基于蚁群算法的分子光谱波长选择新方法与应用基础研究

发布时间：2018-01-26 03:27

本文关键词： 光谱分析波长选择蚁群算法 VIP　出处：《浙江大学》2017年硕士论文　论文类型：学位论文

【摘要】：智能工厂与工业4.0已经成为未来发展的战略方向,对工业过程中产品中间参数及成品质量的检测也需要智能化的解决方案。光谱分析方法主要通过光源照射形成的谱图数据进行处理及建模分析,可以无损检测样品的目标属性,同时还能实现在线分析,可操作性强,分析平台的搭建也相对简单,对优化产品质量具有重要作用,是在线检测领域的研究热点。光谱分析方法的关键是配套的化学计量方法,本文研究了光谱分析中各个步骤的主流算法,主要研究了光谱波长筛选算法,提出了 PLS-VIP-ACO波长筛选新方法,该算法以蚁群算法为基础,并针对蚁群算法的缺陷进行改进,将投影变量重要系数加入信息素更新操作,并根据PLS回归系数判别波长贡献率,理论上更优于蚁群算法,并且在近红外标准数据集上得到了验证。在生物柴油调合油新能源领域,本文对拉曼光谱和近红外光谱分析技术的应用进行了研究,在两种光谱的波长筛选中应用了本文提出的波长选择新方法PLS-VIP-ACO,简化了分析模型,结果表明PLS-VIP-ACO波长选择方法同样适用于拉曼光谱和近红外光谱。对本文的主要内容概括如下:1、全方位的阅读调研光谱分析相关文献,介绍了光谱分析作为一种快速、无损的分析技术的重要地位;详细介绍了应用较为广泛的近红外光谱和拉曼光谱分析技术的理论基础、优势劣势、历史发展和研究现状;调研了特征波长筛选在光谱分析中的重要意义及波长选择的研究现状。2、主要介绍了光谱分析中涉及到的主流的化学计量方法。光谱分析的主要步骤有数据预处理、波长选择和多元校正模型,涉及的化学计量方法也分为此三部分做了详细的介绍。3、首先提出了 VIP-ACO算法,该方法基于蚁群算法,以投影变量重要性为信息素更新依据,与全光谱建模和其他波长选择方法相比提高了模型的精度,降低了模型的复杂性。接下来针对新算法VIP-ACO随机性明显的缺点,为区分每次迭代选中最优波长组合里波长点的优劣、防止随机掺杂的无关波长点扰乱迭代结果,将VIP-ACO算法与偏最小二乘模型系数相结合(PLS-VIP-ACO),PLS-VIP-ACO算法表现出更优异的建模结果。4、研究了光谱分析在生物柴油调合油调合比分析中的应用,在实验室对光谱采集及检测装置进行仿真,对光谱数据进行建模分析得到预测结果。检测模型建立步骤如下:异常样本剔除,进行数据预处理;选择了稳定、简单、模型预测效果好的PLSR做为建模方法;应用了本文提出的PLS-VIP-ACO波长选择新方法,并与其他主流波长选择方法进行对比,新方法效果最优,能够使PLSR模型精度更高,同时复杂度更低。5、更全面的对生物柴油调合油比例分析进行了应用研究,采集了第四章中的生物柴油调合油样本的近红外光谱,也从预处理、定量模型建立、波长筛选三个步骤对近红外光谱的分析方法做了研究,结果表明本文提出的PLS-VIP-ACO算法适用性普遍,在近红外光谱数据集上也表现出了最优的筛选效果,证明了 PLS-VIP-ACO算法在波长筛选应用中准确性和普适性。
[Abstract]:In this paper , a new method of spectral analysis is presented . The main steps of spectral analysis are as follows : 1 . A new method for spectral analysis is presented . The method is based on ant colony algorithm . The method is based on ant colony algorithm . The prediction result is obtained by modeling and analyzing the spectral data . The detection model is established as follows : the abnormal sample is removed , the data preprocessing is carried out ; the PLSR with stable , simple and good model prediction effect is selected as the modeling method ; and the method has the advantages of better accuracy and lower complexity compared with other mainstream wavelength selection methods .

【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2017
【分类号】：TP18;O433.4

【参考文献】