrology method of Near-Infrared spectroscopy analysis. This article summarizes wavelength selection methods and the development of the application on Near-Infrared Spectroscopy, and introduce wavelength selection and principle of correlation connection, which includes square difference analytical method,  multivariate linear regression, uninformative variable elimination, multiple linear regression，principal component regression，interval partial least square，genetic algorithm and so on.. Meanwhile, the article introduces some essential mathematics description. Based on the selection methods above, this article particularly introduces genetic algorithms, and makes GA apply and realize in NIR. Then, put the results that use GA and MLR to compare and analyze. GA selects the best class by selection, crossover, mutation with binary strings, then calculate average comparatively warp. It is shown that this method is feasible, but it also needs to ameliorate more.
Key Words: NIR, wavelength selection, GA, multiple linear regression