CN112508070A - 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 - Google Patents
基于近红外光谱在线检测干燥过程脱水量的标定建模方法 Download PDFInfo
- Publication number
- CN112508070A CN112508070A CN202011368412.2A CN202011368412A CN112508070A CN 112508070 A CN112508070 A CN 112508070A CN 202011368412 A CN202011368412 A CN 202011368412A CN 112508070 A CN112508070 A CN 112508070A
- Authority
- CN
- China
- Prior art keywords
- near infrared
- infrared spectrum
- distribution
- drying process
- data
- 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.)
- Granted
Links
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 59
- 238000001035 drying Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 230000018044 dehydration Effects 0.000 title claims abstract description 14
- 238000006297 dehydration reaction Methods 0.000 title claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims abstract description 27
- 238000012544 monitoring process Methods 0.000 claims abstract description 9
- 238000007781 pre-processing Methods 0.000 claims abstract description 5
- 238000009826 distribution Methods 0.000 claims description 36
- 238000001228 spectrum Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000002835 absorbance Methods 0.000 claims description 11
- 239000002245 particle Substances 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 238000012360 testing method Methods 0.000 claims description 6
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 240000004760 Pimpinella anisum Species 0.000 claims description 3
- 238000010521 absorption reaction Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000010238 partial least squares regression Methods 0.000 claims description 2
- 238000002203 pretreatment Methods 0.000 claims description 2
- 239000013598 vector Substances 0.000 claims description 2
- 239000000523 sample Substances 0.000 abstract description 18
- 238000002474 experimental method Methods 0.000 abstract description 7
- 238000004519 manufacturing process Methods 0.000 abstract description 4
- 238000011065 in-situ storage Methods 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 9
- 238000005259 measurement Methods 0.000 description 9
- 239000003570 air Substances 0.000 description 6
- 239000000126 substance Substances 0.000 description 5
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N Silicium dioxide Chemical compound O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 239000000741 silica gel Substances 0.000 description 3
