变量筛选策略结合局部线性嵌入(local linear embedding,LLE)理论用于近红外光谱(near infrared spectroscopy,NIRS)定量模型优化。蒙特卡罗无信息变量消除方法(monte carlo uninformation variable elimination,MCUVE)和连续投影算法(successive projections algorithm,SPA)以及两者结合的变量筛选策略用于NIRS冗余变量的剔除;偏最小二乘回归(partial least squares regression,PLSR)和LLE-PLSR用于复杂样品光谱定量模型的构建。结果表明:MCUVE方法既能有效的提取信息变量,同时可以提高模型的预测精度;LLE-PLSR可以得到比PLSR方法更加准确的定量分析模型;MCUVE结合LLE-PLSR是一种有效的光谱定量分析方法。
近红外漫反射光谱和紫外吸收光谱分别用于燃油的辛烷值和单芳香族化合物含量的测定,偏最小二乘回归(partial least squares regression,PLSR)用于光谱多元校正模型的构建。基于互信息(mutual infor-mation,MI)理论的变量筛选方法用于模型优化以提高模型的预测精度,降低模型的复杂度。结果表明,MI-PLSR可以有效的提高燃油品质模型的预测精度,简化分析模型。辛烷值的预测均方根误差(root meansquare error of prediction,RMSEP)由0.288减小为0.111,预测相关系数R从0.985提高到0.998,建模变量由401减小为112;单芳香族化合物含量的RMSEP从0.753减小为0.478,R由0.996提高为0.998,建模变量由572缩减为37。说明振动光谱结合MI-PLSR方法可用于燃油品质检测,具有高效率低成本的特点。
红外ATR光谱法(ATR-IR)用于山茶油中棕榈酸和十四烷酸含量的快速分析。配制了72个山茶油样本用于ATR光谱的采集,不同的光谱预处理方法用于光谱有效信息的提取,小波压缩(wavelet compression,WC)方法用于建模变量的优化,偏最小二乘回归(partial least square,PLS)用于脂肪酸含量的定量分析模型的构建。结果表明,ATR光谱经小波导数(wavelet derivative,WD)―标准正态变量变换(standard normal variate,SNV)预处理后,棕榈酸模型的预测相关系数(correlation coefficient of prediction,Rp)和预测均方根误差(root mean square error of prediction,RMSEP)分别为由原始光谱的0.789和3.332改善为0.908和2.653;十四烷酸模型的Rp和RMSEP分别由0.870和0.087改善为0.948和0.058;建模变量经WC预处理后由原始光谱的2 500个分别减小为190和180个,为山茶油中脂肪酸含量的测定提供了一种简便快速的分析方法。
