新型多元校正、校正轉換和多元分類分析方法研究.pdf

1、現(xiàn)代化工過程和化工產品質量涉及多方面因素和指標，通過這些因素和指標的測定數(shù)據(jù)來關聯(lián)化工過程和化工產品質量，對優(yōu)化整個化工過程和產品質量具有重要意義。由于系統(tǒng)往往非常復雜，這些因素和指標往往具有相關性，測定數(shù)據(jù)混有噪音或干擾。因此從大量復雜數(shù)據(jù)中提取有用信息、濾除噪音，建立穩(wěn)健的數(shù)學模型，可獲得對于生產過程更好的理解，實現(xiàn)對產品質量進行在線控制。
　　 本文選擇廣泛用于質量在線控制過程的近紅外光譜系統(tǒng)為研究對象，研究并提出了幾種化

2、學計量學方法，涉及信號處理、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或處理(Net Analyte Signal/Processing,NAS/NAP)算法、兩種正交信號校正(Orthogonal Signal Correction,OSC)算法，研究了它們之間及其與PLS多元校正之間的關系。實驗數(shù)據(jù)和模擬光譜數(shù)據(jù)處理結果表明，在一般情況下，這些信號處理方法處理光譜后得到的多元校正模型的

3、預測結果相似；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)其結果可將這些方法分成兩組：應用Lorber NAP算法建模與應用FearnOSC算法建模獲得相同的預測結果；而應用Olivieri NAP算法建模與應用修改后的Fearn OSC算法建模獲得相同的預測結果。這四種信號處理方法僅能簡化PLS模型，而不能提高PLS模型的預測效果。因此，本論文開發(fā)了新型分段NAP信號處理方法——Piecewise NAP(PNAP)，通過局部

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

5、思想，本文開發(fā)了疊加偏最小二乘回歸(Stacked Partial Least-Squares，SPLS)和疊加移動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，它們通過給予大小不同的權重因子來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，充分利用整個光譜數(shù)據(jù)中的信息，并且通過賦予光譜數(shù)據(jù)

6、中與目標分析物高度相關光譜間隔較大的權重，對這些子PLS模型進行融合。理論和實驗結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化的回歸模型。當目標分析物的信息不是均勻地分布或僅集中在一個光譜間隔上時，與在整個光譜或一個最好的光譜區(qū)間內建立的PLS模型相比，疊加模型可以獲得更好的預測效果。另外，應用這兩種疊加算法不僅可以提高多元校正模型的預測效果，而且對于光譜中包含離群點(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測上。與傳統(tǒng)的校正轉移方法需要在兩個分析儀器上都進行轉換標準樣本檢測不同，SPLS算法不需要測量轉換標準樣本，就可在兩個不同儀器的光譜數(shù)據(jù)上都可以獲得穩(wěn)健預測效果，并保持良好的模型預測能力。通過湖中沉積物的近紅外光譜數(shù)據(jù)，展示SPLS對不同儀器上樣本的預測效果。SPLS通過減小不同儀器上

8、的局部光譜差異的影響，從而有助于常用的校正轉換技術提高轉換后模型的預測效果。當在頻率空間中進行校正轉換時，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)的校正轉換模型的預測效果。在不同的空間中（時域和頻域）進行模型融合都可以提高校正轉換后的模型的預測效果，而本文新開發(fā)的SPLS與常用的校正轉換方法相結合優(yōu)于利用雙域回歸(DDRA)模型融合的校正轉換方

9、法。
　　 與回歸中一樣，對分類器進行融合或疊加，去除光譜中局部的冗余信號，相對于任何一個單獨的分類器，可以獲得更精確的分類結果。本文開發(fā)了兩種新的疊加分類器法，包含一個基于新設計SPLS的疊加偏最小二乘分類分析方法(Stacked Partial Least-Squares Discriminant Analysis,SPLSDA)和另一個對一系列線性分類器進行疊加的疊加線性分類分析方法(Stacked Linear Disc

10、riminant Analysis,SLDA)。與偏最小二乘分類分析(Partial Least-Squares Discriminant Analysis,PLSDA)和線性分類分析(Linear Discriminant Analysis,LDA)分類器的分類結果相比，應用SPLSDA和SLDA可獲得更好的分類結果。SPLSDA分類器通過對在不同的光譜間隔上建立的子PLSDA分類器進行疊加融合，從而揭示光譜中的每個光譜間隔對最終分類

11、結果的貢獻，并且SPLSDA一般比在整個光譜上建立的PLSDA分類器需要更少的潛在變量，SPLSDA和SLDA分類器使用不同的權重進行變量選擇，同時彌補了在常規(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校正(Wavelet Orthogonal Signal Correction,WOSC)去除頻率空間中的不相關信息，從而獲得穩(wěn)健的分類器。這個新的分類方法將Wavelet Prism（具有局部

12、的和多頻率組分的特點）與正交信號校正（整體地去除不相關的信息）相結合，從而極大地提高分類器的分類效果，同時簡化了分類器。本文的研究顯示小波正交信號處理分類分析(Wavelet Orthogonal Signal Correction Discriminant Analysis,WOSCDA)分類器可以有效地去除光譜中與分類不相關的信息，與在整個時域上進行OSC處理的PLSDA分類器(Orthogonal Partial Least-Sq