智能控制翻译

智能控制导论大作业学号：021151**姓名：**任课教师:吴**目录一、说明…………………………………………………………………I.文章出处…………………………………………………………二、论文翻译……………………………………………………………I.摘要……………………………………………………………… II.引言……………………………………………………………… III.背景信息…………………………………………………………… IV.神经网络整体结构……………………………………………… V.神经网络的整体的标定中的应用……………………………… VI.总结………………………………………………………………三、课程与论文关系……………………………………………………四、智能导论课程总结…………………………………………………一、说明本次大作业针对“Improved Calibration of Near-Infrared Spectra by Using Ensembles of Neural Network Models”文章进行翻译。

这篇文章摘自IEEE SENSORS JOURNAL, VOL. 10, NO. 3, MARCH 2010。

作者是Abhisek Ukil, Member, IEEE, Jakob Bernasconi, Hubert Braendle, Henry Buijs, and Sacha Bonenfant。

二、论文翻译利用神经网络模型整体对近红外光谱校正改进摘要:红外（IR）或近红外（NIR）光谱技术是用来识别一种混合物或来分析材料的组成的方法。

NIR光谱的校准是指利用光谱的多变量描述来预测各组分的浓度。

建立一个校正模型，最先进的软件主要使用线性回归技术。

对于非线性校正问题，基于神经网络的模型已经被证明是一个有意义的选择。

在本文中，我们提出了一个新的基于神经网络的扩展传统的方法，利用神经网络模型整体。

个别神经网络是从重采样与引导或交叉验证技术训练信息数据中获得。

在一个现实的校准实施例中得到的结果表明，该集合为基础的方法，会产生一个比传统的回归方法更显著更精确和鲁棒性强的校准模型。

关键词：自举，校准，计量学，交叉验证，傅立叶变换，近红外（NIR），近红外光谱仪，神经网络，光谱。

I.引言:红外（IR）或近红外（NIR）光谱技术是用来识别一种混合物或来分析材料的组成的方法。

这是通过学习物质与红外光间相互作用而完成的。

红外/近红外光谱是指红外光的吸收为波长的函数。

在红外光谱中，考虑的频率范围通常是14000和10厘米分之一。

注意，所施加的频率刻度是波数（以厘米倒数为单位），而不是波长（以微米为单位）。

该材料在不同频率下的吸收测定中的百分比。

“化学计量学”是数学和统计方法的应用，以化学数据的分析，例如，多元校正，信号处理/调节，模式识别，实验设计等。

在化学计量学，校准是通过使用光谱多变量描述符来预测不同成分的浓度来实现。

在本文中，我们提出并分析采用基于神经网络的校正模型整体。

整体的个别型通过重新取样与引导或交叉验证技术的原始训练数据的实现。

该集成模型被示为导致显著改善预测精度和鲁棒性，当与常规的校准方法相比。

在本文的其余部分安排如下。

在第二节中，提供有关工作的背景信息。

这包括使用的光谱仪，数据采样，目前最先进的校准方法和基于神经网络的校准模型的信息。

第三节介绍了利用神经网络整体的概念。

神经网络模型的集成应用校准的目的的一个例子是在第四节和第五节总结了我们的结论。

II.背景信息：A.仪器在这项研究中，傅立叶变换近红外光谱仪，型号ABB FTLA2000-160，FTPA2000-160，从ABB 分析（BOMEM），魁北克，加拿大被使用。

B.数据集和样品光谱在本研究中使用的数据是一组493个样本的清洗液，主要是用来从计算机芯片的硅表面上去除微粒。

该溶液具有两个化学成分，以下简称为组件1或C 1和组分2或C 2。

部件1的浓度是在大约的范围从0％到3％，并且该组件2从0％至7％，其余成分为水。

这样的解决方案以不同浓度的组分1和2的光谱收集在不同温度下，并用前面提到的光谱仪。

样品光谱的测定在单光束方式，然后转化成相对于一个参考光谱的相对吸收光谱。

这显示在图1图1.样品的光谱采集从图1，可以看出，下面5000厘米-1区域不能使用，因为它是低于检测器的截止限制，并且5000-7200厘米-1之间的区域经常被水饱和。

通常，我们使用了范围7600和11000厘米-1之间，其中光谱不是太嘈杂，而吸光率低于1。

采集后，其光谱基线被校正，和用于整个实验的相应的493光谱示于图2。

图2.493本研究中使用的光谱基线校正C.校准计量学发现从频谱，导致在材料的组合物所期望的信息模型参数的过程称为校准。

在化学计量学，校准是通过使用光谱多变量描述符来预测各组分的浓度来实现。

在化学计量校准的顺序的步骤示于下图。

光谱先经过预处理的标准技术，如多元散射校正，基线校正,Savitzsky-Golay平滑等，以补偿由于不同类型的仪器变化，改变在实验室条件下，改变了探针，等等。

在此之后，修正的光谱变换成特征矢量与数据点的数量减少。

使用诸如简单的波长选择（如技术，选择每一个这是通过n次波数），偏最小二乘（PLS），主成分分析（PCA）等数据减少是必要的，以避免校正模型，这将导致不好结果的过度拟合。

之后的预处理和数据还原步骤，回归模型是使用频谱特征向量和从实验室试验所测量的化学物浓度建立。

相应的校准模型可以是线性的（例如，线性回归）或非线性（如神经网络）。

图3. 在近红外光谱的校准的典型步骤图4.一个多层感知器的基本结构D.校正的神经网络为基础的模式人工神经网络（ANN，或者NNS）是由生物神经系统的启发，并包含简单的处理单元（人工神经元）且由加权连接互连。

