CN108872142B - 一种波长选择算法中多参数的选择优化方法 - Google Patents
一种波长选择算法中多参数的选择优化方法 Download PDFInfo
- Publication number
- CN108872142B CN108872142B CN201810631790.1A CN201810631790A CN108872142B CN 108872142 B CN108872142 B CN 108872142B CN 201810631790 A CN201810631790 A CN 201810631790A CN 108872142 B CN108872142 B CN 108872142B
- Authority
- CN
- China
- Prior art keywords
- model
- variables
- variable
- value
- sorting
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000005457 optimization Methods 0.000 title claims abstract description 5
- 238000012549 training Methods 0.000 claims abstract description 38
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 22
- 238000012937 correction Methods 0.000 claims abstract description 14
- 238000012795 verification Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 18
- 238000012163 sequencing technique Methods 0.000 claims description 10
- 238000001228 spectrum Methods 0.000 claims description 10
- 238000005259 measurement Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000002329 infrared spectrum Methods 0.000 claims description 3
- 238000004497 NIR spectroscopy Methods 0.000 claims 1
- 240000008042 Zea mays Species 0.000 description 3
- 235000005824 Zea mays ssp. parviglumis Nutrition 0.000 description 3
- 235000002017 Zea mays subsp mays Nutrition 0.000 description 3
- 235000005822 corn Nutrition 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 208000003643 Callosities Diseases 0.000 description 1
- 206010020649 Hyperkeratosis Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
- G01N21/35—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light
- G01N21/359—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using near infrared light
Abstract
本发明公开一种波长选择算法中多参数的选择优化方法。具体步骤为：(1)选取校正集样本；(2)利用基于PLS模型的变量选择算法算出各个变量在不同潜变量下的变量重要程度；(3)将校正集样本划分为训练集与验证集两部分；(4)根据建好的模型结合验证集样本算出该模型的表征模型复杂度或模型精度的评价指标的值；(5)将模型评价指标作为SRD输入矩阵的行，不同的模型作为SRD输入矩阵的列；(6)算出每个模型对应的RRM的值。本发明通过SRD算法结合表征模型精度或模型复杂度的多个模型评价指标来客观选取变量选择算法的参数取值，减小了参数取值对应的模型过拟合的风险，且在选取参数取值时更加客观。
Description
技术领域
本发明属于光谱变量选择领域，具体是一种优化传统的变量选择算法的参数的取值的方法。
背景技术
多元校正模型在各种化学分析中有着广泛的应用，但多元校正模型在使用全光谱变量建模时，全光谱变量中的无信息变量或噪声变量降低了模型的精度和鲁棒性，因而，有必要在建模之前对全光谱变量进行变量选择。
当前很多的变量选择算法需要结合模型进行筛选，如:PLS with loadingweights,PLS with regression coefficients,PLS-VIP,PLS-UVE等。这些变量选择算法首先确定模型的参数：模型的潜变量因子，然后利用模型参数如回归系数，载荷等确定每个变量对应的变量重要程度，基于变量的筛选阈值选取变量，阈值的大小决定了所选变量的个数。可见，在这些变量选择方法中，模型的潜变量因子及所选变量的个数决定了选取哪些变量,选取的变量最终影响到模型的质量。
