本书分为9章。第1章介绍近红外光谱分析技术的背景、技术基础、特点及应用领域；第2章介绍近红外光谱分析的流程；第3章介绍近红外光谱特征选择与提取；第4章介绍基于变量优化的近红外光谱特征选择方法；第5章介绍基于变量区间的近红外光谱特征变量选择方法；第6章介绍基于变量信息的近红外光谱特征变量选择方法；第7章介绍基于Boosting集成的近红外光谱特征变量选择方法；第8章介绍近红外光谱特征提取在定量分析中的应用；第9章介绍近红外光谱特征提取在定性分析中的应用。
样章试读
目录
- 目录
前言
第1章 近红外光谱分析概述 1
1.1 近红外光谱分析技术的背景介绍 1
1.1.1 近红外光谱分析技术简介 2
1.1.2 近红外光谱分析的意义 4
1.1.3 近红外光谱分析技术的发展历程 4
1.2 近红外光谱分析技术的基础 6
1.2.1 近红外光谱分析的物理基础 6
1.2.2 近红外光谱分析的化学基础 10
1.2.3 近红外光谱分析的数学基础 16
1.3 近红外光谱分析技术的特点 19
1.3.1 近红外光谱分析谱区的特点 19
1.3.2 近红外光谱分析方法的特点 20
1.3.3 近红外光谱分析仪器的特点 20
1.3.4 近红外光谱分析应用的特点 20
1.3.5 近红外光谱分析的复杂性 22
1.3.6 近红外光谱分析的不稳定性与变动性 23
1.3.7 近红外光谱分析的学科交叉性 24
1.4 近红外光谱分析技术的应用 24
1.4.1 近红外光谱定性分析的应用 25
1.4.2 近红外光谱定量分析的应用 25
参考文献 26
第2章 近红外光谱分析信息流程 29
2.1 样本采集 31
2.1.1 采样的规则要求 31
2.1.2 采样的影响因素 32
2.2 数据获取 33
2.2.1 样本光谱采集 33
2.2.2 样本基础数据测定 34
2.3 光谱预处理 34
2.3.1 均值中心化 36
2.3.2 平滑 36
2.3.3 多元散射校正 38
2.3.4 标准正态变量变换 39
2.3.5 去趋势处理 40
2.3.6 导数处理 40
2.3.7 光谱预处理结果 42
2.4 样本集划分 43
2.4.1 RS法 43
2.4.2 K-S法 43
2.4.3 SPXY法 44
2.4.4 浓度梯度法 45
2.4.5 双向法 45
2.5 特征选择 46
2.6 多元校正建模 47
2.6.1 线性回归方法 47
2.6.2 非线性回归方法 50
2.7 模型精度评价 51
2.7.1 偏差与极差 51
2.7.2 相关系数 52
2.7.3 交叉验证均方根误差 52
2.7.4 预测均方根误差 52
2.8 模型维护 52
2.8.1 模型的适配性检验 53
2.8.2 模型的修正 54
2.8.3 模型的转移 54
参考文献 54
第3章 近红外光谱特征选择与提取 58
3.1 特征选择定义 59
3.2 特征选择要素 60
3.2.1 特征子集生成 60
3.2.2 特征子集评价 61
3.2.3 停止条件 63
3.2.4 结果验证 63
3.3 特征选择的目的及意义 63
3.4 特征选择分类 64
3.4.1 过滤式特征选择 64
3.4.2 封装式特征选择 65
3.4.3 嵌入式特征选择 66
3.5 光谱变量选择研究现状 66
3.5.1 变量优化选择法 66
3.5.2 变量区间选择法 67
3.5.3 变量信息选择法 68
3.6 存在的问题 70
3.7 研究趋势 70
参考文献 72
第4章 基于变量优化的近红外光谱特征选择方法 77
4.1 逐步回归法 77
4.1.1 算法原理及步骤 78
4.1.2 算法验证及结果 79
4.2 遗传算法 81
4.2.1 算法原理及步骤 82
4.2.2 算法验证及结果 83
4.3 粒子群算法 85
4.3.1 算法原理及步骤 85
4.3.2 算法验证及结果 87
4.4 蚁群算法 88
4.4.1 算法原理及步骤 89
4.4.2 算法验证及结果 91
参考文献 92
第5章 基于变量区间的近红外光谱特征变量选择方法 94
5.1 间隔偏最小二乘法 94
5.1.1 算法原理及步骤 94
5.1.2 算法验证及结果 95
5.2 向前间隔偏最小二乘法 97
