3.3. The integrate quantitative mod

3.3. The integrate quantitative model of AV for all the six kinds of oils

The individual models obtained above can only be applied to predicting the AV of a given kind of oil which belongs to the same kind of oil used for modeling, so it is necessary to ascertain the sort of an oil sample prior to prediction, consequently its applicability may be limited. In order to expand the application of this method, an integrate model using all the spectral data of the six kinds of oils was tried to establish. The 384 samples of the six kinds of oils were split into a calibration set (n = 288, in which 48 samples of each kind of oil were included) and a prediction set (n = 96, in which 16 samples of each kind of oil were included) with the principle of uniform distribution of AV. The modeling process also included three steps: wavelength selection, spectral-pretreatment and outlier exclusion, as done in the development of individual models above.

Due to the obvious spectral diversities of the six kinds of oils, several wavelength selection methods, including iPLS, uninformative variables elimination (UVE), and correlation coefficient method, were investigated to obtain optimum wavelengths. UVE can eliminate the variables which have no more informative variables for modeling than noise, and employing the variables selected by UVE for modeling can avoid a model over-fitting and usually improve its predictive ability (Ye, Wang, & Min, 2008). The theory and algorithm about UVE can be found in the papers written by Cai et al., 2008 and Zou et al., 2010. The correlation coefficient is calculated by relating the concentrations and the absorbance for each wavelength (Chu et al., 2004 and Wu et al., 1995).

PLS, PCR and another advanced algorithm, support vector regression (SVR), were investigated for modeling. Because the result of modeling by PCR was quite unsatisfactory, further discussion about it was omitted here. The principle of SVR was introduced in our previous papers (Liang et al., 2014 and Zou et al., 2014) and Smola’s paper (Smola, 1996). In this study, the radial basis function (RBF) kernel was used as the kernel function of SVR. There are three parameters about the RBF kernel, including γ, С and ε. In this study, the parameter ε was set as 0.01 and the other two were optimized using gird searching method.

After all the three steps of modeling, 225 wavelengths were selected by correlation coefficient method and MSC was the best pretreatment method. The optimum parameters γ and С for SVR were 0.0625 and 2048, respectively. 11 outliers for SVR and 16 outliers for PLS were excluded, respectively. The PLS and SVR models for all the six kinds of oils were listed in Table 3. It is obvious that the integrate model by SVR had much better performance than the PLS model.

ผลลัพธ์ (ไทย) 2:

