Bagging偏最小二乘和Boosting偏最小二乘算法的金银花醇沉过程近红外光谱定量模型预测能力研究
陈昭 吴志生 史新 元徐+冰赵+娜乔延江
1引言
近红外光谱（Near infrared spectroscopy，NIR）技术作为一种快速、无损、环保的光谱分析技术，已经广泛应用于医药领域＼[1，2＼]。对于中药复杂体系中多组分低含量特征，近红外结合各种算法实现了对其软测量分析。在金银花醇沉过程研究中，加醇过程和最终量是中药制药过程控制的关键点。在加醇过程控制方面，采用多变量统计过程控制（MSPC）监控模型＼[3＼]，使监控模型更加灵敏、稳健。在加醇终点检测方面＼[4＼]，采用主成分分析结合移动块相对标准偏差（PCAMBRSD）法，从正常加醇过程NIR数据中获得理想终点样本，由理想终点样本构成加醇过程终点的设计空间，进而实现准确判断加醇终点。在金银花（Lonicera japonica）醇沉过程中绿原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用准确性轮廓分析绿原酸含量， 该PLS模型具有稳健性和准确性＼[5＼]。
以金银花醇沉过程中绿原酸的NIR数据为载体，运用BaggingPLS和BoostingPLS算法，建立准确、稳健的NIR模型。Bagging和Boosting作为两种代表性较强的集成算法，具有较高预测精度。将Bagging和Boosting引入到经典的PLS定量模型中，提高模型泛化能力，减小模型预测方差＼[6＼]，这给中药NIR定量模型快速预测提供较好的借鉴。
2实验部分
2.1实验数据
1引言
近红外光谱（Near infrared spectroscopy，NIR）技术作为一种快速、无损、环保的光谱分析技术，已经广泛应用于医药领域＼[1，2＼]。对于中药复杂体系中多组分低含量特征，近红外结合各种算法实现了对其软测量分析。在金银花醇沉过程研究中，加醇过程和最终量是中药制药过程控制的关键点。在加醇过程控制方面，采用多变量统计过程控制（MSPC）监控模型＼[3＼]，使监控模型更加灵敏、稳健。在加醇终点检测方面＼[4＼]，采用主成分分析结合移动块相对标准偏差（PCAMBRSD）法，从正常加醇过程NIR数据中获得理想终点样本，由理想终点样本构成加醇过程终点的设计空间，进而实现准确判断加醇终点。在金银花（Lonicera japonica）醇沉过程中绿原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用准确性轮廓分析绿原酸含量， 该PLS模型具有稳健性和准确性＼[5＼]。
以金银花醇沉过程中绿原酸的NIR数据为载体，运用BaggingPLS和BoostingPLS算法，建立准确、稳健的NIR模型。Bagging和Boosting作为两种代表性较强的集成算法，具有较高预测精度。将Bagging和Boosting引入到经典的PLS定量模型中，提高模型泛化能力，减小模型预测方差＼[6＼]，这给中药NIR定量模型快速预测提供较好的借鉴。
2实验部分
2.1实验数据
1引言
近红外光谱（Near infrared spectroscopy，NIR）技术作为一种快速、无损、环保的光谱分析技术，已经广泛应用于医药领域＼[1，2＼]。对于中药复杂体系中多组分低含量特征，近红外结合各种算法实现了对其软测量分析。在金银花醇沉过程研究中，加醇过程和最终量是中药制药过程控制的关键点。在加醇过程控制方面，采用多变量统计过程控制（MSPC）监控模型＼[3＼]，使监控模型更加灵敏、稳健。在加醇终点检测方面＼[4＼]，采用主成分分析结合移动块相对标准偏差（PCAMBRSD）法，从正常加醇过程NIR数据中获得理想终点样本，由理想终点样本构成加醇过程终点的设计空间，进而实现准确判断加醇终点。在金银花（Lonicera japonica）醇沉过程中绿原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用准确性轮廓分析绿原酸含量， 该PLS模型具有稳健性和准确性＼[5＼]。
以金银花醇沉过程中绿原酸的NIR数据为载体，运用BaggingPLS和BoostingPLS算法，建立准确、稳健的NIR模型。Bagging和Boosting作为两种代表性较强的集成算法，具有较高预测精度。将Bagging和Boosting引入到经典的PLS定量模型中，提高模型泛化能力，减小模型预测方差＼[6＼]，这给中药NIR定量模型快速预测提供较好的借鉴。