而目前现有的变量选择算法参数的取值往往是根据模型单一的精度评价指标来确定的，且选择多少变量往往是主观决定的，因此使得模型存在过拟合的风险，且在选取参数取值时不够客观，可解释性差。
发明内容
本发明的目的是为了克服现有技术存在的缺点和不足，而提供一种波长选择算法中多参数的选择优化方法。该方法利用SRD(sum of ranking differences)算法结合模型的精度与复杂度自动且客观的选取变量选择算法中的参数的取值，该方法能客观的选取变量选择算法的参数的取值，且最终选出的变量较传统变量选择算法选出的变量可解释性更强。
为实现上述目的，本发明的技术方案是包括：
步骤一：选择校正集光谱；
步骤二：对校正集光谱建立偏最小二乘模型，模型的潜变量因子范围为1至一个合适值；
步骤三：用PLS-VIP算法或其它基于PLS模型来确定各个变量的重要程度的算法结合校正集计算出各变量在不同的潜变量因子下的重要程度，并将变量排序，越重要的变量排在越前面；
步骤四：将校正集任意划分为训练集验证集两部分；
步骤五：训练集所含变量为步骤二所用的各个潜变量下得到的变量重要程度排在前面的不同个数的变量，验证集所含变量与训练集一致，变量个数取值范围为：满足步骤六中建模要求的最小的变量个数的值——全光谱变量；
步骤六：用各个潜变量下得到不同变量个数的训练集建立偏最小二乘模型，建模所用的潜变量与训练集所选变量在计算变量重要程度时所用潜变量一致，算出每个模型的可以表征模型复杂度或模型精度的指标的值；
步骤七：重复步骤四至步骤六多次，最终模型对应的表征模型复杂度或模型精度的指标的值为多次的平均值；
步骤八：将表征模型复杂度或模型精度的指标作为SRD(排序差异和)输入矩阵的行，不同模型作为SRD输入矩阵的列，所述的SRD输入矩阵的标准排序为每行的最小值按数值大小从小到大进行排序得到的排序序号，SRD输入矩阵中各列模型对应的指标的值的排序规则也为从小到大，算出各个模型对应的RRM(排序可信度测量)的值；
步骤九：找出RRM值较小的模型，模型对应的潜变量值及所选变量个数即为最终变量选择算法的所选的潜变量的值及所选变量个数，模型所用变量即为最终所选变量。
进一步设置是准备用于训练的近红外光谱数据{xi,yi|i＝1,2,…,n}，其中xi，yi分别是第i样本的光谱数据和属性值，n是样品数。
进一步设置是所述步骤二为:对准备好的近红外光谱数据建立偏最小二乘模型，模型潜变量因子的范围为1至20；
进一步设置是所述步骤三为:算出在不同潜变量因子下每个变量的重要程度，并将变量按变量重要由大到小的顺序进行排序。
进一步设置是步骤四为：将准备好的用于训练的数据任选一部分作为训练集，剩余数据作为为验证集。
进一步设置是步骤五为：对训练集建立多个偏最小二乘模型，模型所用的潜变量因子为1至20，训练集所包含的变量个数为20至699,即第一个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤三中在潜变量因子为1的情况下，变量重要程度排在前699位的变量；第二个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤三中在潜变量因子为1的情况下，变量重要程度排在前698位的变量；第680个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤三中在潜变量因子为1的情况下，变量重要程度排在前20位的变量；以此类推，第13600个偏最小二乘模型所用的潜变量因子为20，训练集包含的变量为步骤三中在潜变量因子为20的情况下，变量重要程度排在前20位的变量,用训练好的13600个模型对20个验正集样本进行预测。
进一步设置是所述步骤六为：
算出每个模型对应的8个模型评价指标的值，8个模型评价指标分别为：J，B2，RMSECV，C1，C2，|R2-1|，|slope-1|，|intercept|,J的计算方法如公式(1)所示：
B2的计算方法如公式(2)所示：
RMSECV的计算方法如公式(3)所示：
C1的计算方法如公式(4)所示：
C2的计算方法如公式(5)所示：
R2，slope，intercept是校正集的预测值
与实际值Y之间的相关系数，斜率，截距,公式(1)和(2)中的b指的是模型的回归系数，上述5个指标的下标j都表示第j个模型；
进一步设置是步骤七为：重复步骤四至步骤六60次，每一次都算一下13600个模型各自对应的8个评价指标的值，最终每个模型对应的各个评价指标值为60次的均值。
进一步设置是步骤八为：将8个模型评价指标作为SRD输入矩阵的行，13600个模型作为SRD输入矩阵的列，并对SRD输入矩阵的每行数据做标准化处理，处理后，每行数据的均值为0，方差为1；所述的SRD输入矩阵的标准排序为每行的最小值按数值大小从小到大进行排序得到的排序序号。
进一步设置是步骤9为：
对SRD输入矩阵中的模型评价指标做留一交叉验证法，算出每个模型对应的RRM值，RRM值的计算方法如公式(6)所示：
在RRM值较小的模型中，选一个模型对应的潜变量因子及所含变量个数都较小的模型；
所选模型对应的潜变量因子及所选变量的个数的取值即为变量选择算法中参数潜变量因子及所选变量个数的取值；模型所用变量即为最终所选变量。
