现代光谱分析中的化学计量学方法

1 绪论 / 001
1．1 化学计量学概述 001
1．1．1 化学计量学起源、定义和发展历程 001
1．1．2 化学计量学研究的内容 003
1．1．3 化学计量学方法的必要性 005
1．1．4 应用化学计量学方法需注意的问题 009
1．2 光谱结合化学计量学的分析方法 010
1．2．1 校正模型的建立 010
1．2．2 常规分析 014
1．2．3 方法的特点 014
1．3 现代光谱分析技术的开端——Karl Norris 的贡献 016
参考文献 022

2 现代光谱分析技术 / 026
2．1 引言 026
2．2 近红外光谱 028
2．2．1 微型近红外分析技术 029
2．2．2 在线近红外分析技术 030
2．2．3 近红外光谱标准方法 032
2．3 中红外光谱 036
2．3．1 便携式中红外分析技术 036
2．3．2 在线中红外分析技术 037
2．4 拉曼光谱 037
2．4．1 傅里叶拉曼光谱 038
2．4．2 表面增强拉曼光谱 038
2．4．3 共聚焦拉曼光谱 039
2．4．4 空间偏移拉曼光谱 040
2．4．5 透射拉曼光谱 041
2．4．6 便携式拉曼分析技术 042
2．4．7 光纤拉曼分析技术 043
2．5 紫外-可见光谱 044
2．6 分子荧光光谱 046
2．6．1 三维荧光光谱 046
2．6．2 激光诱导荧光光谱 047
2．7 低场核磁共振谱 048
2．8 太赫兹光谱 049
2．9 激光诱导击穿光谱 051
2．10 光谱成像 052
参考文献 056

3 矩阵和数理统计基础 / 064
3．1 矩阵基础 064
3．2 朗伯-比尔定律的矩阵表示 066
3．3 方差和正态分布 066
3．4 显著性检验 069
3．5 相关系数 070
3．6 协方差与协方差矩阵 071
3．7 多变量的图表示法 073
3．7．1 样本的空间表示 073
3．7．2 箱须图 073
3．7．3 雷达图 075 参考文献 077

4 光谱预处理方法 / 079
4．1 均值中心化 079
4．2 标准化 080
4．3 归一化 080
4．4 平滑去噪 081
4．4．1 移动平均平滑 081
4．4．2 Savitzky-Golay卷积平滑 083
4．4．3 傅里叶变换和小波变换 084
4．5 连续统去除法 085
4．6 自适应迭代重加权惩罚*小二乘 085
4．7 导数 087
4．7．1 Norris方法 087
4．7．2 Savitzky-Golay卷积求导 087
4．7．3 小波变换求导 089
4．7．4 分数阶导数 091
4．8 SNV 和去趋势 092
4．9 乘性散射校正 094
4．10 向量角转换 095
4．11 傅里叶变换 096
4．12 小波变换 098
4．13 图像矩方法 103
4．14 外部参数正交化 104
4．15 广义*小二乘加权 105
4．16 载荷空间标准化 106
4．17 斜投影 106
4．18 正交信号校正 106
4．18．1 Wold算法 107
4．18．2 Fearn算法 107
4．18．3 DOSC算法 108
4．18．4 DO 算法 108
4．18．5 正交信号校正算法的应用研究 109
4．19 净分析信号 109
4．20 光程估计与校正 110
4．21 二维相关光谱方法 111
参考文献 112

5 波长变量选择方法 / 118
5．1 相关系数和方差分析方法 118
5．2 交互式自模型混合物分析方法 120
5．3 连续投影方法 121
5．4 变量投影重要性方法 122
5．5 无信息变量消除方法 122
5．6 竞争性自适应重加权采样方法 124
5．7 间隔 PLS 方法 124
5．8 移动窗口 PLS 方法 125
5．9 递归加权 PLS 方法 126
5．10 全局优化的方法 126
5．10．1 遗传算法 126
5．10．2 模拟退火算法 129
5．10．3 粒子群算法 129
5．10．4 蚁群算法 130
5．11 迭代保留信息变量方法 131
5．12 其他方法 133
5．13 波长选择算法的联合与融合 133
5．14 光谱预处理和波长选取方法的选择 134
参考文献 137

6 光谱降维方法 / 144
6．1 多重共线性问题 144
6．2 主成分分析 146
6．2．1 主成分分析基本原理 146
6．2．2 主成分数的确定 148
6．2．3 主成分分析算法 149
6．2．4 主成分分析的应用 149
6．2．5 多元分辨交替*小二乘 149
6．2．6 目标波段熵*小化 150
6．2．7 多级同时成分分析 151
6．3 非负矩阵因子分解 152
6．4 独立成分分析 153
6．5 多维尺度变换 154
6．6 Isomap 方法 155
6．7 局部线性嵌入算法 156
6．8 t-分布式随机邻域嵌入算法 157
6．9 其他算法 158
参考文献 159

7 线性校正方法 / 162
7．1 一元线性回归 162
7．2 多元线性回归 162
7．3 浓度残差增广*小二乘回归 163
7．4 逐步线性回归 164
7．5 岭回归 164
7．6 Lasso 回归 165
7．7 *小角回归 166
7．8 弹性网络 167
7．9 主成分回归 168
7．9．1 基本原理 168
7．9．2 选取*佳主因子数的方法 168
7．10 偏*小二乘回归 171
参考文献 174