3.3 บูรณาการแบบจำลองเชิงปริมาณของ AV สำหรับทุกหกชนิดของน้ำมันหอมรูปแบบของแต่ละบุคคลที่ได้รับดังกล่าวข้างต้นเท่านั้นที่สามารถนำไปใช้กับการทำนายAV ของชนิดที่กำหนดของน้ำมันซึ่งเป็นชนิดเดียวกันของน้ำมันที่ใช้สำหรับการสร้างแบบจำลองจึงเป็นสิ่งที่จำเป็นที่จะต้องตรวจสอบให้แน่ใจ การเรียงลำดับของตัวอย่างน้ำมันก่อนที่จะมีการทำนายดังนั้นการบังคับใช้อาจมี จำกัด เพื่อขยายการประยุกต์ใช้วิธีการนี้เป็นรูปแบบบูรณาการโดยใช้ข้อมูลทั้งหมดที่สเปกตรัมของหกชนิดของน้ำมันก็พยายามที่จะสร้าง 384 ตัวอย่างของหกชนิดของน้ำมันถูกแบ่งออกเป็นชุดการสอบเทียบ (n = 288 ซึ่งใน 48 ตัวอย่างของชนิดของน้ำมันแต่ละรวม) และการทำนายชุด (n = 96, ที่ 16 ตัวอย่างของชนิดของน้ำมันแต่ละ ถูกรวม) กับหลักการของการกระจายของกระแส ขั้นตอนการสร้างแบบจำลองนี้ยังรวมถึงสามขั้นตอนการเลือกความยาวคลื่นสเปกตรัมการปรับสภาพและการยกเว้นค่าผิดปกติในขณะที่การดำเนินการในการพัฒนารูปแบบของแต่ละบุคคลดังกล่าวข้างต้น. เนื่องจากความหลากหลายสเปกตรัมที่เห็นได้ชัดของหกชนิดของน้ำมันหอมวิธีการเลือกความยาวคลื่นหลายแห่งรวมถึง iPLS, uninformative ตัวแปรกำจัด (UVE) และวิธีการที่ค่าสัมประสิทธิ์สหสัมพันธ์ได้ที่จะได้รับการตรวจสอบความยาวคลื่นที่เหมาะสม UVE สามารถกำจัดตัวแปรที่ไม่มีตัวแปรข้อมูลมากขึ้นสำหรับการสร้างแบบจำลองกว่าเสียงและการจ้างตัวแปรที่เลือกโดย UVE การสร้างแบบจำลองสามารถหลีกเลี่ยงรูปแบบที่เหมาะสมกว่าและมักจะเป็นความสามารถในการคาดการณ์การปรับปรุงของ (เจ้าวังมินและ 2008) ทฤษฎีและขั้นตอนวิธีการเกี่ยวกับการ UVE ที่สามารถพบได้ในเอกสารที่เขียนโดย Cai et al., 2008 และ Zou et al., 2010 ค่าสัมประสิทธิ์สหสัมพันธ์จะถูกคำนวณโดยเกี่ยวข้องกับความเข้มข้นและการดูดกลืนแสงในแต่ละความยาวคลื่น (ชู et al., 2004 และ Wu et al., 1995). PLS, PCR และขั้นตอนวิธีขั้นสูงอื่นสนับสนุนการถดถอยเวกเตอร์ (SVR) ถูกตรวจสอบสำหรับการสร้างแบบจำลอง เพราะผลจากการสร้างแบบจำลองโดยวิธี PCR เป็นที่น่าพอใจมากการอภิปรายต่อไปเกี่ยวกับเรื่องนี้ได้รับการละเว้นที่นี่ หลักการของ SVR ที่ถูกนำมาใช้ในเอกสารของเราก่อนหน้า (เหลียง et al., 2014 และ Zou et al., 2014) และกระดาษ Smola ของ (Smola, 1996) ในการศึกษานี้ฟังก์ชั่นพื้นฐานรัศมี (RBF) เคอร์เนลถูกใช้เป็นฟังก์ชันเคอร์เนลของ SVR มีสามพารามิเตอร์เกี่ยวกับเคอร์เนล RBF รวมทั้งγ, Сและεมี ในการศึกษานี้พารามิเตอร์εถูกกำหนดเป็น 0.01 และอีกสองคนโดยใช้วิธีการเพิ่มประสิทธิภาพการค้นหาล้อม. หลังจากที่ทุกสามขั้นตอนของการสร้างแบบจำลองความยาวคลื่น 225 ได้รับการคัดเลือกโดยวิธีการที่ค่าสัมประสิทธิ์สหสัมพันธ์และ MSC เป็นวิธีการปรับสภาพที่ดีที่สุด พารามิเตอร์ที่เหมาะสมแกมมาและСสำหรับ SVR เป็น 0.0625 และ 2048 ตามลำดับ 11 ค่าผิดปกติสำหรับ SVR และ 16 ค่าผิดปกติสำหรับ PLS ได้รับการยกเว้นตามลำดับ PLS และ SVR รุ่นสำหรับทุกหกชนิดของน้ำมันที่ถูกระบุไว้ในตารางที่ 3 จะเห็นได้ชัดว่ารูปแบบบูรณาการโดย SVR มีประสิทธิภาพที่ดีขึ้นกว่ารูปแบบ PLS

ผลลัพธ์ (ไทย) 3:

3.3 . การบูรณาการเชิงปริมาณแบบ AV ทั้งหมดหกชนิดของน้ำมัน

แต่ละรุ่นได้รับข้างต้นสามารถนำไปใช้ทำนาย AV ของระบุชนิดของน้ำมันซึ่งเป็นของชนิดเดียวกันของน้ำมันที่ใช้สำหรับการสร้างโมเดล จึงเป็นสิ่งจำเป็น เพื่อให้เป็นตัวอย่างน้ำมันก่อนจึงพยากรณ์ การใช้อาจจะ จำกัดเพื่อขยายการใช้วิธีนี้ เป็นการรวมรูปแบบการใช้ข้อมูลทั้งหมดของสเปกตรัมของหกชนิดของน้ำมันที่กำลังพยายามที่จะสร้าง การเอาตัวอย่างของหกชนิดของน้ำมันที่ถูกแยกเป็นชุดสอบเทียบ ( n = 0 ซึ่งใน 48 ตัวอย่างของแต่ละชนิดของน้ำมันที่ใช้ ) และการทำนายชุด ( n = 96 ,ที่ 16 ตัวอย่างของแต่ละชนิดของน้ำมันที่ใช้ ) ด้วยหลักการของการแจกแจงเอกรูป AV . แบบจำลองกระบวนการประกอบด้วยสามขั้นตอน : การเลือกความยาวคลื่นของสเปกตรัมและค่าการตัดที่ทำในการพัฒนาของแต่ละรุ่นข้างบน

เนื่องจากสเปกตรัมความหลากหลายชัดเจนของหกชนิดของน้ำมันที่ วิธีการ เลือก รวมทั้ง ipls ความยาวคลื่นหลาย ,ตัวแปรที่ไม่ได้ให้ตัด ( uve ) และวิธีสัมประสิทธิ์ เป็นการศึกษาเพื่อให้ได้แสงที่เหมาะสม uve สามารถกำจัดตัวแปรที่ไม่มีตัวแปรข้อมูลเพิ่มเติมสำหรับการจำลองกว่าเสียง และใช้ตัวแปรคัดสรร โดย uve การจำลองสามารถหลีกเลี่ยงรูปแบบที่เหมาะสมและมักจะปรับปรุงความสามารถในการทำนายของ ( ท่าน วัง &มิน , 2008 )ทฤษฎีและวิธีการเกี่ยวกับ uve สามารถพบได้ในเอกสารที่เขียนโดยไช่ et al . , 2008 และ Zou et al . , 2010 สัมประสิทธิ์สหสัมพันธ์ที่คำนวณโดยสัมพันธ์กับความเข้มข้นและการดูดกลืนแสงในแต่ละความยาวคลื่น ( ชู et al . , 2004 และ Wu et al . , 1995 ) .

กรุณา , PCR และอีกขั้นสูงขั้นตอนวิธีการสนับสนุนเวกเตอร์การถดถอย ( SVR ) ศึกษาแบบเพราะผลของแบบจำลองโดยวิธี PCR ค่อนข้างน่าพอใจ การอภิปรายเพิ่มเติมเกี่ยวกับมันไว้ที่นี่ หลักการกล่าวแนะนำในเอกสารของเรา ก่อนหน้านี้ ( Liang et al . , 2014 และ Zou et al . , 2010 ) และกระดาษ smola ( smola , 1996 ) ในการศึกษานี้ ฟังก์ชั่นพื้นฐานรัศมี ( RBF ) เคอร์เนลใช้เคอร์เนลฟังก์ชันของ SVR . มีสามพารามิเตอร์เกี่ยวกับฐานเคอร์เนลรวมγСε , และ . ในการศึกษานี้ εพารามิเตอร์ถูกตั้งค่าเป็น 0.01 และอีกสองคนใช้คาดการปรับวิธี

หลังจากทั้งหมดสามขั้นตอนของการสร้างโมเดล จำนวน 225 ความยาวคลื่น โดยวิธีหาค่าสัมประสิทธิ์สหสัมพันธ์ และ MSC เป็นวิธีการที่ดีที่สุด พารามิเตอร์ที่เหมาะสมและได้ผล สำหรับγСกล่าวกับ 2048 ตามลำดับ11 ค่าผิดปกติและผิดปกติสำหรับ SVR 16 กรุณาได้รับการยกเว้น ตามลำดับ pls กล่าวและรูปแบบทั้งหมดหกชนิดของน้ำมันที่ถูกแสดงไว้ในตารางที่ 3 มันเป็นที่ชัดเจนว่ารูปแบบโดยรวม SVR มีสมรรถนะดีกว่า pls รูปแบบ