基于局部策略的光譜異常檢測(cè)與石油產(chǎn)品定性分析.pdf

1、光譜分析技術(shù)具有快速、無損、高效和低成本等優(yōu)勢(shì)，已廣泛應(yīng)用于農(nóng)業(yè)、化工、制藥、紡織等各個(gè)領(lǐng)域。本文利用近紅外和拉曼光譜分析技術(shù)為石油產(chǎn)品的種類、成品汽油的產(chǎn)地和牌號(hào)建立了定性分類模型。在定性分析過程中，運(yùn)用各種局部策略，較好地解決了異常光譜的檢測(cè)修復(fù)、定性模型參數(shù)調(diào)整以及不同類樣本重疊情況下分類算法的改良問題。具體研究?jī)?nèi)容包括:
　　 1.針對(duì)油品在線光譜中尖銳小峰（國外文獻(xiàn)稱之為spike）的干擾問題，提出了一種基于時(shí)域局部策

2、略的spike檢測(cè)及修復(fù)方法。該方法同時(shí)運(yùn)用強(qiáng)度檢測(cè)和滑動(dòng)窗口的相關(guān)分析來確定在線拉曼光譜中是否存在spike，并采用微分譜圖和局部線性擬合實(shí)現(xiàn)了光譜的較好修復(fù)。該算法已成功地應(yīng)用于自主開發(fā)的在線拉曼光譜測(cè)量分析系統(tǒng)中，實(shí)際運(yùn)行情況證明該算法簡(jiǎn)單有效。
　　 2.針對(duì)基于近紅外光譜的汽油牌號(hào)分類問題，將流型思想引入光譜的特征提取過程，提出了一種基于流型的局部分類算法。在該算法中，首先利用等度規(guī)映射（isometric mappi

3、ng，Isomap）的流型方法對(duì)光譜進(jìn)行降維處理，而后采用最為常見的K近鄰法實(shí)現(xiàn)汽油牌號(hào)的識(shí)別分類。汽油牌號(hào)的分類測(cè)試實(shí)驗(yàn)結(jié)果表明Isomap的降維比主成分分析(principal component analysis，PCA)更適合于體現(xiàn)不同牌號(hào)汽油樣本近紅外譜圖的特征信息。
　　 3.為解決不同牌號(hào)汽油拉曼光譜重疊問題，提出了一種基于相關(guān)分析加權(quán)的LSSVM分類算法。它以LSSVM分類算法為基礎(chǔ)，構(gòu)建了局部策略方法以進(jìn)一步提

4、高分類的準(zhǔn)確度。該局部策略選取鄰近樣本的標(biāo)準(zhǔn)同時(shí)包含了樣本間的歐式距離和樣本之間的相關(guān)程度。實(shí)驗(yàn)結(jié)果表明，與目前常用的分類算法相比，基于相關(guān)分析加權(quán)的LSSVM分類算法具有更好的分類準(zhǔn)確度。
　　 4.針對(duì)不同種類油品的分類問題，根據(jù)不同油品拉曼譜圖形狀差異性較大的實(shí)際，提出了一種基于相關(guān)分析的簡(jiǎn)單分類算法。該算法與其他分類算法相比，原理簡(jiǎn)單，無需復(fù)雜數(shù)學(xué)運(yùn)算和人為設(shè)置參數(shù)，便予實(shí)際應(yīng)用。
　　 5.現(xiàn)有的最小二乘支持向

5、量機(jī)(least squares support vector machine，LSSVM)參數(shù)調(diào)整大都采用搜索尋優(yōu)策略，具有較大的盲目性，為此提出了一種基于鄰域樣本數(shù)的LSSVM參數(shù)調(diào)整方法。該算法以調(diào)整鄰域樣本的個(gè)數(shù)來調(diào)整LSSVM的預(yù)測(cè)性能，使得徑向基核函數(shù)無量綱化并減小了調(diào)整范圍，以特征值懲罰系數(shù)代替懲罰系數(shù)γ，只需對(duì)特征值懲罰系數(shù)作較寬范圍內(nèi)值的設(shè)定。實(shí)驗(yàn)結(jié)果表明:在同樣的優(yōu)化水平上，該方法概念更加清晰，調(diào)整策略更加簡(jiǎn)單，更便