理论教育 偏最小二乘(PLS)法解析

偏最小二乘(PLS)法解析

时间:2023-06-22 理论教育 版权反馈
【摘要】:PLS通过因子分析将光谱压缩为较低维空间数据,其方法是将光谱数据向协方差最大方向投影。偏最小二乘法也是一种多元回归算法。类似PCR,对光谱矩阵X进行分解,去除其中无效的噪声干扰。4)PLS是多元线性回归和主成分分析的完美结合,显著提高了校正模型的预测能力。正因为PLS的如上优点,在很多领域中,该方法得到了广泛的应用。

偏最小二乘(PLS)法解析

PLS通过因子分析光谱(多维空间数据,维数相当于波长数目)压缩为较低维空间数据,其方法是将光谱数据向协方差最大方向投影。将原近红外光谱分解为多种主成分光谱,不同近红外光谱的主成分分别代表不同组分和因素对光谱的贡献,通过对主成分的合理选取,去掉代表干扰组分和干扰因素主成分,仅选取有用的主成分参与质量参数的回归。较适合分析微量成分。

最小二乘法也是一种多元回归算法。类似PCR,对光谱矩阵X进行分解,去除其中无效的噪声干扰。同时,分解浓度矩阵Y,消除其中的无用信息。并且,在分解光谱矩阵X的同时考虑了浓度矩阵Y的影响,其实质是将矩阵分解和回归并为一步。在每计算一个新主成分之前,将X的得分矩阵T与矩阵Y的得分U矩阵进行交换,使得到X主成分直接与Y关联。这样就弥补了PCR方法只针对X进行分解的缺点。

PLS算法如下所示:

PLS首先对光谱矩阵X和浓度矩阵Y进行分解,其模型如式(2-38)和式(2-39)所示:

X=TP+E (2-38)

Y=UQ+F (2-39)

其中,TX矩阵的得分矩阵;UY矩阵的得分矩阵;PX矩阵的载荷矩阵;QY矩阵的载荷矩阵;EX矩阵的PLS拟合残差矩阵;FY矩阵的PLS拟合残差矩阵。

PLS第二步是将TU线性回归,如式(2-40)和式(2-41)所示:

U=TB (2-40)

T=(TTT-1TTY (2-41)(www.daowen.com)

在预测时,首先根据P求出未知样品光谱矩阵X未知的得分矩阵T未知,然后求得浓度预测值,如式(2-42)所示:

Y未知=T未知BQ (2-42)

PLS在应用中显示出了其独特的优越性:

1)灵活地使用光谱数据,可以根据需要使用全部或者部分光谱数据而达到很好的建模效果。

2)将特征矢量与被测成分相关,即把数据分解与回归同时进行,有效地融合在一起。

3)适用于处理样品数量少,但是变量相对较多的问题。

4)PLS是多元线性回归和主成分分析的完美结合,显著提高了校正模型的预测能力。

正因为PLS的如上优点,在很多领域中,该方法得到了广泛的应用。

免责声明:以上内容源自网络,版权归原作者所有,如有侵犯您的原创版权请告知,我们将尽快删除相关内容。

我要反馈