8 非线性校正方法 / 176
8．1 人工神经网络 176
8．1．1 引言 176
8．1．2 BP神经网络及其算法 179
8．1．3 BP神经网络的设计 182
8．1．4 其他类型的神经网络 184
8．1．5 神经网络参数的优化 185
8．2 支持向量机 186
8．2．1 引言 186
8．2．2 支持向量回归 190
8．2．3 *小二乘支持向量回归 192
8．2．4 支持向量回归参数的优化 193
8．3 相关向量机 194
8．4 核偏*小二乘法 195
8．5 极限学习机 196
8．6 高斯过程回归 198
参考文献 200

9 校正样本的选择方法 / 203
9．1 引言 203
9．2 Kennard-Stone 方法 206
9．3 SPXY 方法 207
9．4 OptiSim 方法 208
9．5 其他方法 208
参考文献 210

10 界外样本的检测方法 / 212
10．1 校正过程界外样本的检测 212
10．2 预测过程界外样本的检测 212
10．3 其他检测方法 214
参考文献 215

11 定量校正模型的维护更新 / 217
11．1 必要性 217
11．2 递归指数加权 PLS 方法 221
11．3 块式递归 PLS 方法 221
11．4 即时学习与主动学习 223
参考文献 223

12 模式识别方法 / 225
12．1 引言 225
12．2 无监督的模式识别方法 226
12．2．1 相似系数和距离 226
12．2．2 系统聚类分析 228
12．2．3 K-均值聚类方法 229
12．2．4 模糊 K-均值聚类方法 230
12．2．5 高斯混合模型 231
12．2．6 自组织神经网络 232
12．3 有监督的模式识别方法 234
12．3．1 *小距离判别法 234
12．3．2 典型变量分析 234
12．3．3 K-*近邻法 237
12．3．4 SIMCA 法 238
12．3．5 Logistic回归 239
12．3．6 Softmax分类器 241
12．3．7 随机森林 242
12．3．8 回归方法用于判别分析 244
12．4 光谱检索算法及其应用 245
12．4．1 引言 245
12．4．2 光谱检索基本算法 246
12．4．3 光谱检索算法的改进与应用 248
12．4．4 光谱检索策略与应用 251
参考文献 254

13 模型的评价 / 259
13．1 定量校正模型的评价 259
13．1．1 评价参数 259
13．1．2 模型的评价 261
13．1．3 模型的统计报告 266
13．2 模式识别模型性能的评价 266
参考文献 270

14 提高模型预测能力的方法 / 272
14．1 提高稳健性的建模策略 272
14．2 基于局部样本的建模策略 273
14．3 集成的建模策略 275
14．3．1 Bagging方法 275
14．3．2 Boosting方法 276
14．3．3 叠加PLS方法 278
14．3．4 堆栈泛化算法 280
14．4 虚拟样本建模策略 281
14．5 半监督学习方法 283
14．6 多目标回归策略 285
参考文献 285

15 多光谱融合技术 / 290
15．1 融合策略与方法 290
15．2 多块偏*小二乘方法 294
15．3 序贯正交偏*小二乘方法 295
15．4 多光谱融合的应用研究 296
15．5 展望 300
参考文献 300

16 多维分辨和校正方法 / 303
16．1 引言 303
16．2 PARAFAC 方法 305
16．3 交替三线性分解方法 306
16．4 多维偏*小二乘法 307
参考文献 309

17 模型传递方法 / 311
17．1 引言 311
17．2 经典算法 312
17．2．1 SSC算法 313
17．2．2 Shenk??s算法 313
17．2．3 DS算法 313
17．2．4 PDS算法 313
17．2．5 普鲁克分析算法 315
17．2．6 目标转换因子分析算法 315
17．2．7 *大似然主成分分析算法 315
17．2．8 SBC算法 316
17．3 经典算法的改进 316
17．4 算法新进展 319
17．4．1 CCA 算法 319
17．4．2 SST算法 320
17．4．3 ATLD算法 320
17．4．4 MTL算法 321
17．4．5 GLS算法 322
17．4．6 其他算法 322
17．5 全局模型、稳健模型和模型更新 325
17．6 应用研究进展 329
17．6．1 SBC方法 329
17．6．2 SSC方法 329
17．6．3 Shenk??s方法 330
17．6．4 DS方法 330
17．6．5 PDS方法 331
17．6．6 CCA 方法 333
17．6．7 全局模型的建立 334
17．6．8 其他方法 334
参考文献 335

18 深度学习算法 / 354
18．1 栈式自动编码器 354
18．2 卷积神经网络 357
18．2．1 卷积神经网络的基本构成 357
18．2．2 优化算法 361
18．2．3 损失函数 362
18．2．4 激活函数 363
18．2．5 防止过拟合的方法 365
18．2．6 经典的卷积神经网络架构 367
18．2．7 流行的深度学习软件框架 371
18．2．8 卷积神经网络的设计 372
18．2．9 卷积神经网络的训练 374
18．2．10 卷积神经网络的优缺点 376
18．2．11 卷积神经网络的应用研究 376
18．3 深度信念网络 383
18．4 迁移学习 385
参考文献 387

19 化学计量学软件和工具包 / 391
19．1 引言 391
19．2 软件的基本构架和功能 391
19．3 常用软件与工具箱 394
参考文献 395

20 若干问题的探讨 / 398
20．1 不同光谱分析技术的比较 398
20．2 化学计量学方法的选择 400
20．2．1 多元校正方法的选择 401
20．2．2 模式识别方法的选择 401
20．2．3 光谱预处理方法和光谱变量的选择 403
20．3 模型预测能力影响因素浅析 404
20．3．1 校正样本的影响 404
20．3．2 基础数据的影响 406
20．3．3 光谱测量方式的影响 409
20．3．4 光谱采集条件的影响 410
20．3．5 仪器性能的影响 414
20．4 展望 414
参考文献 416

缩略语表 / 421

后记 / 433