- 229910002027 silica gel Inorganic materials 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000007654 immersion Methods 0.000 description 2
- 239000008188 pellet Substances 0.000 description 2
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 1
- 239000012080 ambient air Substances 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000012153 distilled water Substances 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011152 fibreglass Substances 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000001257 hydrogen Substances 0.000 description 1
- 125000004435 hydrogen atom Chemical group [H]* 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011897 real-time detection Methods 0.000 description 1
- 239000013074 reference sample Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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
- G01N21/3554—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light for determining moisture content
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G01N2021/3595—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry using infrared light using FTIR
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computational Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Pathology (AREA)
- Immunology (AREA)
- General Health & Medical Sciences (AREA)
- Biochemistry (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明属于工业过程检测领域,公开了基于近红外光谱在线检测干燥过程脱水量的标定建模方法。本发明是利用配有漫反射式探头的近红外光谱分析仪,搭建流化床干燥过程在线监测实验平台,从而实时原位测量流化床干燥过程水分含量的近红外光谱数据。首先对光谱数据和参考数据进行采集,其次对测量到的近红外光谱数据进行预处理操作,然后利用有标签和无标签的光谱数据建立半监督变分偏最小二乘模型,以此来构建标定模型,并使用变分推断的方法对模型参数进行估计,最后,通过外部实验验证建立模型的有效性,由此实时测量干燥过程的水分含量。本发明能够达到自动快速检测流化床的水分含量,便于实际工业应用和推广。
Description
技术领域
本发明属于工业过程检测领域,涉及一种基于近红外光谱在线检测化工干燥过程脱水量的方法,具体是基于近红外光谱分析技术实时测量干燥过程脱水量的方法。
背景技术
干燥工程广泛用于医药、食品、石油化工等生产行业。近红外光谱技术具有对不同物质组分的敏感性较好、非侵入检测等优点,近年来越来越多地用于各种工业干燥过程脱水量的检测,相对于离线检测的技术有较好的实时性。近红外的谱段范围为780nm~2500nm,可以反映分子中含氢基团(如C-H,N-H,O-H)振动合频与倍频特征信息,水分子含有氢基团可以通过近红外光谱强度反映水分的含量,因此近红外光谱技术适合分析干燥过程中被干燥物质的水分含量。
要使用近红外光谱实时检测干燥过程脱水量,需要大量的标签样本建立一个标定模型。工程应用中采集标签数据需要专业技术人员使用特定仪器取样检测,并且花费大量的时间,实际上往往只能获得少量的标签样本与实时采集光谱对应,大部分实时采集的光谱得不到对应的标签测量数据。
目前,虽然有近红外光谱技术开始应用于对干燥过程的检测,但由于建模样本标签不足等影响,造成标定模型的实际测量精度不高,尤其是用于在线检测时,会产生较大的测量误差。
发明内容
本发明要解决的技术问题是:针对干燥过程中样本标签不足的问题,传统的方法不能利用无标签的光谱数据进行建模,导致光谱标定模型的精度不高。
为解决上述问题,本发明系统地提出如何在标签样本不充足条件下采用近红外光谱检测技术对干燥过程脱水量进行实时测量的方法,并进行了解释说明。
