变分模态分解展开极限学习机用于复杂样品光谱定量分析

摘要:

构建一个对未知样品准确预测的多元校正模型是至关重要的。传统的多元校正方法在原始光谱和目标值之间建立单一模型，是对整体信息的一个大致反映。数学分解方法将信号从原始数据空间转换到其他空间，揭示原始光谱中可能被掩盖的信息，提高校正过程的准确性和可靠性。本研究基于变分模态分解（Variational mode decomposition, VMD）和极限学习机（Extreme learning machine, ELM）的优势，提出了一种变分模态分解展开极限学习机方法（Variational mode decomposition unfolded extreme learning machine, VMD-UELM）。利用VMD将每个光谱分解为多个模态分量，将模态分量展开成一个扩展矩阵，ELM用于建立定量模型。将其应用于血液、燃料油和二元中药数据集的光谱中，并分别对血红蛋白、双环芳烃和三七的含量进行定量分析。与ELM和PLS相比，该方法有更低的RMSEP和更高的相关系数R，表明了其在定量分析中具有更高的准确性。

关键词:变分模态分解;多元校正;定量分析;集成建模

Abstract:

Key words:变分模态分解;多元校正;定量分析;集成建模