本发明提出利用SRD算法结合模型的精度与复杂度指标自动且客观的选取变量选择算法中的参数的取值，该方法能客观的选取变量选择算法的参数的取值，且最终选出的变量较传统变量选择算法选出的变量可解释性更强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
图1本发明的流程图；
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。
如图1所示，为本发明实施例中，现结合实例对本发明做进一步的描述。
S01，本例中准备用于训练的近红外光谱数据是公共的玉米近红外光谱数据，公共的玉米近红外光谱数据共含80个样本，我们从中取60个。
S02，对60个玉米近红外光谱数据建立偏最小二乘模型，建模时使用的潜变量因子范围为1至20。
S03，用PLS-VIP算法算出潜变量在1至20的情况下下每个变量的重要程度，并将变量按变量重要由大到小的顺序进行排序。
S04，将准备好的60个玉米近红外数据划分为训练集与验证集两部分，任取40个样本为训练集，剩余20个样本为验证集。
S05，对训练集建立13600个偏最小二乘模型，模型所用的潜变量因子为1至20，训练集所包含的变量个数为20至699。即第一个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤S03中在潜变量因子为1的情况下，变量重要程度排在前699位的变量；第二个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤S03中在潜变量因子为1的情况下，变量重要程度排在前698位的变量；第680个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤S03中在潜变量因子为1的情况下，变量重要程度排在前20位的变量……第13600个偏最小二乘模型所用的潜变量因子为20，训练集包含的变量为步骤S03中在潜变量因子为20的情况下，变量重要程度排在前20位的变量。用训练好的13600个模型对20个验正集样本进行预测。
S06，算出每个模型对应的8个模型评价指标的值，8个模型评价指标分别为：J，B2，RMSECV，C1，C2，|R2-1|，|slope-1|，|intercept|。J的计算方法如公式(1)所示：
B2的计算方法如公式(2)所示：
RMSECV的计算方法如公式(3)所示：
C1的计算方法如公式(4)所示：
C2的计算方法如公式(5)所示：
R2，slope，intercept是20个验证集样本的预测值
与实际值Y之间的相关系数，斜率，截距。公式(1)和(2)中的b指的是模型的回归系数，上述5个指标的下标j都表示第j个模型。
S07，重复步骤S04至步骤S0660次，每一次都算一下13600个模型各自对应的8个评价指标的值，最终每个模型对应的各个评价指标值为60次的均值。
S08，将8个模型评价指标作为SRD输入矩阵的行，13600个模型作为SRD输入矩阵的列，并对SRD输入矩阵的每行数据做标准化处理，处理后，每行数据的均值为0，方差为1。SRD输入矩阵的标准排序为每行的最小值按数值大小从小到大进行排序得到的排序序号。
S08，对SRD输入矩阵中的模型评价指标做留一交叉验证法，算出每个模型对应的RRM值，RRM值的计算方法如公式(6)所示：
在RRM值较小的模型中，选一个模型对应的潜变量因子及所含变量个数都较小的模型。
所选模型对应的潜变量因子及所选变量的个数的取值即为变量选择算法中参数潜变量因子及所选变量个数的取值；模型所用变量即为最终所选变量。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。
以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。
Claims (10)
1.一种波长选择算法中多参数的选择优化方法，其特征在于包括：
步骤一：选择校正集光谱；
步骤二：对校正集光谱建立偏最小二乘模型，模型的潜变量因子范围为1至一个合适值；
步骤三：用PLS-VIP算法或其它基于PLS模型来确定各个变量的重要程度的算法结合校正集计算出各变量在不同的潜变量因子下的重要程度，并将变量排序，越重要的变量排在越前面；
步骤四：将校正集任意划分为训练集验证集两部分；
步骤五：训练集所含变量为步骤二所用的各个潜变量下得到的变量重要程度排在前面的不同个数的变量，验证集所含变量与训练集一致，变量个数取值范围为：满足步骤六中建模要求的最小的变量个数的值——全光谱变量；
步骤六：用各个潜变量下得到不同变量个数的训练集建立偏最小二乘模型，建模所用的潜变量与训练集所选变量在计算变量重要程度时所用潜变量一致，算出每个模型的可以表征模型复杂度或模型精度的指标的值；
步骤七：重复步骤四至步骤六多次，最终模型对应的表征模型复杂度或模型精度的指标的值为多次的平均值；
步骤八：将表征模型复杂度或模型精度的指标作为排序差异总和输入矩阵的行，不同模型作为排序差异总和输入矩阵的列，所述的排序差异总和输入矩阵的标准排序为每行的最小值按数值大小从小到大进行排序得到的排序序号，排序差异总和输入矩阵中各列模型对应的指标的值的排序规则也为从小到大，算出各个模型对应的排序可信度测量的值；
步骤九：找出排序可信度测量值较小的模型，模型对应的潜变量值及所选变量个数即为最终变量选择算法的所选的潜变量的值及所选变量个数，模型所用变量即为最终所选变量。
