近紅外光譜分析技術與應用檢視原始碼討論檢視歷史
 |
《近紅外光譜分析技術與應用》，任東 等 著，出版社： 科學出版社。
科學出版社是由中國科學院編譯局與1930年創建的龍門聯合書局於1954年8月合併成立的；目前公司年出版新書3000多種，期刊500多種，形成了以科學（S）、技術（T）、醫學（M）、教育（E）、人文社科（H）[1]為主要出版領域的業務架構[2]。
內容簡介
本書討論了有關近紅外光譜分析技術的基本原理、技術流程和分析難點，以及近紅外光譜技術在農業和食品相關領域的應用。針對近紅外光譜存在着光譜信息重疊、包含大量噪聲和樣品背景冗餘等信息給分析帶來困難，本書着重對光譜特徵變量選擇進行描述，詳述了常用的一些經典的特徵變量選擇方法，並對這些方法進行了實驗驗證；同時也提出一些改進的特徵變量選擇算法，並從算法描述、模型建立與參數選取、模型預測性能分析等方面進行了綜合的實驗驗證與分析。
目錄
前言
第1章 近紅外光譜分析概述 1
1.1 近紅外光譜分析技術的背景介紹 1
1.1.1 近紅外光譜分析技術簡介 2
1.1.2 近紅外光譜分析的意義 4
1.1.3 近紅外光譜分析技術的發展歷程 4
1.2 近紅外光譜分析技術的基礎 6
1.2.1 近紅外光譜分析的物理基礎 6
1.2.2 近紅外光譜分析的化學基礎 10
1.2.3 近紅外光譜分析的數學基礎 16
1.3 近紅外光譜分析技術的特點 19
1.3.1 近紅外光譜分析譜區的特點 19
1.3.2 近紅外光譜分析方法的特點 20
1.3.3 近紅外光譜分析儀器的特點 20
1.3.4 近紅外光譜分析應用的特點 20
1.3.5 近紅外光譜分析的複雜性 22
1.3.6 近紅外光譜分析的不穩定性與變動性 23
1.3.7 近紅外光譜分析的學科交叉性 24
1.4 近紅外光譜分析技術的應用 24
1.4.1 近紅外光譜定性分析的應用 25
1.4.2 近紅外光譜定量分析的應用 25
參考文獻 26
第2章 近紅外光譜分析信息流程 29
2.1 樣本採集 31
2.1.1 採樣的規則要求 31
2.1.2 採樣的影響因素 32
2.2 數據獲取 33
2.2.1 樣本光譜採集 33
2.2.2 樣本基礎數據測定 34
2.3 光譜預處理 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 標準正態變量變換 39
2.3.5 去趨勢處理 40
2.3.6 導數處理 40
2.3.7 光譜預處理結果 42
2.4 樣本集劃分 43
2.4.1 RS法 43
2.4.2 K-S法 43
2.4.3 SPXY法 44
2.4.4 濃度梯度法 45
2.4.5 雙向法 45
2.5 特徵選擇 46
2.6 多元校正建模 47
2.6.1 線性回歸方法 47
2.6.2 非線性回歸方法 50
2.7 模型精度評價 51
2.7.1 偏差與極差 51
2.7.2 相關係數 52
2.7.3 交叉驗證均方根誤差 52
2.7.4 預測均方根誤差 52
2.8 模型維護 52
2.8.1 模型的適配性檢驗 53
2.8.2 模型的修正 54
2.8.3 模型的轉移 54
參考文獻 54
第3章 近紅外光譜特徵選擇與提取 58
3.1 特徵選擇定義 59
3.2 特徵選擇要素 60
3.2.1 特徵子集生成 60
3.2.2 特徵子集評價 61
3.2.3 停止條件 63
3.2.4 結果驗證 63
3.3 特徵選擇的目的及意義 63
3.4 特徵選擇分類 64
3.4.1 過濾式特徵選擇 64
3.4.2 封裝式特徵選擇 65
3.4.3 嵌入式特徵選擇 66
3.5 光譜變量選擇研究現狀 66
3.5.1 變量優化選擇法 66
3.5.2 變量區間選擇法 67
3.5.3 變量信息選擇法 68
3.6 存在的問題 70
3.7 研究趨勢 70
參考文獻 72
第4章 基於變量優化的近紅外光譜特徵選擇方法 77
4.1 逐步回歸法 77
4.1.1 算法原理及步驟 78
4.1.2 算法驗證及結果 79
4.2 遺傳算法 81
4.2.1 算法原理及步驟 82
4.2.2 算法驗證及結果 83
4.3 粒子群算法 85
4.3.1 算法原理及步驟 85
4.3.2 算法驗證及結果 87
4.4 蟻群算法 88
4.4.1 算法原理及步驟 89
4.4.2 算法驗證及結果 91