本发明是利用配有漫反射式探头的近红外光谱分析仪,搭建流化床干燥过程在线监测实验平台,从而实时原位测量流化床干燥过程的近红外光谱数据,并传输给计算机,根据建立的光谱标定模型进行预测。首先需要对光谱数据和参考样本进行采集,其次对测量的近红外光谱数据进行预处理操作,然后构建半监督的标定模型,并使用变分推断的方法对模型参数进行选择,最后,通过不同批次的干燥实验验证建立模型的有效性,由此定量分析流化床干燥过程的脱水量。本发明的流程如图1所示。
本发明的技术方案如下:
一种基于近红外光谱在线检测干燥过程脱水量的标定建模方法,步骤如下:
第一步:近红外光谱数据和参考数据的采集
在流化床干燥过程中,利用近红外光谱分析仪实时采集被干燥物质的近红外光谱数据,提供标准背景作为参考背景,将近红外光谱分析仪采集的近红外光谱与参考背景的差谱作为每次采样检测的近红外光谱数据,以消除噪声引起的测量误差。采用质量差重法测量水分含量作为标签;收集光谱数据中有标签的光谱表示为和对应的标签为其中是第i个光谱,并且是第i个样品的标签,即水分含量,无标签光谱样本用表示;表示完整的输入矩阵,包括有标签和无标签的光谱样本;NL是有标签样本数,NU是无标签样本数,N是总样本数,M是光谱变量数,K是潜变量数,K小于M,S是标签的维度,这里是1,γ是最大迭代次数;
第二步:近红外光谱数据的预处理
为了消除环境条件变化对光谱测量带来的扰动,在建模之前,需要对近红外光谱的数据进行预处理来消除无关信息和噪声。
将第一步采集到的近红外光谱数据写成光谱数据矩阵,矩阵中的每一行是一条测试样品的光谱,矩阵的每一列是近红外光的指定波长下不同样品的吸收值;
采用中心化的光谱预处理方法:
X=Xi-μ (1)
其中X经过中心化处理的近红外光谱数据第i个样本的吸光度;Xi表示近红外光谱数据第i个样本的吸光度;μ表示近红外光谱数据吸光度的均值;
第三步:建立半监督变分偏最小二乘模型;
将第二步中预处理后的近红外光谱数据作为建模集,采用半监督变分偏最小二乘(PLS)建模方法建立模型;
半监督变分偏最小二乘的定义为,
潜在空间Z中的潜变量定义如下:
载荷矩阵P和Q中的载荷变量定义如下:
其中pg和qh分别是P和Q的第g和第h列;
Ω-1,Ψ-1,Σ-1和Γ-1分别是Z,Y,P和Q的方差阵Ω,Ψ,Σ和Γ的逆矩阵,即精度矩阵,定义如下:
样本的标签定义如下:
第四步:变分参数推断;
将目标转化为解决P(Θ|X,Y);
P(X,Y|Θ)P(Θ)=P(X,Y,Θ)=P(Θ|X,Y)P(X,Y) (7)
其中Θ是变量集,包含P,Q,ZL,ZU,Ω-1,Σ-1,Ψ-1,Γ-1;
由变分推断给出的模型参数的后验分布通过以下因式分解估算,
对于公式(8)中的联合概率分布,表示为
对于F(zi),使用公式(11),将其标识为正态分布,
对于F(zj),将其标识为正态分布,
F(Ω-1)的每列分解为伽玛分布,写成:
对于F(pg),写成
对于F(Σ-1),将其标识为威希特分布;
对于F(Ψ-1),其对角线分量表示为伽玛分布,
F(qh)被识别为高斯分布,
对于F(Γ-1),将其标识为威希特分布
由于NIR光谱中的波数变量是高维的,通常相对于采集样本数量而言过多,而且存在共线性问题,因此必须对输入变量进行稀疏处理。为了实现输入变量的稀疏性,可以将稀疏先验导入到载荷矩阵的行中。将两个伽玛分布和引入P和Q的行中以丢弃无用的信息,其表达式如下
其中Pt.和Qg.分别是的P第t行和Q的第g行;
令Γ-1影响P的列,从而Γ-1影响两个投影矩阵的潜在空间;P表示为
对于E[φ-2],写成
第五步:为了使用无标签和有标签样本进行建模,提出的自适应半监督变分推断偏最小二乘回归模型(ASVIPLS)方法概述如下;
初始化变量;
从N(0,1)生成初始化Zi和Zj;用W(K-0.5,(K-0.5)I1×K)初始化Ω-1;用W(0.01,0.01IM×1)初始化Σ-1;用W(S-0.5,(S-0.5)I1×S)初始化Ψ-1;用W(0.01,0.01IK×1)初始化Γ-1;φ-2初始化为G(0.01,0.01);并用公式(2)初始化P和Q;
通过公式(14)计算Ω-1,通过公式(22)计算P,通过公式(16)计算Σ-1,通过公式(17)计算Ψ-1,通过公式(18)计算Q,通过公式(19)计算Γ-1,通过公式(12)计算Zi和通过公式(13)计算Zj的后验分布;
第六步:在线预测水分含量;
近红外光谱分析仪与监控计算机连接,在干燥过程中近红外光谱分析仪实时采集干燥颗粒在不同波长下的吸光度值(即近红外光谱)xnew,并传输到监控计算机中,利用步骤三到步骤五中的标定模型实现对水分含量实时检测及显示结果。
本发明的有益效果:本发明能实时检测干燥过程的脱水量,相对于仅使用有标签样本数据构建的光谱变量模型有更好的可信度和准确性。该方法可操作性强,对经验技术要求较低,能够达到自动快速检测被干燥物质的脱水量,便于实际工业应用和推广。
附图说明
图1是本发明的建模流程图;
图2是流化床干燥过程近红外光谱图;
图3是方法预测流化床干燥过程水分含量结果图。
具体实施方式
以下结合附图,进一步说明本发明的具体实施方式。
实施例为对批次硅胶颗粒流化床干燥过程的干燥状态的在线检测。该系统由一个5升的矩形腔室和一个用于观察的玻璃钢窗组成,功率为3KW的鼓风机,功率为6KW的加热器,1L进料器,2L储罐,高强度光照灯,温度传感器,颗粒取样器,浸入式漫反射NIR探针和NIR光谱仪(生产号FTPA2000-260,由ABB公司生产)。
为了操作流化床设备,首先要通过鼓风机吸收周围的空气,然后通过电加热器加热。加热的进气通过安装在流化床腔室底部的空气分布板均匀分布,随后,热空气使室内的颗粒流化以进行干燥,最后升至流化床的顶部进行排放。箱内温度由Pt100温度计测量,并由监测计算机命令的可编程逻辑控制器(PLC)进行调节。将焦距为250mm的NIR探头的头部放置在室内空气分布板的上方,与用于离线测量(LOD方法)颗粒水分含量的颗粒取样器高度相同,以便进行比较研究。LOD方法是通过在空气温度为105℃的烘箱中干燥6小时之前和之后的颗粒重量差异来测量水分含量。实验中,硅胶颗粒的平均大小约为100μm。对于分批进行的干燥过程,首先用电动混合器将水分含量为2%的1650g硅胶颗粒与450g的蒸馏水混合,以确保水分含量均匀分布约35%。在每次批次运行结束时,将这些颗粒干燥至水分含量约为2%。