2.根据权利要求1所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述的步骤一为：准备用于训练的近红外光谱数据{xi,yi|i＝1,2,…,n}，其中xi，yi分别是第i样本的光谱数据和属性值，n是样品数。
3.根据权利要求2所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤二为:对准备好的近红外光谱数据建立偏最小二乘模型，模型潜变量因子的范围为1至20；
4.根据权利要求3所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤三为:算出在各个潜变量因子下每个变量的重要程度，并将变量按变量重要由大到小的顺序进行排序。
5.根据权利要求4所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤四为：将准备好的用于训练的数据任选一部分作为训练集，剩余数据作为为验证集。
6.根据权利要求5所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤五为：对训练集建立多个偏最小二乘模型，模型所用的潜变量因子为1至20，训练集所包含的变量个数为20至699,即第一个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤三中在潜变量因子为1的情况下，变量重要程度排在前699位的变量；第二个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤三中在潜变量因子为1的情况下，变量重要程度排在前698位的变量；第680个偏最小二乘模型所用的潜变量因子为1，训练集包含的变量为步骤三中在潜变量因子为1的情况下，变量重要程度排在前20位的变量；以此类推，第13600个偏最小二乘模型所用的潜变量因子为20，训练集包含的变量为步骤三中在潜变量因子为20的情况下，变量重要程度排在前20位的变量,用训练好的13600个模型对20个验正集样本进行预测。
7.根据权利要求6所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤六为：
算出每个模型对应的8个模型评价指标的值，8个模型评价指标分别为：J，B2，RMSECV，C1，C2，|R2-1|，|slope-1|，|intercept|,J的计算方法如公式(1)所示：
B2的计算方法如公式(2)所示：
RMSECV的计算方法如公式(3)所示：
C1的计算方法如公式(4)所示：
C2的计算方法如公式(5)所示：
R2，slope，intercept是校正集的预测值
与实际值Y之间的相关系数，斜率，截距,公式(1)和(2)中的b指的是模型的回归系数，上述5个指标的下标j都表示第j个模型；
8.根据权利要求7所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤七为：重复步骤四至步骤六60次，每一次都算一下13600个模型各自对应的8个评价指标的值，最终每个模型对应的各个评价指标值为60次的均值。
9.根据权利要求8所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤八为：将8个模型评价指标作为排序差异总和输入矩阵的行，13600个模型作为排序差异总和输入矩阵的列，并对排序差异总和输入矩阵的每行数据做标准化处理，处理后，每行数据的均值为0，方差为1；所述的排序差异总和输入矩阵的标准排序为每行的最小值按数值大小从小到大进行排序得到的排序序号。
10.根据权利要求9所述的一种波长选择算法中多参数的选择优化方法，其特征在于所述步骤9为：
对排序差异总和输入矩阵中的模型评价指标做留一交叉验证法，算出每个模型对应的排序可信度测量值，排序可信度测量值的计算方法如公式(6)所示：
在RRM值较小的模型中，选一个模型对应的潜变量因子及所含变量个数都较小的模型；
所选模型对应的潜变量因子及所选变量的个数的取值即为变量选择算法中参数潜变量因子及所选变量个数的取值；模型所用变量即为最终所选变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810631790.1A CN108872142B (zh) | 2018-06-19 | 2018-06-19 | 一种波长选择算法中多参数的选择优化方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810631790.1A CN108872142B (zh) | 2018-06-19 | 2018-06-19 | 一种波长选择算法中多参数的选择优化方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108872142A CN108872142A (zh) | 2018-11-23 |
| CN108872142B true CN108872142B (zh) | 2020-12-22 |
Family
ID=64339650
