波长选择方法及其在近红外光谱数据中的应用

化工论文编号:HG182  论文字数:20263,页数:37

目  录
中文摘要 I
英文摘要 II
目录 III
1.绪论 1
 1.1近红外光谱分析技术的原理 1
 1.2近红外光谱分析技术的特点 2
 1.3近红外光谱分析技术的优势 2
1.3.1快速和高速测定技术 2
1.3.2应用光纤实现在线分析 3
1.3.3结果准确、重现性好 3
1.3.4无损分析 3
1.3.5分析成本低 4
 1.4近红外光谱分析技术的缺陷 4
1.4.1测试灵敏度较低 4
1.4.2间接分析技术 4
 1.5近红外光谱分析技术的应用领域 4
 1.6近红外光谱分析技术尚存在的问题 5
 1.7本章小结 5
 2.波长选择方法简介 7
 2.1相关系数法和方差分析法 8
 2.2逐步回归分析方法（SRA） 9
 2.3 无信息变量消除方法（UVE） 9
 2.4多元线性回归（MLR） 10
 2.5主成分回归（PCR） 10
 2.6偏最小二乘法（PLS） 12
 2.7遗传算法（GA） 13
 2.8本章小结 13
3遗传算法 14
 3.1遗传算法的提出与发展 14
 3.2遗传算法的基本原理 15
 3.1.1选择 15
3.1.2交叉 16
3.1.3变异 16
 3.3遗传算法的特点 17
 3.4遗传算法实现过程 18
 3.4.1参数编码 19
3.4.2群体的初始化 21
3.4.3适应度函数的设计 21
3.4.4遗传操作设计 22
3.4.5收敛判据 22
3.4.6变量选取 22
 3.5遗传算法的优点 22
 3.6遗传算法的缺陷 23
 3.7本章小结 23
4遗传算法在近红外光谱波长选择上的应用实验 24
 4.1实验数据 24
 4.2方法处理结果与比较 25
 4.2.1多元线性回归法（MLR） 25
4.2.2遗传算法（GA） 25
4.2.3结果比较分析 26
 4.3本章小结 27
5.结论与展望 29
致谢 30
参考文献 31

摘要：现代近红外光谱（NIR）分析技术在很多行业得到广泛应用。而在近红外光谱分析使用的化学计量学方法中，波长选取方法是实际应用的基础。本文综述了波长选择方法及其在近红外光谱数据中的应用的发展，介绍了相关系数法、方差分析法、逐步回归法、无信息变量的消除法（UVE）、间隔偏最小二乘法（interval PLS， iPLS）、遗传算法（genetic algorithms，GA）等主要的波长选择方法及相应的原理，并进行了一些必要的数学描述。在以上提到的多种选择方法基础上，本论文详细介绍了遗传算法，进行了GA在近红外光谱的应用实现，并与多元线性回归法的应用实现的结果进行比较分析。遗传算法是采用二进制编码，通过对选择、交叉和变异对波长进行选择并选出最优子集。由150个训练数据生成的参数，去预测25个测试样本，并由此计算它们的平均相对偏差。本文通过平均相对偏差作为评价模型预测效果的标准。结果表明，采用遗传算法进行波长及预处理选择是可行的，平均相对偏差较小，结果较为理想，但仍需进一步改进。
关键词：近红外光谱 波长选择 遗传算法 多元线性回归

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