波段选择对混合过程API定量模型的影响

为了提高模型的准确性和稳定性，同样地使用相关系数（CC）法、无信息变量消除算法（UVE）、VIP法和吸光度-浓度变化率（RATC）进行波段选择，参数RMSECV用来评估PLS模型的预测能力。

.1相关系数

表为相关系数波段选择的结果，考察了|R|阈值为0.1-0.9时PLS建模的结果。由表可得，阈值为0.1-0.7时，随着|R|增加，模型质量增加，之后模型质量开始下降。可能是由于|R|为0.1-0.6时阈值过小，进行波段选择时将与API含量无关的变量点纳入到模型中，0.8-0.9是由于阈值过高，丢失了建模有用的信息。当选择相关系数阈值为0.7时，得到的模型结果最优，图 (a)为相关系数图，(b)为相关系数波段选择选出的变量点。此时选出的变量点数为57，R2c，R2cv，RMSEC和RMSECV分别为0.956，0.954，2.3997和2.4103。与未进行波段选择建模相比，波段选择减少了计算量，提高了模型质量。

表相关系数波段选择结果比较

\|R\|阈值	R2c	R2cv	RMSEC	RMSECV	LVs	变量点个数
0.1	0.948	0.947	2.5338	2.5394	3	108
0.2	0.949	0.948	2.5159	2.5223	3	97
0.3	0.952	0.949	2.4435	2.4487	3	84
0.4	0.955	0.953	2.4432	2.4491	3	77
0.5	0.954	0.952	2.4135	2.4192	3	71
0.6	0.953	0.951	2.4193	2.4272	3	63
0.7	0.956	0.954	2.3997	2.4103	3	57
0.8	0.962	0.960	2.4385	2.4506	3	47
0.9	0.951	0.949	2.4511	2.4574	3	30

(a)

(b)

图(a)相关系数图；(b)相关系数波段选择选出的波段

2 VIP

图 (a)为VIP得分与波长关系图，同样地选取VIP得分超过1所对应的变量点作为后续建模的变量。图 (b)为经VIP法波段选择得到的结果，橙色的点为选出的变量点，绿色的线代表平均光谱。如图所示，共选出了30个变量点，参数R2c，R2cv，RMSEC和RMSECV,分别为0.940，0.939，2.7244和2.7286。与相关系数波段选择结果相比，模型预测能力有所下降。可能是由于VIP关系图中与API含量相关的波段没有得到很好地响应。参考图，VIP法未能将与API含量相关的特异性波段全部选择出来，模型质量有所下降。

(a)

(b)

图 (a)VIP得分图；(b)VIP法选择出的波段

3 UVE

本部分研究中同样将UVE波段选择算法的蒙特卡洛模拟数设置为100-500，间隔为100；校正集样品占比设置为0.6-0.9，间隔为0.1。按照RMSECV升序排列对应的变量点，依次递增一个变量点进行PLS建模。由计算结果可得，当蒙特卡洛模拟数为300，校正集占比为0.8时得到的模型最佳。图 (a)为蒙特卡洛模拟数为300，校正集占比为0.8时得到的建模结果。当选择变量点数为32时，R2c，R2cv，RMSEC和RMSECV分别为0.963，0.961，2.4073和2.4189，模型预测能力有所提高。

(a)

(b)

图(a) 蒙特卡洛模拟数为300，校正集占比为0.8模型结果；(b)波段选择结果

4吸光度-浓度变化率（RATC）

图 (a)为Vmean与波长相关关系图，图 (b)为按照Vmean降序排列对应的变量点，依次递增一个变量点进行PLS建模的结果。当选择变量点数为49时，模型预测能力最好，R2c，R2cv，RMSEC和RMSECV,分别为0.957，0.954，2.3103和2.3143，选出的变量点如图 (c)所示，橙色的点表示选出的变量点，绿色的线表示平均光谱。图(d)为经过RATC波段选择优化后建立的PLS模型图，如图所示，校正集和交叉验证集光谱点在理论含量的±5%以内，且无异常点。


(a)	(b)

(c)	(d)
图(a)不同变量点的Vmean值；(b) 按照Vmean降序，依次递增一个变量点建模结果；(c) RATC法波段选择结果图；(d)经RATC波段选择优化建立的PLS模型图