5.2.1 算法原理及步骤 97
5.2.2 算法验证及结果 98
5.3 向后间隔偏最小二乘法 100
5.3.1 算法原理及步骤 100
5.3.2 算法验证及结果 101
5.4 移动窗口偏最小二乘法 103
5.4.1 算法原理及步骤 103
5.4.2 算法验证及结果 104
5.5 基于向前和向后组合区间偏最小二乘法 104
5.5.1 算法原理及步骤 105
5.5.2 算法验证及结果 106
参考文献 108
第6章 基于变量信息的近红外光谱特征变量选择方法 110
6.1 无信息变量消除法 110
6.1.1 算法原理及步骤 110
6.1.2 算法验证及结果 111
6.2 蒙特卡罗无信息变量消除法 113
6.2.1 算法原理及步骤 113
6.2.2 算法验证及结果 114
6.3 竞争自适应重加权法 115
6.3.1 算法原理及步骤 115
6.3.2 算法验证及结果 117
6.4 连续投影法 118
6.4.1 算法原理及步骤 118
6.4.2 算法验证及结果 119
6.5 基于变量评价指标的集成连续投影法 121
6.5.1 算法原理及步骤 121
6.5.2 算法验证及结果 122
6.6 其他变量信息特征选择方法 124
6.6.1 F-score偏最小二乘法 124
6.6.2 随机检验偏最小二乘法 124
6.6.3 排序变量选择法 125
参考文献 127
第7章 基于Boosting集成的近红外光谱特征变量选择方法 130
7.1 引言 130
7.2 加权中值Boosting集成的特征变量选择方法 131
7.2.1 WM-Boosting-PLS的算法模型 131
7.2.2 WM-Boosting-BiPLS的算法模型 132
7.3 随机梯度Boosting集成方法 134
7.3.1 SG-Boosting-PLS的算法模型 134
7.3.2 SG-Boosting-BiPLS的算法模型 135
7.4 下降梯度Boosting集成BiPLS特征变量选择方法 136
7.4.1 梯度下降Boosting的基本原理 136
7.4.2 GD-Boosting-BiPLS的算法模型 137
7.4.3 模型建立与参数选择 139
7.4.4 模型预测性能分析 140
7.5 本章小结 147
参考文献 148
第8章 近红外光谱特征提取在定量分析中的应用 150
8.1 近红外光谱技术中猪肉新鲜度检测的研究现状 150
8.2 实验方案 151
8.2.1 样品制备 151
8.2.2 光谱采集 152
8.3 光谱特征区间筛选方法研究 153
8.3.1 样品集划分方法比较 153
8.3.2 光谱预处理对模型性能影响分析 155
8.3.3 不同特征选择下的PLS模型 157
8.3.4 不同特征选择下的MLR模型 157
8.3.5 不同特征选择下的SVM模型 158
8.4 结果分析与结论 159
8.4.1 模型预测结果分析 159
8.4.2 PLS模型对猪肉新鲜度评定结果 160
8.4.3 结论 161
参考文献 161
第9章 近红外光谱特征提取在定性分析中的应用 163
9.1 近红外光谱技术茶叶鉴别分析的研究现状 163
9.2 基于近红外的改进CARS 164
9.2.1 变量有效性定义 164
9.2.2 ECARS近红外特征变量选择方法 165
9.3 实验方案 166
9.3.1 样品制备 166
9.3.2 光谱采集 166
9.4 光谱特征区间筛选方法研究 167
9.4.1 光谱预处理 167
9.4.2 基于BiPLS的近红外光谱模型 168
9.4.3 基于UVE的近红外光谱模型 169
9.4.4 基于CARS的近红外光谱模型 170
9.4.5 基于ECARS的近红外光谱模型 171
9.5 结果分析与结论 171
9.5.1 光谱特征变量选择与全谱建模的方法比较 171
9.5.2 ECARS与CARS的性能比较 172
9.5.3 ECARS与其他光谱特征变量选择方法的性能比较 172
9.5.4 ECARS结合SVM用于鉴别西湖龙井茶叶真伪的性能分析 172
参考文献 173
京公网安备 11010102004214号