新型多元校正、校正轉(zhuǎn)換和多元分類(lèi)分析方法研究.pdf

1、現(xiàn)代化工過(guò)程和化工產(chǎn)品質(zhì)量涉及多方面因素和指標(biāo)，通過(guò)這些因素和指標(biāo)的測(cè)定數(shù)據(jù)來(lái)關(guān)聯(lián)化工過(guò)程和化工產(chǎn)品質(zhì)量，對(duì)優(yōu)化整個(gè)化工過(guò)程和產(chǎn)品質(zhì)量具有重要意義。由于系統(tǒng)往往非常復(fù)雜，這些因素和指標(biāo)往往具有相關(guān)性，測(cè)定數(shù)據(jù)混有噪音或干擾。因此從大量復(fù)雜數(shù)據(jù)中提取有用信息、濾除噪音，建立穩(wěn)健的數(shù)學(xué)模型，可獲得對(duì)于生產(chǎn)過(guò)程更好的理解，實(shí)現(xiàn)對(duì)產(chǎn)品質(zhì)量進(jìn)行在線(xiàn)控制。
　　 本文選擇廣泛用于質(zhì)量在線(xiàn)控制過(guò)程的近紅外光譜系統(tǒng)為研究對(duì)象，研究并提出了幾種化

2、學(xué)計(jì)量學(xué)方法，涉及信號(hào)處理、噪音濾除、穩(wěn)健模型建立、儀器漂移校正等方面。
　　 本論文首先考察兩種純凈分析信號(hào)或處理(Net Analyte Signal/Processing,NAS/NAP)算法、兩種正交信號(hào)校正(Orthogonal Signal Correction,OSC)算法，研究了它們之間及其與PLS多元校正之間的關(guān)系。實(shí)驗(yàn)數(shù)據(jù)和模擬光譜數(shù)據(jù)處理結(jié)果表明，在一般情況下，這些信號(hào)處理方法處理光譜后得到的多元校正模型的

3、預(yù)測(cè)結(jié)果相似；但在光譜中的噪聲和不同組分之間存在重疊的條件下，根據(jù)其結(jié)果可將這些方法分成兩組：應(yīng)用Lorber NAP算法建模與應(yīng)用FearnOSC算法建模獲得相同的預(yù)測(cè)結(jié)果；而應(yīng)用Olivieri NAP算法建模與應(yīng)用修改后的Fearn OSC算法建模獲得相同的預(yù)測(cè)結(jié)果。這四種信號(hào)處理方法僅能簡(jiǎn)化PLS模型，而不能提高PLS模型的預(yù)測(cè)效果。因此，本論文開(kāi)發(fā)了新型分段NAP信號(hào)處理方法——Piecewise NAP(PNAP)，通過(guò)局部

4、地去除光譜中與目標(biāo)分析物不相關(guān)的干擾或噪聲，從而提高在近紅外光譜上建立的多元校正模型的預(yù)測(cè)效果。與常用的OSC或NAP信號(hào)處理方法相比，即使光譜中包含噪聲或不同組份之間存在重疊，PNAP算法模型的預(yù)測(cè)結(jié)果比常規(guī)NAP和OSC模型更穩(wěn)健。與Olivieri的NAP和改良Fearn的OSC一樣，對(duì)Olivieri的NAP和改良Fearn的OSC進(jìn)行分段處理(Piecewise)，其多元校正模型具有相同的預(yù)測(cè)結(jié)果。
　　 基于模型融合

5、思想，本文開(kāi)發(fā)了疊加偏最小二乘回歸(Stacked Partial Least-Squares，SPLS)和疊加移動(dòng)窗口偏最小二乘回歸(StackedMoving-Window Partial Least-Squares，SMWPLS)兩種新型多元校正方法，它們通過(guò)給予大小不同的權(quán)重因子來(lái)去除光譜中的局部冗余信息。其基本原理是在所有的光譜間隔上建立平行的常規(guī)偏最小二乘回歸(PLS)模型，充分利用整個(gè)光譜數(shù)據(jù)中的信息，并且通過(guò)賦予光譜數(shù)據(jù)

6、中與目標(biāo)分析物高度相關(guān)光譜間隔較大的權(quán)重，對(duì)這些子PLS模型進(jìn)行融合。理論和實(shí)驗(yàn)結(jié)果表明這兩種疊加算法效果顯著優(yōu)于傳統(tǒng)的PLS模型。這兩種疊加算法可以獲得更簡(jiǎn)化的回歸模型。當(dāng)目標(biāo)分析物的信息不是均勻地分布或僅集中在一個(gè)光譜間隔上時(shí)，與在整個(gè)光譜或一個(gè)最好的光譜區(qū)間內(nèi)建立的PLS模型相比，疊加模型可以獲得更好的預(yù)測(cè)效果。另外，應(yīng)用這兩種疊加算法不僅可以提高多元校正模型的預(yù)測(cè)效果，而且對(duì)于光譜中包含離群點(diǎn)(Outlier)的數(shù)據(jù)具有潛在的處