主要使用结构是一个多层前馈网络（多层感知器），即在节点（神经元）被布置在多个层（输入层，隐含层，输出层）和信息流是唯一的相邻层，见图4。

一种人工神经元是一个非常简单的处理单元。

它可以计算其输入的加权和，并把它传递通过一个非线性传递函数来产生输出信号。

在主要使用的传递函数是所谓的“S形”或“挤压”作用，压缩一个无限大的输入范围是有限的输出范围。

神经网络可以被“训练”，以解决难以通过常规的计算机算法来解决问题。

训练是指连接权重的调整，基于多个训练实例是由指定的输入和相应的目标输出。

训练是一个渐进的过程，其中一个训练样本的每个演示文稿后，进行权重调整，以减少网络和目标输出之间的差异。

流行的学习算法是梯度下降（例如，误差反向传播），赫布学习，径向基函数的调整等。

虽然目前的最先进的校准软件主要依靠线性回归，神经网络越来越多地用于化学计量校准的目的，特别是当光谱和组分浓度之间的关系被怀疑是非线性的。

例如，讨论了利用人工神经网络作为可能的候选人的近红外光谱数据的多元校正。

Geladi用PLS和ANN建立校正模型，并Duponchel利用人工神经网络用于近红外光谱仪的标准化。

Benoudjit比较了不同的非线性技术和人工神经网络识别为基础的方法是一个很有前途的技术为化学计量校准。

Kohonen 神经网络已用于校准的问题在吸收光谱由海顿和古达克采用基于神经网络技术的标准化和质谱仪实验室间的校准。

对于神经网络的应用程序的校验问题的其他例子由布里尔顿引用。

我们目前工作的动机，超越了利用神经网络的近红外光谱仪的校准。

为了提高基于ANN 的校准方法的精度和鲁棒性，我们建议使用一个的整体的神经网络模型。

在本文的其余部分，相应的方法将被引入讨论，最后施加到所述数据集中的第Ⅱ-B 。

III.神经网络整体结构A 预测模型的组合非线性校正模型，如神经网络，有许多比传统的线性回归模型的优势。

神经网络的弱点，就是相应的学习算法只能保证收敛到最近的局部最优。

不同的初始权重，例如，可能会因此导致不同的校准模式。

另一方面，可以变成以神经网络为基础的校准方法的另一个优点。

众所周知，不同的预测模式的组合可以导致预测精度大幅度提高。

此外，相应的集合预测也比单一模型的预测更强劲。

在这里，我们限制我们的讨论，以最简单的组合（即算术平均）n 个人预测。

使用一些代数，我们可以证明下面的有趣的关系：其中:也被称为“模糊”，并代表该个体的预测的方差。

方程表明，该集合的预测误差总是比单独预测的平均预测误差小。

我们还看到，在准确的增益与个人的预测（前提是他们的平均预测误差不按比例增长）之间的分歧日益增大。

神经网络特别适合于产生不同的单独的预测模型。

我们可以，例如，改变网络的体系结构（例如，隐藏单元的数量）或简单地使用不同的初始权值或训练样本的不同子集。

在我们的分析中，我们主要用来引导和交叉验证，以产生不同的神经网络的校正模型的整体。

这两种技术进行了简要简要说明。

B .自举个体神经网络的训练与不同的训练集是从训练样本集随机选择的样本生成。

因此，所有的训练集的样本数与原来的训练集相同，但在每一组中，一些样品发生丢失而一些发生几次丢失。

最初开发估计的统计估计的抽样分布。

从有限的数据，自举技术在无数的工程领域得以应用。

C.交叉验证整体 在神经网络的“交叉验证整体”，从现有的一套产生不同的训练集留出一个给定数量的训练样本样品。

该训练集对个体校正模型，因此，所有的组成样品，并且它们应优选被选择，使得它们具有最小的重叠。

D.置信区间的估计 可以证明，预测的标准偏差，即模糊的平方根可以用于构造置信区间的集合预报:其中取决于所需的置信水平。

必须指出的是，这些置信区间仅反映了模型的不确定性，对于一组给定的训练样本并且不包括出现的。

例如，从测量误差，并从不同的测量条件下预测的不确定性。

标准差之间的相关性和预测误差呈现从一个简单的测试一些说明性的结果与数据的数量有限（20培训和60的测试样品，从数据集，在所述取第Ⅱ-B ）。

结果示于图5，其指的是10线性回归模型的整体对于组分1（基于频谱的前六个主要部件和在该测量是在温度）。

个别线性回归模型对应不同的自举训练集。

图5.置信区间来自对光谱数据校准的一个简单的集成模型，图1表明，20个训练样本图2显示60个测试样品从DataSet中提到的第II-BIV.神经网络的整体的标定中的应用在本节中，我们使用基于神经网络的校正模型整体这一概念中描述的示例数据集的优势来进行仿真演示。

对于第一组测试结果，我们开始了训练组包括27个样品，从现有的493样品，即随机选择的，我们有466样本作为测试数据。

在每次迭代中，我们再加入30个随机选择的样本训练集。

对于特征矢量的结构，我们使用PLS 和PCA 与5的系数。

要生成整体的个别型号，我们采用自举（70引导模式）或交叉验证（离开了样本的20％）。