基于粒子群算法的最小二乘支持向量机在红花提取液近红外定量分析中的应用

• 作者: 刘雪松 吴永江 杨凯 金叶 陈勇
• 来源期刊: 分析化学
• 学科: 化学
• 关键词: 近红外光谱 粒子群优化 最小二乘支持向量机 红花提取液
• 年，卷（期）: 2012,（6）
• 所属期刊栏目: 研究报告
• 页码范围: 925-931
• 分类号: TQ461|O657.33
• 字数: 5399字
• 语种: 中文
• DOI: 10.3724/SP.J.1096.2012.10898

摘要

提出一种基于粒子群算法的最小二乘支持向量机(PSO-LS-SVM)方法,用于建立红花提取过程关键质控指标的定量分析模型.近红外光谱数据经波段选择、预处理和主成分分析(降维)后,利用粒子群优化(PSO)算法对最小二乘支持向量机算法中的参数进行优化,然后使用最优参数建立固含量和羟基红花黄色素A(HSYA)浓度的定量校正模型.将校正结果与偏最小二乘法回归(PLSR)和BP神经网络(BP-ANN)比较,并将所建的3个模型用于红花提取过程未知样本的预测.结果表明,BP-ANN校正结果优于PSO-LS-SVM和PLSR,但是对验证集和未知样品集的预测能力较差,而PSO-LS-SVM和PLSR模型的校正、验证结果相近,相关系数均大于0.987,RMSEC和RMSEP值相近且小于0.074,RPD值均大于6.26,RSEP均小于5.70％.对于未知样品集,pSO-LS-SVM模型的RPD值大于8.06,RMSEP和RSEP值分别小于0.07％和5.84％,较BP-ANN和PLSR模型更低.本研究所建立的PSO-LS-SVM模型表现出较好的模型稳定性和预测精度,具有一定的实践意义和应用价值,可推广用于红花提取过程的近红外光谱定量分析.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	陈勇	浙江大学药学院	176	1947	25.0	34.0
2	刘雪松	浙江大学药学院	62	779	17.0	26.0
3	吴永江	浙江大学药学院	78	1223	19.0	33.0
4	杨凯	浙江大学药学院	24	167	7.0	12.0
5	金叶	浙江大学药学院	9	86	4.0	9.0