主题：【第十三届原创】波段选择结合模型转移用于提高定量模型的预测能力

浏览0 回复0 电梯直达

导演叫我趴下脸着地

结帖率：

100%

关注：0 |粉丝：0

新手级：新兵

Love to share发表于：2020/09/17 08:30:03 楼主管理分享倒序浏览只看楼主回复私聊

维权声明：本文为Insp_f6c3db88原创作品，本作者与仪器信息网是该作品合法使用者，该作品暂不对外授权转载。其他任何网站、组织、单位或个人等将该作品在本站以外的任何媒体任何形式出现均属侵权违法行为，我们将追究法律责任。

波段选择结合模型转移用于提高定量模型的预测能力

为了提高模型的准确性和稳定性，使用相关系数（CC）法、无信息变量消除算法（UVE）、VIP算法和吸光度-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。

相关系数

表为相关系数波段选择的结果，以每个变量点下光谱的吸光度值与一级数据的相关系数的绝对值作为结果考察的阈值。结果表明，当相关系数绝对值设置为0.9时，得到的模型结果最优。R2c，R2cv，RMSEC和RMSECV分别为0.965，0.959，2.0946和2.3404。图 (a)为|R|阈值0.9时的相关系数图，图 (b)为根据图(a)选出的用于建模的变量点，从图中可以看出，选出的变量点与图中的特征波段1100 nm, 1400 nm, 1600 nm相一致，模型结果有所提高。

表相关系数波段选择结果比较

\|R\|阈值	R2c	R2cv	RMSEC	RMSECV	LVs	变量点数
0.1	0.961	0.948	2.2121	2.5414	3	120
0.2	0.961	0.952	2.2135	2.5229	3	113
0.3	0.961	0.953	2.2162	2.489	3	104
0.4	0.961	0.95	2.2118	2.5335	3	96
0.5	0.961	0.954	2.1921	2.469	3	86
0.6	0.963	0.951	2.1396	2.5285	3	77
0.7	0.944	0.951	2.1345	2.4731	3	73
0.8	0.964	0.955	2.1185	2.399	3	61
0.9	0.965	0.959	2.0946	2.3404	3	47

(a)

(b)

图(a)相关系数与波长关系图；(b)经相关系数选出的波段

VIP

图a)为VIP得分图，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)为根据图 (a)选择出的波段结果。橙色的点为选出的变量点，绿色的线代表平均光谱。共选出了38个变量点，建立的PLS模型参数R2c，R2cv，RMSEC和RMSECV分别为0.960，0.952，2.2460和2.4808，模型预测能力几乎未得到提高。可能是由于VIP波段选择未能将与API含量相关的波段完全选择出来。

(a)

(b)

图(a)VIP得分图；(b)VIP波段选择结果

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。当蒙特卡洛模拟数为300，校正集占比为0.7时得到的模型最佳，图 (a)为得到的建模结果。当选择变量点数为42时，R2c，R2cv，RMSEC和RMSECV分别为0.960，0.954，2.2329和2.4188，图 (b)为选择出的相应的变量点。

(a)

(b)

图(a) 蒙特卡洛模拟数为300，校正集占比为0.7模型结果；(b)经UVE方法选择出的波段（

吸光度-浓度变化率（RATC）

图 (a)为Vmean与波长相关关系图，图 (b)经RATC法得到的波段选择结果。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0.970，0.960，1.9053和2.1918。从图 (b)可以看出，经RATC波段选择方法选择出的波段与图4-4中的特征波段和图(b)中的第一主成分载荷图中的特征波段基本相同，证明该波段选择方法成功地选择出了与API含量相关的变量点。