为优选小麦粉蛋白质近红外建模校正集,在传统K/S(Kennard/Stone)方法划分的初始校正集基础上采用二进制蜻蜓算法(binary dragonfly algorithm,BDA)挑选代表性样品,建立小麦粉蛋白质含量偏最小二乘回归(partial least square regression,...
详细信息
为优选小麦粉蛋白质近红外建模校正集,在传统K/S(Kennard/Stone)方法划分的初始校正集基础上采用二进制蜻蜓算法(binary dragonfly algorithm,BDA)挑选代表性样品,建立小麦粉蛋白质含量偏最小二乘回归(partial least square regression,PLSR)模型,并用预测集检验评估模型的稳定性及预测性能。结果表明:BDA挑选出的最佳校正集样品数量为30个,所建模型的预测决定系数(R_(p)^(2))为0.9564,预测标准偏差(root mean square errors of prediction,RMSEP)为0.2781,与传统K/S划分的100个初始校正集的建模效果(R_(p)^(2):0.9388,RMSEP:0.3294)相比,R_(p)^(2)提高了1.87%,RMSEP降低了15.57%。10次BDA实验优选出校正集的平均数量为30.2个,且所建10个模型蛋白质含量预测效果均优于初始校正集建模。综上,BDA算法可以优选出数量少、具有代表性的校正集样品,建立的小麦粉蛋白质PLSR模型稳定性好、预测精度高,可为小麦粉品质近红外检测分析提供一种高效的校正集优选方法。
针对锂电池健康状态(SOH)估算精度低、高斯过程回归(Gaussian process regression,GPR)容易陷入局部最优和收敛速度慢的问题,采用蜻蜓算法(dragonfly algorithm,DA)对GPR的超参数进行寻优,实现锂电池非线性衰退的精确估算。将提取的健...
详细信息
针对锂电池健康状态(SOH)估算精度低、高斯过程回归(Gaussian process regression,GPR)容易陷入局部最优和收敛速度慢的问题,采用蜻蜓算法(dragonfly algorithm,DA)对GPR的超参数进行寻优,实现锂电池非线性衰退的精确估算。将提取的健康因子作为输入特征,利用DA-GPR算法建立锂电池退化模型对NASA电池数据集SOH进行预测。首先,分别采用B0005、B0006和B0007电池前75次循环作为训练集,剩余90次循环作为测试集,其结果均方根误差(RMSE)不超过0.147;其次,为了验证DA-GPR在小样本条件预测的准确性,分别选取B0005前10次循环和前30次循环作为训练集,其余作为测试集,其中前10次循环作为训练集的RMSE值为1.7563,前30次循环作为训练集的RMSE值为0.15071;最后,为了验证DA-GPR的泛化性,选择B0006和B0007作为训练集,B0005作为测试集,其RMSE值为0.7744。
暂无评论