联合区间高斯过程的近红外光谱波长选择方法及应用

发布时间：2017-10-10 05:34

  本文关键词：联合区间高斯过程的近红外光谱波长选择方法及应用

  更多相关文章： 近红外光谱 高斯过程模型 联合区间高斯过程(siGP) 红曲菌 水分含量 pH值

【摘要】：针对近红外光谱应用,提出了一种基于高斯过程(GP)模型的波长选择算法,即联合区间高斯过程(synergy interval gaussian process,siGP)算法。首先将全光谱区域划分为一系列无重复且间距相等的区间,再选取最优的若干个区间联合建立GP模型,由于GP模型具有非线性处理能力,因此该方法可以减少非线性的影响。以红曲菌固态发酵过程中过程参数水分含量和pH值的检测为例,新算法对水分含量、pH值的预测集相关系数(rp)分别为0.956 4和0.977 3,预测均方根误差(RMSEP)分别为0.012 7和0.161 0,参与建模的数据点由全谱的1 500个分别减少到225个、375个,在对独立样本的预测上,表现出较好的精度。与传统联合区间偏最小二乘(siPIS)波长选择算法对比,siGP算法预测效果更好:对水分含量和pH值,r_p在GP模型预测时提高了3.37%和3.51%,RMSEP在GP模型预测时提高了29.4%和34.8%。表明siGP结合GP模型能够有效选择波长区间以及提高近红外模型的准确性,对进一步实现近红外光谱技术在线检测具有参考价值。
【作者单位】： 江南大学轻工过程先进控制教育部重点实验室自动化研究所;
【关键词】： 近红外光谱 高斯过程模型 联合区间高斯过程(siGP) 红曲菌 水分含量 pH值
【基金】：国家自然科学基金项目(NSFC 61273087) 江苏省产学研前瞻性联合研究项目(BY2013015-27)资助
【分类号】：O657.33
【正文快照】： 程参数与光谱数据之间常常具有一定的非线性,因此,为了弓| 言 提高模型精度,须在波长选择时考虑非线性因素。作为一种新的机器学习方法,氋斯过程(GP)模型可以近年来,近红外光谱技术(N1R)作为一个过程分析工 处理复杂的非线性问题,且泛化能力强与ANN和LS具,被广泛应用于石油、

【相似文献】

中国期刊全文数据库 前8条

1 任彦荣;陈绍成;邹晓川;田菲菲;周鹏;;采用高斯过程模拟预测域/肽识别和相互作用[J];中国科学:化学;2012年08期

2 王鑫;李红丽;;苯酚含量预测的高斯过程回归模型[J];自动化仪表;2014年05期

3 李雅芹;杨慧中;;基于仿射传播聚类和高斯过程的多模型建模方法[J];计算机与应用化学;2010年01期

4 王华忠;;一种基于高斯过程的非线性PLS建模方法[J];华东理工大学学报(自然科学版);2007年05期

5 邵建新;袁慎芳;张华;邱雷;袁江;;基于高斯过程的疲劳裂纹长度评定方法研究[J];仪器仪表学报;2014年03期

6 刘开云;刘保国;徐冲;;基于遗传 组合核函数高斯过程回归算法的边坡非线性变形时序分析智能模型[J];岩石力学与工程学报;2009年10期

7 张相胜;王凯;;高斯过程集成算法的发酵过程软测量建模[J];计算机工程与应用;2011年33期

8 ;[J];;年期

中国重要会议论文全文数据库 前5条

1 刘信恩;肖世富;莫军;;用于不确定性分析的高斯过程响应面模型设计点选择方法研究[A];中国计算力学大会'2010（CCCM2010）暨第八届南方计算力学学术会议（SCCM8）论文集[C];2010年

2 刘冬;张清华;;基于高斯过程的精密卫星钟差加密[A];第二届中国卫星导航学术年会电子文集[C];2011年

3 李雅芹;杨慧中;;一种基于仿射传播聚类和高斯过程的多模型建模方法[A];2009中国过程系统工程年会暨中国mes年会论文集[C];2009年

4 赵级汉;张国敬;姜龙;魏巍;;基于叠加高斯过程的数字噪声产生方法FPGA实现[A];第二十四届全国空间探测学术交流会论文摘要集[C];2011年

5 何志昆;刘光斌;姚志成;赵曦晶;;基于高斯过程回归的FOG标度因数温度漂移建模新方法[A];第25届中国控制与决策会议论文集[C];2013年

中国博士学位论文全文数据库 前6条

1 王建民;矿山边坡变形监测数据的高斯过程智能分析与预测[D];太原理工大学;2016年

2 赵静;基于高斯过程的动态系统研究[D];华东师范大学;2016年

3 潘伟;基于高斯过程的高炉炼铁过程辨识与预测[D];浙江大学;2012年

4 贺建军;基于高斯过程模型的机器学习算法研究及应用[D];大连理工大学;2012年

5 夏战国;基于高斯过程的提升机轴承性能评测方法研究[D];中国矿业大学;2013年

6 赵伟;复杂工程结构可靠度分析的高斯过程动态响应面方法研究[D];广西大学;2014年

中国硕士学位论文全文数据库 前10条

1 李红丽;回归分析中的贝叶斯推断技术的研究[D];江南大学;2015年

2 李励耘;基于高斯过程的抓取规划方法研究[D];哈尔滨工业大学;2015年

3 王雪茹;基于高斯过程的风电机组部件建模与监测研究[D];华北电力大学;2015年

4 于立鑫;基于高斯过程—差异进化算法的隧道施工多元信息反分析研究[D];大连海事大学;2015年

5 戈财若;基于高斯过程的高光谱图像分类算法研究[D];东华理工大学;2015年

6 叶婧;基于高斯过程回归的锂电池数据处理[D];北京交通大学;2016年

7 张栋;基于在线学习高斯过程有杆泵油井动态液面建模方法研究[D];东北大学;2014年

8 申倩倩;基于高斯过程的在线建模问题研究[D];华南理工大学;2011年

9 朱江;单任务以及多任务稀疏高斯过程[D];华东师范大学;2014年

10 黄荣清;基于稀疏高斯过程回归的半监督分类的序贯训练方法[D];华东师范大学;2012年

，

本文编号：1004660