FiPLS在煙煤水分近紅外檢測中的應用*

楊曉麗，馬公喆，陳云秀，汪文超，劉夢嬌

(曲靖師范學院化學化工學院，云南　曲靖　655011)

?

FiPLS在煙煤水分近紅外檢測中的應用*

楊曉麗，馬公喆，陳云秀，汪文超，劉夢嬌

(曲靖師范學院化學化工學院，云南曲靖655011)

偏最小二乘是一個在近紅外光譜解析中常用的計量學算法，結合變量篩選方法既可以提高模型的預測能力，也可以大大降低建模的難度。本文將前向區間偏最小二乘用于煙煤水分近紅外光譜解析。提取出的區間數為2，變量個數從1557減少到54個。所提取的波長區間主要位于O-H一級泛頻吸收帶。預測平均絕對百分誤差從0.0865降低到0.0818。研究結果表明，前向區間偏最小二乘可以顯著減少變量數并提高預測準確度。

煙煤；水分；偏最小二乘;區間選擇

近紅外光譜技術是一項快速、準確、無損傷的檢測手段，目前已廣泛用于農業、文本識別、營養物質檢測、石油化工等領域[1]。由于近紅外光譜屬于典型的高維數據，且包含了大量隨機噪聲、儀器噪聲、無用信息等，這給近紅外光譜解析帶來了巨大挑戰。化學計量學方法常用來解析近紅外光譜，如偏最小二乘[2]、人工神經網絡[3]、支持向量機[4]等。偏最小二乘(partial least squares，PLS)可以很好地解決光譜共線性問題，常用于建立近紅外光譜檢測模型。在建立PLS模型的同時對光譜區間進行選擇，可以進一步提高建模精度、簡化模型。區間策略[5]和移動窗口技術[6]已用于光譜區間篩選。

煤炭在生產、流通和使用過程中，常需要檢測發熱量、水分、揮發分、灰分、固定碳等項目。傳統分析方法耗時、繁瑣，時間滯后性嚴重，往往不能滿足工藝調整的需要[7]。雖然煤的組成復雜，但是可以通過近紅外光譜技術獲得C-H、S-H、O-H等鍵的泛頻、合頻及倍頻吸收。因此，近紅外光譜技術被用來嘗試解決煤質分析快速、實時、自動化問題[8-9]。

本文針對煙煤水分檢測，采用前向偏最小二乘法對光譜區間進行篩選，并建立檢測模型。以交叉檢驗均方根誤差評價光譜區間優化效果，以預測絕對平均百分誤差、回收率和相關系數來評價模型預測精度。

1　實　驗

1.1煙煤中水分檢測

煙煤樣品處理至80目粒度，采用熱重分析測量煙煤水分[10]。共100個樣品，從中選出測量值居中的10個樣本用于預測，剩下的90個樣本用于建立模型。

1.2近紅外光譜采集

采用Thermo Antaris Ⅱ采集煙煤樣品近紅外光譜，波數范圍4000～10000 cm-1，分辨率：8 cm-1，掃描次數：64，每條光譜包含1557個點。

2　前向區間偏最小二乘

偏最小二乘(partial least squares，PLS)采用正交策略提取出光譜中主成分并建立多元線性回歸模型[2]。由于PLS依據主成分分析建立回歸模型，因此主成分個數對建模準確性非常重要。PLS在建模過程中，依次提取出包含信息量多的主成分，當主成分的貢獻率達到85%以上就可以認為包含了有用信息且剔除了噪聲及無用信息。本文中PLS自動提取累計貢獻率85%以上的主成分建立回歸模型。

區間偏最小二乘(interval partial least squares,iPLS)將光譜分成m個等寬子區間，在每個子區間建立PLS回歸模型。采用留一法[11]計算交互驗證均方根誤差(root mean squared error of cross validation，RMSECV)衡量該區間包含信息量多少。前向區間偏最小二乘(forward interval partial least squares，FiPLS)首先將各區間RMSECV從小到大排序，依次增加區間并計算新的留一交叉驗證誤差，若誤差降低繼續增加區間，若誤差增大停止，所得到的就是篩選出的區間。用篩選出的區間建立PLS模型并進行預測，求得平均絕對百分誤差(mean absolute percent error，MAPE)、均方根誤差(root mean squared error of prediction，RMSEP)，并考察預測回收率。

3　結果與討論

由于本文采用的PLS自動篩選出累計貢獻率達到85%的主成分建立回歸模型，因此FiPLS模型需要調整的參數只剩下區間寬度。

3.1區間個數對區間篩選結果的影響

區間個數(nw)決定了FiPLS的準確度，本文考察了區間個數從5～100，對最終預測MAPE和RMSEP影響(圖1)。

圖1　區間個數對MAPE和RMSEP的影響

顯而易見，MAPE和RMSEP對區間個數變化比較敏感，在一定區間內上下波動。當nw>60時，MAPE和RMSEP的波動變得略寬，出現幾個小平臺。這說明區間個數較少時，區間劃分對包含信息影響較大，因此MAPE和RMSEP波動較大。隨著區間個數的逐漸增多，每個區間包含的變量個數逐漸減少，區間個數變化對區間寬度影響較小，MAPE和RMSEP的波動變寬。仔細考察MAPE和RMSEP，可以發現MAPE隨nw變化更精細，更能反映nw對區間篩選結果的影響。因此本文選取MAPE確定FiPLS最終結果。當nw=58時，FiPLS結果最佳，模型獲得的MAPE=0.818，RMSEP=0.0021。