采用本发明的具体实施如下:
第一步:光谱数据和参考数据的采集
近红外光谱分析仪采集的近红外光谱数据为表观光谱信息,样品的表观光谱中包含真实光谱信息和噪声。由于每次实验的仪器和实验条件可能存在着不同,会在测量近红外光谱数据产生较多噪声。为了消除工况产生的噪声,选用近红外光谱分析仪制造公司提供的光学性质稳定的标准背景作为参考背景,每次采样检测的近红外光谱数据由仪器测量的表观光谱与测量空气的近红外光谱的差谱得到。
采用傅里叶近红外光谱分析仪以及配套的浸入式漫反射探头采集近红外光谱,光谱采集设置:测量波数范围为4968cm-1–8,826cm-1,仪器分辨率为8cm-1,光谱扫描次数为32次,采用标准参考收集模块(序列号AS-01158-060,由ABB公司提供)为参考背景。采用离线检测方法检测参考数据,使用质量差重法(LOD法)测量水分含量。
将近红外光谱分析仪采集的近红外光谱与参考背景的差谱作为每次采样检测的近红外光谱数据;采用质量差重法测量水分含量作为标签;收集光谱数据中有标签的光谱表示为和对应的标签为其中是第i个光谱,并且是第i个样品的标签,即水分含量,无标签光谱样本用表示;表示完整的输入矩阵,包括有标签和无标签的光谱样本;NL是有标签样本数,NU是无标签样本数,N是总样本数,M是光谱变量数,K是潜变量数,K小于M,S是标签的维度,γ是最大迭代次数;
第二步:光谱数据的预处理
通常采集到的近红外光谱数据可以写成光谱数据矩阵,矩阵中的每一行都是一条测试样品的光谱,矩阵中的每一列为近红外光谱在某一波长下对不同样品的吸收峰值。图2示例给出了对其中一个批次流化床干燥过程采集的近红外光谱吸光度数据。
随后按照技术方案中的第二到第五步进行计算。
通过在测试数据集上的预测均方根误差(RMSEP)来量化研究方法的预测准确性
使用流化床干燥实验进行了结果验证,并且与偏最小二乘和自适应变分最小二乘方法进行了对比;偏最小二乘,自适应变分最小二乘和本申请的RMSEP值分别为1.8629,1.4931和0.7639,说明本申请自适应半监督变分最小二乘方法的预测精度最高;自适应变分最小二乘和本申请自适应半监督变分最小二乘方法的CRED值分别为0.4528和1.6616,说明本申请自适应半监督变分最小二乘方法的可信度最高;对比的结果见图3。
第六步:在线预测水分含量
近红外光谱分析仪与监控计算机连接,在干燥过程中近红外光谱分析仪实时采集干燥颗粒在不同波长下的吸光度值(即近红外光谱),并传输到监控计算机中,利用第三到第五步中的标定模型实现对水分含量实时检测及显示结果。基于近红外光谱技术建立的在线标定模型可以对流化床干燥过程脱水量进行实时测量,定时20秒给出一次测量结果。
Claims (1)
1.基于近红外光谱在线检测干燥过程脱水量的标定建模方法,其特征在于,包括如下步骤:
第一步:光谱数据和参考数据的采集;
提供标准背景作为参考背景,将近红外光谱分析仪采集的近红外光谱与参考背景的差谱作为每次采样检测的近红外光谱数据;采用质量差重法测量水分含量作为标签;收集光谱数据中有标签的光谱表示为和对应的标签为其中是第i个光谱,并且是第i个样品的标签,即水分含量,无标签光谱样本用表示;表示完整的输入矩阵,包括有标签和无标签的光谱样本;NL是有标签样本数,NU是无标签样本数,N是总样本数,M是光谱变量数,K是潜变量数,K小于M,S是标签的维度,γ是最大迭代次数;
第二步:光谱数据的预处理;
将第一步采集到的近红外光谱数据写成光谱数据矩阵,矩阵中的每一行是一条测试样品的光谱,矩阵的每一列是近红外光的指定波长下不同样品的吸收值;
采用中心化的光谱预处理方法:
X=Xi-μ (1)
其中X经过中心化处理的近红外光谱数据第i个样本的吸光度;Xi表示近红外光谱数据第i个样本的吸光度;μ表示近红外光谱数据吸光度的均值;
第三步:建立半监督变分偏最小二乘模型;
将第二步中预处理后的近红外光谱数据作为建模集,采用半监督变分偏最小二乘建模方法建立模型;
半监督变分偏最小二乘的定义为,
潜在空间Z中的潜变量定义如下:
载荷矩阵P和Q中的载荷变量定义如下:
其中pg和qh分别是P和Q的第g和第h列;
Ω-1,Ψ-1,Σ-1和Γ-1分别是Z,Y,P和Q的方差阵Ω,Ψ,Σ和Γ的逆矩阵,即精度矩阵,定义如下:
样本的标签定义如下:
第四步:变分参数推断;
将目标转化为解决P(Θ|X,Y);
P(X,Y|Θ)P(Θ)=P(X,Y,Θ)=P(Θ|X,Y)P(X,Y) (7)
其中Θ是变量集,包含P,Q,ZL,ZU,Ω-1,Σ-1,Ψ-1,Γ-1;
由变分推断给出的模型参数的后验分布通过以下因式分解估算,
对于公式(8)中的联合概率分布,表示为
对于F(zi),使用公式(11),将其标识为正态分布,
对于F(zj),将其标识为正态分布,
F(Ω-1)的每列分解为伽玛分布,写成:
对于F(pg),写成
对于F(Σ-1),将其标识为威希特分布;
对于F(Ψ-1),其对角线分量表示为伽玛分布,
F(qh)被识别为高斯分布,
对于F(Γ-1),将其标识为威希特分布
其中Pt.和Qg.分别是的P第t行和Q的第g行;
令Γ-1影响P的列,从而Γ-1影响两个投影矩阵的潜在空间;P表示为
对于E[φ-2],写成
第五步:为了使用无标签和有标签样本进行建模,提出的自适应半监督变分推断偏最小二乘回归模型如下;
初始化变量;