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810631790.1A Active CN108872142B (zh) | 2018-06-19 | 2018-06-19 | 一种波长选择算法中多参数的选择优化方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108872142B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109991206B (zh) * | 2019-04-10 | 2021-08-27 | 西安石油大学 | 一种基于偏最小二乘法对醇类汽油总醇含量测定的方法 |
| CN115108595A (zh) * | 2022-06-27 | 2022-09-27 | 重庆远通电子技术开发有限公司 | 基于机器学习的净水剂智能投加方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101750024A (zh) * | 2009-12-15 | 2010-06-23 | 山西太钢不锈钢股份有限公司 | 硅钢绝缘涂层厚度近红外光谱检测方法 |
| CN101884541A (zh) * | 2010-07-05 | 2010-11-17 | 北京航空航天大学 | 人体血液生化参数无创检测仪及检测方法 |
| CN104091089A (zh) * | 2014-07-28 | 2014-10-08 | 温州大学 | 一种红外光谱数据pls建模方法 |
| CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
| WO2016036314A1 (en) * | 2014-09-01 | 2016-03-10 | National University Of Singapore | A pressure-sensitive fiber optic probe for real-time in vivo tissue optical spectroscopy, a system incorporating the same and a method for using the same |
| WO2017108775A1 (en) * | 2015-12-21 | 2017-06-29 | Dublin Institute Of Technology | Prediction of therapeutic response using vibrational spectroscopy |
-
2018
- 2018-06-19 CN CN201810631790.1A patent/CN108872142B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101750024A (zh) * | 2009-12-15 | 2010-06-23 | 山西太钢不锈钢股份有限公司 | 硅钢绝缘涂层厚度近红外光谱检测方法 |
| CN101884541A (zh) * | 2010-07-05 | 2010-11-17 | 北京航空航天大学 | 人体血液生化参数无创检测仪及检测方法 |
| CN104091089A (zh) * | 2014-07-28 | 2014-10-08 | 温州大学 | 一种红外光谱数据pls建模方法 |
| WO2016036314A1 (en) * | 2014-09-01 | 2016-03-10 | National University Of Singapore | A pressure-sensitive fiber optic probe for real-time in vivo tissue optical spectroscopy, a system incorporating the same and a method for using the same |
| CN104949936A (zh) * | 2015-07-13 | 2015-09-30 | 东北大学 | 基于优化偏最小二乘回归模型的样品成份测定方法 |
| WO2017108775A1 (en) * | 2015-12-21 | 2017-06-29 | Dublin Institute Of Technology | Prediction of therapeutic response using vibrational spectroscopy |
Non-Patent Citations (6)
| Title |
|---|
| Latent Class Analysis Variable Selection;Nema Dean et al.,;《NIH Public Access》;20100201;第62卷(第1期);第11-35页 * |
| Method and model comparison by sum of ranking differences in cases of repeated observations (ties);K. Kollár-Hunek et al.,;《Chemometrics and Intelligent Laboratory Systems》;20130627(第127期);第139-146页 * |
| Sum of ranking differences (SRD) to ensemble multivariate calibration model merits for tuning parameter selection and comparing calibration methods;John H. Kalivas et al.;《Analytica Chimica Acta》;20141231(第896期);第21-33页 * |
