Алгоритмы градуировки БИК анализаторов с применением методов многомерного анализа

• Автор: Скутин, Илья Владимирович
• Шифр специальности: 05.11.13
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Санкт-Петербург
• Количество страниц: 138 с. : ил.

Оглавление
Введение

1 Аналитический обзор алгоритмов многомерной градуировки

1.1 Общие принципы градуировки

1.2 Методы снижения размерности исходных данных

1.2.1 Метод главных компонент

1.2.2 Описание спектральных данных с помощью ряда Фурье

1.3 Методы создания многомерных градуировочных моделей

1.3.1 Множественная линейная регрессия

1.3.2 Регрессия на главных компонентах

1.3.3 Проекция на латентные структуры

1.3.4 Математическое программирование
1.3.5 Искусственные нейронные сети
1.3.6 Метод опорных векторов
1.4 Статистические характеристики для оценки предсказательной способности
градуировочных моделей
Выводы к главе 1. Постановка задачи
2 Общие принципы расчета многомерных градуировочных моделей для
БИК - анализаторов
2.1 Особенности БИК - анализаторов
2.1.1 Общий принцип работы БИК - анализаторов типа ИнфраЛЮМ ФТ-10
2.1.2 Использование предварительных обработок спектров
2.2 Особенности расчета многомерных градуировочных моделей для БИК -
анализаторов
2.2.1 Общие принципы расчета многомерных градуировочных моделей для
БИК - анализаторов
2.2.2 Основные этапы, влияющие на качество многомерных градуировочных
моделей для БИК — анализаторов
Выводы к главе 2
3 Декомпозиция исходных данных, перед расчетом регрессионных
коэффициентов, как способ повышения точности анализа
3.1 Особенности применения декомпозиции исходных данных
3.1.1 Декомпозиция с помощью МГК
3.1.2 Декомпозиция с помощью преобразования Фурье
3.2 Введение дополнительных этапов декомпозиции данных, перед расчетом
регрессионных коэффициентов с помощью МП и МОВ
Выводы к главе 3

4 Экспериментальная проверка предложенной методики градуировки на БИК — анализаторе ИнфраЛЮМ ФТ-10
4.1 Формирование набора данных для расчета градуировочной модели
4.1.1 Регистрация первичных свойств и ввод данных о вторичных свойствах
образцов
4.1.2 Формирование градуировочного и валидационного набора образцов
4.2 Процесс расчета градуировочной модели
4.2.1 Оптимизация количества и порядка применения предварительных
математических обработок
4.2.2 Оптимизация параметров алгоритмов обучения градуировочной модели
4.2.3 Оптимизация прочих параметров
4.2.4 Обучение градуировочной модели
4.3 Образцы, используемые в экспериментах
4.4 Результаты проверки рассчитанных градуировочных моделей
4.5 Анализ полученных результатов
Выводы к главе 4
5 Методика создания многомерных градуировочных моделей для БИК анализаторов обеспечивающих более высокую точность анализа
5.1 Алгоритм расчета регрессионных коэффициентов с использованием математического программирования и предварительной декомпозицией исходных с помощью преобразования Фурье
5.2 Методика градуировки анализаторов с использованием математического программирования и предварительной декомпозицией исходных данных с помощью преобразования Фурье
Научная новизна
Практическая ценность
Выводы
Список литературы
Приложение 1

Введение
В условиях современного производства, практически во всех отраслях промышленности, в том числе и в сельском хозяйстве, одной из главных задач является исследование состава продукции. Подобные исследования, на сегодняшний день, неотъемлемая часть этапа контроля качества готовой продукции. Данные о составе используются для определения стоимости продукции. Оптимизации технологического процесса (сокращение расхода сырья, повышение качества продукции), идентификации и фальсификации образцов. Традиционно, для решения подобных задач использовались стандартизованные методы, которые, как правило, основаны на проведении химических реакций [1, 2, 3, 4]. Недостатки данных методов, очевидны: их использование приводит к разрушению образца; обычно необходимо выполнять анализ вручную; данные методы требуют высокой квалификации персонала; занимают много времени. Очевидно, что в условиях непрерывного производства, с помощью подобных методов, возможно, обеспечить лишь выборочный контроль, с существенной временной задержкой. Поэтому приходится использовать косвенные методы измерения, где исследуемые свойства образцов определяют путем измерения других свойств образцов, зависящих от исследуемых свойств, которые, могут быть легко измерены напрямую [5]. С появлением мощных вычислительных машин появилась возможность автоматизировать процесс анализа с помощью методов, основанных на спектральном анализе в ближней инфракрасной (БИК) области.
Спектроскопия БИК-области представляет собой современный инструментальный метод количественного и качественного анализа различных объектов. Используемая область спектра безопасна как для оператора, так и для анализируемого объекта, что при соответствующем техническом обеспечении позволяет исследовать различные продукты без нанесения им какого-либо вреда. Зерно, которое использовалось для анализа, в дальнейшем вполне пригодно для выращивания из него растений [6]. В настоящее время, в России, БИК анализаторы широко используют для решения проблемы контроля качества продукции растениеводства. Контроль качества осуществляется на основании существующих национальных государственных стандартов, регламентирующие содержание белка, жира и других показателей в исходном сырье, например, в зернах пшеницы. Методы БИК-спектроскопии применяются также для

С = 2(ХТ*Х) О = -2(ХТ * у)

2С -І І О
■СЬЙ *-С)

Ф (Ь) = (у-ХЬ)т(у-ХЬ) сі >Ь Ь > О
Ф(Ь) = ПТЬ + ЬТСЬ -> тіп сі-Ь> 0 Ь>
L(u,v) = g(b)-urb-vт (сі- Ь)
Wg(b)-u-v = 0 итЬ = 0 /(5)=
£>0 и.у>
w=Mz+q м>> 0 \>тг = 0 г >
~[і.50 -[і .
-Ті .

—Ті .

[М,д,

Рисунок 1.7 - упрощенная схема алгоритма представления задачи градуировки в виде задачи математического программирования
В качестве исходных данных мы имеем первичные X и вторичные у свойства градуировочного набора образцов (блок 1.50).
После того, как исследователь определился с размером гиперкуба (блок 1.51), формируется целевая функция и ограничения, из уже известного линейного уравнения градуировки (1.17) (блок 1.52). Где, вектор Ъ (ЬХ,Ь2,...Ь^) содержит указанные