从N(0,1)生成初始化Zi和Zj;用W(K-0.5,(K-0.5)I1×K)初始化Ω-1;用W(0.01,0.01IM×1)初始化Σ-1;用W(S-0.5,(S-0.5)I1×S)初始化Ψ-1;用W(0.01,0.01IK×1)初始化Γ-1;φ-2初始化为G(0.01,0.01);并用公式(2)初始化P和Q;
通过公式(14)计算Ω-1,通过公式(22)计算P,通过公式(16)计算Σ-1,通过公式(17)计算Ψ-1,通过公式(18)计算Q,通过公式(19)计算Γ-1,通过公式(12)计算Zi和通过公式(13)计算Zj的后验分布;
第六步:在线预测水分含量;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011368412.2A CN112508070B (zh) | 2020-11-30 | 2020-11-30 | 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011368412.2A CN112508070B (zh) | 2020-11-30 | 2020-11-30 | 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112508070A true CN112508070A (zh) | 2021-03-16 |
CN112508070B CN112508070B (zh) | 2022-09-27 |
Family
ID=74967509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011368412.2A Active CN112508070B (zh) | 2020-11-30 | 2020-11-30 | 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112508070B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608431A (zh) * | 2021-08-06 | 2021-11-05 | 山东大学 | 一种流化床制粒过程水分动态控制方法和应用 |
CN113670191A (zh) * | 2021-08-18 | 2021-11-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种红外高光谱干涉仪关键定标参数在轨优化方法 |
CN114112978A (zh) * | 2021-12-13 | 2022-03-01 | 大连理工大学 | 原位红外光谱检测结晶过程溶液浓度的小波函数标定建模方法 |
CN115382325A (zh) * | 2022-09-07 | 2022-11-25 | 交通运输部天津水运工程科学研究所 | 一种基于红外含水率监测的底层洒水控制方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109668858A (zh) * | 2019-02-14 | 2019-04-23 | 大连理工大学 | 基于近红外光谱检测发酵过程生物量和组分浓度的方法 |
CN110879212A (zh) * | 2019-12-06 | 2020-03-13 | 大连理工大学 | 一种基于近红外光谱监测流化床干燥过程状态的方法 |
-
2020
- 2020-11-30 CN CN202011368412.2A patent/CN112508070B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109668858A (zh) * | 2019-02-14 | 2019-04-23 | 大连理工大学 | 基于近红外光谱检测发酵过程生物量和组分浓度的方法 |
CN110879212A (zh) * | 2019-12-06 | 2020-03-13 | 大连理工大学 | 一种基于近红外光谱监测流化床干燥过程状态的方法 |
Non-Patent Citations (2)
Title |
---|
武小红等: "基于联合区间偏最小二乘判别分析的猪肉近红外光谱定性建模分析", 《激光与光电子学进展》 * |
颜辉等: "应用手持式近红外光谱仪检测桑椹可溶性固形物含量的偏最小二乘回归模型建立", 《蚕业科学》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113608431A (zh) * | 2021-08-06 | 2021-11-05 | 山东大学 | 一种流化床制粒过程水分动态控制方法和应用 |
CN113608431B (zh) * | 2021-08-06 | 2024-02-02 | 山东大学 | 一种流化床制粒过程水分动态控制方法和应用 |
CN113670191A (zh) * | 2021-08-18 | 2021-11-19 | 国家卫星气象中心(国家空间天气监测预警中心) | 一种红外高光谱干涉仪关键定标参数在轨优化方法 |
CN114112978A (zh) * | 2021-12-13 | 2022-03-01 | 大连理工大学 | 原位红外光谱检测结晶过程溶液浓度的小波函数标定建模方法 |
CN115382325A (zh) * | 2022-09-07 | 2022-11-25 | 交通运输部天津水运工程科学研究所 | 一种基于红外含水率监测的底层洒水控制方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112508070B (zh) | 2022-09-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112508070B (zh) | 基于近红外光谱在线检测干燥过程脱水量的标定建模方法 | |