為了進一步評價模型對未知樣本的預測能力，本文還采用預測值與實際值的相關系數r來監控模型性能。nw變化對r的影響見圖2。

從圖2可見，r與MAPE及RMSEP類似，都對nw變化很敏感。但r變化趨勢與MAPE及RMSEP并不一致，較低的MAPE或RMSEP并沒有提高預測值與實際值的相關性，這說明nw對各樣本預測準確度的影響不一致，較高的相關性并不能代表較好的預測性能。

3.2區間篩選結果

當nw=58時，FiPLS獲得了最好的預測結果。篩選出的區間有兩個，分別位于703～729變量區間及859～885變量區間(圖3)，對應的波數范圍是6707～6807 cm-1及7309～7409 cm-1。7209～7305 cm-1和6607～6703 cm-1均位于O-H一級泛頻吸收帶[12]。這進一步說明FiPLS可以有效實現光譜區間篩選。圖3中用黑色方框表明了篩選出的兩個區域，由圖3可見在這兩個區域光譜圖有一個非常平緩的吸收峰出現。經過區間篩選后，光譜包含的點數從1557減少到54個，可以大大降低建模難度、提高建模速度。

3.3FiPLS結果

為了詳細考察FiPLS的預測性能，圖4a給出了PLS預測結果分析，圖4b給出了FiPLS結果分析。

對真實值和預測值進行過原點的線性回歸，結果表明FiPLS的預測結果優于PLS。FiPLS預測結果對真實值的線性回歸相關系數從0.01005升高到0.0616，回歸標準差基本沒有變化。PLS預測值的最高回收率是120.39%，最低回收率是93.89%；而FiPLS預測值的最高回收率降低到118.99%，最低回收率提升到94.72%。對比FiPLS的預測結果和PLS的預測結果可以發現，FiPLS在減少光譜變量數的同時也提高了預測精度。

圖4　PLS(a)和FiPLS(b)預測結果

4　結　論

本文采用前向區間偏最小二乘對煙煤水分近紅外光譜解析進行區間篩選，將光譜變量從1557個減少到54個，可以大幅降低建模難度，加快建模速度。研究結果表明，前向區間偏最小二乘可以準確提取出水分相關的兩個區間。對比篩選區間的預測結果和全光譜結果，算法在實現區間篩選的同時也可以提高預測準確度。

[1]Ferrari M,Mottola L,Quaresima V.Principles,techniques,and limitations of near infrared spectroscopy [J].Canadian Journal of Applied Physiology,2004,29(4):463-487.

[2]Geladi P,Kowalski BR.Partial least square regression:a tutorial [J].Analytica Chimica Acta,1995,185(1):1-17.

[3]Borggard C,Thodberg H.Optimal minimal neural interpretation of spectra [J].Analytial Chemistry,1992,64(5):545-551.

[4]Vapnik V.The nature of statistical learning theory [J].IEEE Transactions on Neural Networks,1995,10(5):988-999.

[5]Bao JS,Cai YZ,Corke H.Prediction of rice starch quality parameters by near-infrared reflectance spectroscopy [J].Journal of Food Science,2001,66 (7):936-939.

[6]Delwiche SR,Bean MM,Miller RE,et al.Apparent amylose content of milled rice by near-infrared reflectance spectrophotometry [J].Cereal Chemistry,1995,72 (2):182-187.

[7]伍秀玲.煤質工業分析指標傳統法與全自動工業分析方法的比較[J].煤質技術，2008(4):35-37.

[8]蘇彩珠，陳曉翔，黃文志，等.應用NIRS分析技術快速檢測煤炭質量[J].檢驗檢疫科學，2007,17(6):34-35.

[9]盧福潔,韓熹.近紅外光譜分析技術在煤品質快速分析中的應用[J].現代科學儀器，2011(4):43-44.

[10]常宏,李愛啟,王洪偉,等.煤中水分的快速測定[J].煤質技術，2004(2):50-52.

[11]Kearns M,Ron D.Algorithmic stability and sanity-check bounds for leave-one-out cross-validation [J].Neural Computation,1999,11(6):1427-1453.

[12]鄧孺孺,何穎清,秦雁,等.近紅外波段(900-2500nm)水吸收系數測量[J].遙感學報，2012,16(1):199-206.

Determination of Bituminous Coal Moisture Based on FiPLS*

YANG Xiao-li,MA Gong-zhe,CHEN Yun-xiu,WANG Wen-chao,LIU Meng-jiao

(College of Chemistry and Chemical Engineering,Qujing Normal University,Yunnan Qujing 655011,China)

Partial least squares method is a widely used method in near-infrared spectra analysis.When combined with feature selection technique,it can highly improve the predictive ability of the model and reduce its complexity.Interval partial least squares were applied forward to determine bituminous coal moisture with near-infrared spectra.Two intervals were selected which were lied in O-H first universal frequency absorption band.Furthermore,the number of variables reduced from 1557 to 54.Prediction mean absolute percent error reduced from 0.0856 to 0.0818.

bituminous coal;moisture;partial least squares;interval selection

云南省省級大學生創新創業訓練計劃項目(編號：201310664003)；云南省教育廳一般項目(編號：2012Y414)；曲靖師范學院招標項目(編號：2011ZB006)。

楊曉麗(1980-)，女，副教授，主要從事計算化學研究。

TQ015.9

B

1001-9677(2016)04-0026-03