APP下载

双模型结合进一步降低预测均方根误差和均方根相对误差的方法

2015-07-09吴雪梅刘志强张天龙李华

分析化学 2015年5期

吴雪梅 刘志强 张天龙 李华

摘 要 前期研究工作提出了以预测均方根相对误差最小为回归目标的方法(Minimization of prediction relative error,MPRE),它能使得预测结果的均方根相对误差更小。偏最小二乘法(Partial least squares,PLS)是以预测均方根误差为回归目标,能使得预测结果的均方根误差更小。基于多模型结合的思想,提出将MPRE与PLS相结合的双模型结合多元校正方法。本方法步骤为:(1) 分别采用MPRE与PLS法对校正集建模;(2) 计算阈值;(3)分别采用已建立好的MPRE与PLS模型进行预测;(4)将预测结果与阈值进行比较,得到预测结果。通过对酒精的近红外光谱与汽油紫外光谱进行定量分析结果表明,本方法可进一步减小预测均方根误差与相对误差。

关键词 双模型; 多元校正; 均方根相对误差; 均方根误差

1 引 言

随着现代大型仪器的使用,多元校正方法被广泛应用于分析化学领域【1~3】。目前常用的多元校正方法主要有经典最小二乘法(Classical least-squares,CLS)、主成分回归法(Principal component regression,PCR)、偏最小二乘法(Partial least squares,PLS)等线性多元校正方法及人工神经网络法(Artificial neural network, ANN)、非线性PLS等非线性多元校正方法【7,8】。无论是线性多元校正方法,还是非线性多元校正方法,均方根误差(Root-mean-square error of prediction, RMSEP)通常被用作多元校正的评价指标【9~11】。换言之,在这些多元校正方法中,其校正的目标是预测样本组分的均方根误差最小,其建模的代价函数是预测误差平方和。采用该代价函数可在一定程度上使预测组分的绝对误差尽可能小。在组分值动态范围较小时,现有的线性或非线性多元校正方法能取得较为理想的结果。……

登录APP查看全文