CN110879212B (zh) | 一种基于近红外光谱监测流化床干燥过程状态的方法 | |
EP2138830B1 (en) | IR spectroscopic method for determining UV degradation of a polymer composite material surface in a portion of an aircraft | |
CN107703097B (zh) | 利用近红外光谱仪构建快速预测原油性质的模型的方法 | |
Huang et al. | Improved generalization of spectral models associated with Vis-NIR spectroscopy for determining the moisture content of different tea leaves | |
He et al. | Online updating of NIR model and its industrial application via adaptive wavelength selection and local regression strategy | |
EP0846253A1 (en) | Biological fluid analysis using distance outlier detection | |
Dessipri et al. | Use of FT-NIR spectroscopy for on-line monitoring of formaldehyde-based resin synthesis | |
Wang et al. | Simultaneous detection of different properties of diesel fuel by near infrared spectroscopy and chemometrics | |
CN114112978A (zh) | 原位红外光谱检测结晶过程溶液浓度的小波函数标定建模方法 | |
CN106529680B (zh) | 一种基于经验模态分解的多尺度极限学习机集成建模方法 | |
Mirghani et al. | FTIR spectroscopic determination of soap in refined vegetable oils | |
CN110887798B (zh) | 基于极端随机树的非线性全光谱水体浊度定量分析方法 | |
Quintero et al. | A novel data processing technique for expert resonant nano-pillars transducers: A case study measuring ethanol in water and wine liquid matrices | |
Mu et al. | Variational PLS-based calibration model building with semi-supervised learning for moisture measurement during fluidized bed drying by NIR spectroscopy | |
CN108398400B (zh) | 利用太赫兹成像无损检测小麦中脂肪酸含量的方法 | |
JP2020139880A (ja) | 分析方法、分析装置、印刷装置、および、印刷システム | |
US20220196476A1 (en) | Method for configuring a spectrometry device | |
Baeten et al. | Olive oil analysis by infrared and Raman spectroscopy: methodologies and applications | |
CN110261345B (zh) | 一种基于小波函数的近红外光谱软测量方法及系统 | |
Ruckebusch et al. | On-line mid-infrared spectroscopic data and chemometrics for the monitoring of an enzymatic hydrolysis | |
Pei et al. | Wavelet Function Based Spectral Model Calibration for Measuring Crystallization Solution via ATR-FTIR Spectroscopy | |
CN116793991B (zh) | 一种基于近红外光谱和混合损失的谷氨酸浓度测量方法 | |
Liu et al. | A Spectral Pre-processing Method Based on Transfer Dictionary with application to the Quantitative Analysis of TN within Freshwaters | |
Shakeel et al. | Inverse Matrix Problem in Regression for High‐Dimensional Data Sets |
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 |