Bagging偏最小二乘和Boosting偏最小二乘算法的金銀花醇沉過程近紅外光譜定量模型預測能力研究

陳昭　吳志生 史新　元徐+冰趙+娜喬延江

1引言

近紅外光譜（Near infrared spectroscopy，NIR）技術作為一種快速、無損、環保的光譜分析技術，已經廣泛應用于醫藥領域＼[1，2＼]。對于中藥復雜體系中多組分低含量特征，近紅外結合各種算法實現了對其軟測量分析。在金銀花醇沉過程研究中，加醇過程和最終量是中藥制藥過程控制的關鍵點。在加醇過程控制方面，采用多變量統計過程控制（MSPC）監控模型＼[3＼]，使監控模型更加靈敏、穩健。在加醇終點檢測方面＼[4＼]，采用主成分分析結合移動塊相對標準偏差（PCAMBRSD）法，從正常加醇過程NIR數據中獲得理想終點樣本，由理想終點樣本構成加醇過程終點的設計空間，進而實現準確判斷加醇終點。在金銀花（Lonicera japonica）醇沉過程中綠原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用準確性輪廓分析綠原酸含量， 該PLS模型具有穩健性和準確性＼[5＼]。

以金銀花醇沉過程中綠原酸的NIR數據為載體，運用BaggingPLS和BoostingPLS算法，建立準確、穩健的NIR模型。Bagging和Boosting作為兩種代表性較強的集成算法，具有較高預測精度。將Bagging和Boosting引入到經典的PLS定量模型中，提高模型泛化能力，減小模型預測方差＼[6＼]，這給中藥NIR定量模型快速預測提供較好的借鑒。

2實驗部分

2.1實驗數據

1引言

近紅外光譜（Near infrared spectroscopy，NIR）技術作為一種快速、無損、環保的光譜分析技術，已經廣泛應用于醫藥領域＼[1，2＼]。對于中藥復雜體系中多組分低含量特征，近紅外結合各種算法實現了對其軟測量分析。在金銀花醇沉過程研究中，加醇過程和最終量是中藥制藥過程控制的關鍵點。在加醇過程控制方面，采用多變量統計過程控制（MSPC）監控模型＼[3＼]，使監控模型更加靈敏、穩健。在加醇終點檢測方面＼[4＼]，采用主成分分析結合移動塊相對標準偏差（PCAMBRSD）法，從正常加醇過程NIR數據中獲得理想終點樣本，由理想終點樣本構成加醇過程終點的設計空間，進而實現準確判斷加醇終點。在金銀花（Lonicera japonica）醇沉過程中綠原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用準確性輪廓分析綠原酸含量， 該PLS模型具有穩健性和準確性＼[5＼]。

以金銀花醇沉過程中綠原酸的NIR數據為載體，運用BaggingPLS和BoostingPLS算法，建立準確、穩健的NIR模型。Bagging和Boosting作為兩種代表性較強的集成算法，具有較高預測精度。將Bagging和Boosting引入到經典的PLS定量模型中，提高模型泛化能力，減小模型預測方差＼[6＼]，這給中藥NIR定量模型快速預測提供較好的借鑒。

2實驗部分

2.1實驗數據

1引言

近紅外光譜（Near infrared spectroscopy，NIR）技術作為一種快速、無損、環保的光譜分析技術，已經廣泛應用于醫藥領域＼[1，2＼]。對于中藥復雜體系中多組分低含量特征，近紅外結合各種算法實現了對其軟測量分析。在金銀花醇沉過程研究中，加醇過程和最終量是中藥制藥過程控制的關鍵點。在加醇過程控制方面，采用多變量統計過程控制（MSPC）監控模型＼[3＼]，使監控模型更加靈敏、穩健。在加醇終點檢測方面＼[4＼]，采用主成分分析結合移動塊相對標準偏差（PCAMBRSD）法，從正常加醇過程NIR數據中獲得理想終點樣本，由理想終點樣本構成加醇過程終點的設計空間，進而實現準確判斷加醇終點。在金銀花（Lonicera japonica）醇沉過程中綠原酸含量偏最小二乘法（Partial least squares， PLS）模型中，采用準確性輪廓分析綠原酸含量， 該PLS模型具有穩健性和準確性＼[5＼]。

以金銀花醇沉過程中綠原酸的NIR數據為載體，運用BaggingPLS和BoostingPLS算法，建立準確、穩健的NIR模型。Bagging和Boosting作為兩種代表性較強的集成算法，具有較高預測精度。將Bagging和Boosting引入到經典的PLS定量模型中，提高模型泛化能力，減小模型預測方差＼[6＼]，這給中藥NIR定量模型快速預測提供較好的借鑒。

2實驗部分

2.1實驗數據