7、理能力。
　　 本文研究同樣顯示新開(kāi)發(fā)的疊加融合方法(SPLS)具有保持多元校正模型的能力，可將某分析儀器建立的校正模型用于另一分析儀器的分析預(yù)測(cè)上。與傳統(tǒng)的校正轉(zhuǎn)移方法需要在兩個(gè)分析儀器上都進(jìn)行轉(zhuǎn)換標(biāo)準(zhǔn)樣本檢測(cè)不同，SPLS算法不需要測(cè)量轉(zhuǎn)換標(biāo)準(zhǔn)樣本，就可在兩個(gè)不同儀器的光譜數(shù)據(jù)上都可以獲得穩(wěn)健預(yù)測(cè)效果，并保持良好的模型預(yù)測(cè)能力。通過(guò)湖中沉積物的近紅外光譜數(shù)據(jù)，展示SPLS對(duì)不同儀器上樣本的預(yù)測(cè)效果。SPLS通過(guò)減小不同儀器上

8、的局部光譜差異的影響，從而有助于常用的校正轉(zhuǎn)換技術(shù)提高轉(zhuǎn)換后模型的預(yù)測(cè)效果。當(dāng)在頻率空間中進(jìn)行校正轉(zhuǎn)換時(shí)，基于數(shù)據(jù)或模型融合思想的雙域回歸分析(Dual Domain Regression Analysis,DDRA)方法同樣有助于提高常規(guī)的校正轉(zhuǎn)換模型的預(yù)測(cè)效果。在不同的空間中（時(shí)域和頻域）進(jìn)行模型融合都可以提高校正轉(zhuǎn)換后的模型的預(yù)測(cè)效果，而本文新開(kāi)發(fā)的SPLS與常用的校正轉(zhuǎn)換方法相結(jié)合優(yōu)于利用雙域回歸(DDRA)模型融合的校正轉(zhuǎn)換方

9、法。
　　 與回歸中一樣，對(duì)分類(lèi)器進(jìn)行融合或疊加，去除光譜中局部的冗余信號(hào)，相對(duì)于任何一個(gè)單獨(dú)的分類(lèi)器，可以獲得更精確的分類(lèi)結(jié)果。本文開(kāi)發(fā)了兩種新的疊加分類(lèi)器法，包含一個(gè)基于新設(shè)計(jì)SPLS的疊加偏最小二乘分類(lèi)分析方法(Stacked Partial Least-Squares Discriminant Analysis,SPLSDA)和另一個(gè)對(duì)一系列線(xiàn)性分類(lèi)器進(jìn)行疊加的疊加線(xiàn)性分類(lèi)分析方法(Stacked Linear Disc

10、riminant Analysis,SLDA)。與偏最小二乘分類(lèi)分析(Partial Least-Squares Discriminant Analysis,PLSDA)和線(xiàn)性分類(lèi)分析(Linear Discriminant Analysis,LDA)分類(lèi)器的分類(lèi)結(jié)果相比，應(yīng)用SPLSDA和SLDA可獲得更好的分類(lèi)結(jié)果。SPLSDA分類(lèi)器通過(guò)對(duì)在不同的光譜間隔上建立的子PLSDA分類(lèi)器進(jìn)行疊加融合，從而揭示光譜中的每個(gè)光譜間隔對(duì)最終分類(lèi)

11、結(jié)果的貢獻(xiàn)，并且SPLSDA一般比在整個(gè)光譜上建立的PLSDA分類(lèi)器需要更少的潛在變量，SPLSDA和SLDA分類(lèi)器使用不同的權(quán)重進(jìn)行變量選擇，同時(shí)彌補(bǔ)了在常規(guī)的變量選擇方法中可能發(fā)生的信息遺漏缺陷。
　　 本論文還研究了利用小波正交信號(hào)校正(Wavelet Orthogonal Signal Correction,WOSC)去除頻率空間中的不相關(guān)信息，從而獲得穩(wěn)健的分類(lèi)器。這個(gè)新的分類(lèi)方法將Wavelet Prism（具有局部

12、的和多頻率組分的特點(diǎn)）與正交信號(hào)校正（整體地去除不相關(guān)的信息）相結(jié)合，從而極大地提高分類(lèi)器的分類(lèi)效果，同時(shí)簡(jiǎn)化了分類(lèi)器。本文的研究顯示小波正交信號(hào)處理分類(lèi)分析(Wavelet Orthogonal Signal Correction Discriminant Analysis,WOSCDA)分類(lèi)器可以有效地去除光譜中與分類(lèi)不相關(guān)的信息，與在整個(gè)時(shí)域上進(jìn)行OSC處理的PLSDA分類(lèi)器(Orthogonal Partial Least-Sq