基于光谱多元校正模型的研究

摘要

红外光谱分析技术作为一种实用的分析技术，近些年得到了很大的发展。并且目前在农业、医学、化学、石油化工等许多领域中。红外光谱分析作为一种间接地测量方法，其分析依赖于建立的模型。目前根据分析目的的不同，红外光谱分析可分为定性分析和定量分析。在红外分析中有一些常用的定性、定量分析方法，但是随着红外分析技术的推广，在一些复杂分析问题中，现有的方法常常不能取得良好的分析结果。本文针对目前红外光谱分析应用中的相关问题，在定性、定量建模问题进行研究。
　　红外光谱定性分析是建立物质类别与光谱之间的关系，来对未知样品的类别做出预测。本文在定性分析方面主要研究成分非常接近的不同物质之间的定性分析问题。我们知道红外光谱是分子结构的反映，因此成分接近的物质红外光谱也非常的相似，这对我们进行定性分析造成很大的困难。在建立定性分析模型时，由于采集到的红外光谱一般维数比较高，需要对其进行降维处理。目前研究工作者常用PCA进行数据降维，然而PCA降维主要是对原有信息最大的保留，会损失分类信息。因此，研究利用KL方法进行数据降维，以使降维后的数据含有更多的分类信息，然后利用降维后的数据结合BP神经网络提出KL-BP定性分析模型。与常用的分析方法相比，所提出的模型在对9种食用油分类中取得最好的分类效果。
　　在定量分析问题中，主要研究在小样本条件下建立定量分析模型。在实际工作中，由于受到样本来源等因素的制约，往往我们能够得到的样本数量很少，而且大量的样本在测量光谱时也需要耗费大量的时间。本文针对在小样本情况下红外光谱定量分析的相关问题展开研究。首先，利用Bootstrap重抽样方法对原来样本进行重抽样，以扩展样本数量，然后对重抽样之后的样本注入噪声以改善其样本多样性，然后结合SVM提出Bootstrap-SVM定量分析模型。通过对比PLS、SVM及本文提出的Bootstrap-SVM方法，实验结果表明本文方法在小样本情况下能够取得更好的分析精度。

目录

声明

摘要

第一章 绪论

1．1 引言

1．2 红外光谱分析技术

1．3 国内外研究现状

1．3．1 光谱分析法在食用油定性分析方面应用

1．3．2 小样本条件下红外光谱定量分析

1．4 课题研究的主要内容及意义

1．4．1 基于KL-BP模型光谱定性分析研究

1．4．2 基于Bootstrap-SVM在小样本条件下光谱定量分析研究

1．5 本文主要内容和结构

第二章 基于KL-BP模型光谱定性分析研究

2．1 引言

2．2 算法与原理

2．2．1 数据降维及分类特征提取

2．2．2 BP神经网络

2．3 实验部分

2．3．1 样本信息

2．3．2 仪器及工作条件

2．3．3 数据预处理

2．4 算法验证

2．4．1 光谱分析

2．4．2 PCA直接分类及KL直接分类方法比较

2．4．3 PLS-DA定性分析方法

2．4．4 KL-BP与PCA-BP定性分析方法对比

2．5 结果分析

2．6 小结

第三章 基于Bootstrap-SVM在小样本条件下光谱定量分析研究

3．1 引言

3．2 算法与原理

3．2．1 Bootstrap重抽样

3．2．2 噪声注入

3．2．3 支持向量回归机

3．3 实验部分

3．3．1 样本信息

3．3．2 仪器及工作条件

3．4 算法验证及结果

3．4．1 光谱分析

3．4．2 光谱预处理

3．4．2 PLS定量分析模型

3．4．3 SVM定量分析模型

3．4．4 Bootstrap-SVM定量分析模型

3．5 小结

第四章 红外光谱快速分析平台

4．1 引言

4．2 分析平台简介

4．2．1 平台构成

4．2．2 主要功能

4．3 分析平台使用说明

4．3．1 分析平台

4．3．2 登陆界面

4．3．3 主界面

4．3．4 设置界面

4．3．5 仪器状态

4．3．6 采谱工具

4．3．7 工作曲线

4．3．8 检测

4．3．9 结果显示

4．3．10 结果查询

4．4 小结

第五章 总结与展望

5．1 总结

5．2 展望

参考文献

致谢

研究成果及发表的学术论文

作者和导师简介