2实验部分
2.1实验数据
1引言
近红外光谱（Near infrared spectroscopy，NIR）技术作为一种快速、无损、环保的光谱分析技术，已经广泛应用于医药领域＼[1，2＼]。对于中药复杂体系中多组分低含量特征，近红外结合各种算法实现了对其软测量分析。在金银花醇沉过程研究中，加醇过程和最终量是中药制药过程控制的关键点。在加醇过程控制方面，采用多变量统计过程控制（MSPC）监控模型＼[3＼]，使监控模型更加灵敏、稳健。在加醇终点检测方面＼[4＼]，采用主成分分析结合移动块相对标准偏差（PCAMBRSD）法，从正常加醇过程NIR数据中获得理想终点样本，由理想终点样本构成加醇过程终点的设计空间，进而实现准确判断加醇终点。在金银花（Lonicera japonica）醇沉过程中绿原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用准确性轮廓分析绿原酸含量， 该PLS模型具有稳健性和准确性＼[5＼]。
以金银花醇沉过程中绿原酸的NIR数据为载体，运用BaggingPLS和BoostingPLS算法，建立准确、稳健的NIR模型。Bagging和Boosting作为两种代表性较强的集成算法，具有较高预测精度。将Bagging和Boosting引入到经典的PLS定量模型中，提高模型泛化能力，减小模型预测方差＼[6＼]，这给中药NIR定量模型快速预测提供较好的借鉴。
2实验部分
2.1实验数据
1引言
近红外光谱（Near infrared spectroscopy，NIR）技术作为一种快速、无损、环保的光谱分析技术，已经广泛应用于医药领域＼[1，2＼]。对于中药复杂体系中多组分低含量特征，近红外结合各种算法实现了对其软测量分析。在金银花醇沉过程研究中，加醇过程和最终量是中药制药过程控制的关键点。在加醇过程控制方面，采用多变量统计过程控制（MSPC）监控模型＼[3＼]，使监控模型更加灵敏、稳健。在加醇终点检测方面＼[4＼]，采用主成分分析结合移动块相对标准偏差（PCAMBRSD）法，从正常加醇过程NIR数据中获得理想终点样本，由理想终点样本构成加醇过程终点的设计空间，进而实现准确判断加醇终点。在金银花（Lonicera japonica）醇沉过程中绿原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用准确性轮廓分析绿原酸含量， 该PLS模型具有稳健性和准确性＼[5＼]。
以金银花醇沉过程中绿原酸的NIR数据为载体，运用BaggingPLS和BoostingPLS算法，建立准确、稳健的NIR模型。Bagging和Boosting作为两种代表性较强的集成算法，具有较高预测精度。将Bagging和Boosting引入到经典的PLS定量模型中，提高模型泛化能力，减小模型预测方差＼[6＼]，这给中药NIR定量模型快速预测提供较好的借鉴。
2实验部分
2.1实验数据
1引言
近红外光谱（Near infrared spectroscopy，NIR）技术作为一种快速、无损、环保的光谱分析技术，已经广泛应用于医药领域＼[1，2＼]。对于中药复杂体系中多组分低含量特征，近红外结合各种算法实现了对其软测量分析。在金银花醇沉过程研究中，加醇过程和最终量是中药制药过程控制的关键点。在加醇过程控制方面，采用多变量统计过程控制（MSPC）监控模型＼[3＼]，使监控模型更加灵敏、稳健。在加醇终点检测方面＼[4＼]，采用主成分分析结合移动块相对标准偏差（PCAMBRSD）法，从正常加醇过程NIR数据中获得理想终点样本，由理想终点样本构成加醇过程终点的设计空间，进而实现准确判断加醇终点。在金银花（Lonicera japonica）醇沉过程中绿原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用准确性轮廓分析绿原酸含量， 该PLS模型具有稳健性和准确性＼[5＼]。
以金银花醇沉过程中绿原酸的NIR数据为载体，运用BaggingPLS和BoostingPLS算法，建立准确、稳健的NIR模型。Bagging和Boosting作为两种代表性较强的集成算法，具有较高预测精度。将Bagging和Boosting引入到经典的PLS定量模型中，提高模型泛化能力，减小模型预测方差＼[6＼]，这给中药NIR定量模型快速预测提供较好的借鉴。
2实验部分
2.1实验数据