參考文獻 92
第5章 基於變量區間的近紅外光譜特徵變量選擇方法 94
5.1 間隔偏最小二乘法 94
5.1.1 算法原理及步驟 94
5.1.2 算法驗證及結果 95
5.2 向前間隔偏最小二乘法 97
5.2.1 算法原理及步驟 97
5.2.2 算法驗證及結果 98
5.3 向後間隔偏最小二乘法 100
5.3.1 算法原理及步驟 100
5.3.2 算法驗證及結果 101
5.4 移動窗口偏最小二乘法 103
5.4.1 算法原理及步驟 103
5.4.2 算法驗證及結果 104
5.5 基於向前和向後組合區間偏最小二乘法 104
5.5.1 算法原理及步驟 105
5.5.2 算法驗證及結果 106
參考文獻 108
第6章 基於變量信息的近紅外光譜特徵變量選擇方法 110
6.1 無信息變量消除法 110
6.1.1 算法原理及步驟 110
6.1.2 算法驗證及結果 111
6.2 蒙特卡羅無信息變量消除法 113
6.2.1 算法原理及步驟 113
6.2.2 算法驗證及結果 114
6.3 競爭自適應重加權法 115
6.3.1 算法原理及步驟 115
6.3.2 算法驗證及結果 117
6.4 連續投影法 118
6.4.1 算法原理及步驟 118
6.4.2 算法驗證及結果 119
6.5 基於變量評價指標的集成連續投影法 121
6.5.1 算法原理及步驟 121
6.5.2 算法驗證及結果 122
6.6 其他變量信息特徵選擇方法 124
6.6.1 F-score偏最小二乘法 124
6.6.2 隨機檢驗偏最小二乘法 124
6.6.3 排序變量選擇法 125
參考文獻 127
第7章 基於Boosting集成的近紅外光譜特徵變量選擇方法 130
7.1 引言 130
7.2 加權中值Boosting集成的特徵變量選擇方法 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 隨機梯度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特徵變量選擇方法 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 模型建立與參數選擇 139
7.4.4 模型預測性能分析 140
7.5 本章小結 147
參考文獻 148
第8章 近紅外光譜特徵提取在定量分析中的應用 150
8.1 近紅外光譜技術中豬肉新鮮度檢測的研究現狀 150
8.2 實驗方案 151
8.2.1 樣品製備 151
8.2.2 光譜採集 152
8.3 光譜特徵區間篩選方法研究 153
8.3.1 樣品集劃分方法比較 153
8.3.2 光譜預處理對模型性能影響分析 155
8.3.3 不同特徵選擇下的PLS模型 157
8.3.4 不同特徵選擇下的MLR模型 157
8.3.5 不同特徵選擇下的SVM模型 158
8.4 結果分析與結論 159
8.4.1 模型預測結果分析 159
8.4.2 PLS模型對豬肉新鮮度評定結果 160
8.4.3 結論 161
參考文獻 161
第9章 近紅外光譜特徵提取在定性分析中的應用 163
9.1 近紅外光譜技術茶葉鑑別分析的研究現狀 163
9.2 基於近紅外的改進CARS 164
9.2.1 變量有效性定義 164
9.2.2 ECARS近紅外特徵變量選擇方法 165
9.3 實驗方案 166
9.3.1 樣品製備 166
9.3.2 光譜採集 166
9.4 光譜特徵區間篩選方法研究 167
9.4.1 光譜預處理 167
9.4.2 基於BiPLS的近紅外光譜模型 168
9.4.3 基於UVE的近紅外光譜模型 169
9.4.4 基於CARS的近紅外光譜模型 170
9.4.5 基於ECARS的近紅外光譜模型 171
9.5 結果分析與結論 171
9.5.1 光譜特徵變量選擇與全譜建模的方法比較 171
9.5.2 ECARS與CARS的性能比較 172
9.5.3 ECARS與其他光譜特徵變量選擇方法的性能比較 172
9.5.4 ECARS結合SVM用於鑑別西湖龍井茶葉真偽的性能分析 172
參考文獻 173
參考文獻
- ↑ 論自然科學、社會科學、人文科學的三位一體，搜狐，2017-09-28
- ↑ 公司簡介，中國科技出版傳媒股份有限公司