| Sum of ranking differences for method discrimination and its validation: comparison of ranks with random numbersy;Ka´ roly He´berger et al.,;《J. Chemometrics》;20100528(第25期);第151-158页 * |
| 一种用于可见-近红外光谱特征波长选择的新方法;陈孝敬 等;《光学学报》;20081130;第28卷(第11期);第2153-2157页 * |
| 遗传算法用于偏最小二乘方法建模中的变量筛选;褚小立 等;《分析化学》;20011231;第29卷(第4期);第437-442页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108872142A (zh) | 2018-11-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ij | Statistics versus machine learning | |
| TWI776010B (zh) | 用於減少光譜分類的誤報識別之設備和方法以及相關的非暫時性電腦可讀取媒體 | |
| CN109350032B (zh) | 一种分类方法、系统、电子设备及存储介质 | |
| US11144576B2 (en) | Target class feature model | |
| Setodji et al. | The right tool for the job: choosing between covariate-balancing and generalized boosted model propensity scores | |
| Elorrieta et al. | A machine learned classifier for RR Lyrae in the VVV survey | |
| CN111000553B (zh) | 一种基于投票集成学习的心电数据智能分类方法 | |
| CN111243736B (zh) | 一种生存风险评估方法及系统 | |
| CN107247873B (zh) | 一种差异甲基化位点识别方法 | |
| CN108872142B (zh) | 一种波长选择算法中多参数的选择优化方法 | |
| Tencate et al. | Fusion strategies for selecting multiple tuning parameters for multivariate calibration and other penalty based processes: a model updating application for pharmaceutical analysis | |
| CN112285056B (zh) | 一种用于光谱样品个性化校正集选择及建模方法 | |
| CN108470194B (zh) | 一种特征筛选方法及装置 | |
| WO2022001829A1 (zh) | 一种改进团队进步算法的近红外光谱波长筛选方法 | |
| Orsini et al. | Meta-analysis of dose-response relationships | |
| CN111309577A (zh) | 一种面向Spark的批处理应用执行时间预测模型构建方法 | |
| CN110738362A (zh) | 一种基于改进的多元宇宙算法构建预测模型的方法 | |
| CN113903407A (zh) | 成分识别方法、装置、电子设备和存储介质 | |
| Anamisa et al. | Classification of diseases for rice plant based on Naive Bayes classifier with a combination of PROMETHEE | |
| CN114091794A (zh) | 专利价值评估模型训练方法、评估方法、装置及其设备 | |
| CN112881333B (zh) | 一种基于改进免疫遗传算法的近红外光谱波长筛选方法 | |
| Aparicio et al. | Relationship between flavour descriptors and overall grading of analytical panels for virgin olive oil | |
| Assiroj et al. | Comparing CART and C5. 0 algorithm performance of human development index | |
| Leardi | Chemometrics: From classical to genetic algorithms | |
| CN112070336A (zh) | 一种基于层次分析法的制造业信息量化分析方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |