光譜優(yōu)化處理結(jié)合多層次支持向量機(jī)的混合染液濃度檢測(cè)方法

張建新，張銀露，胡旭東

(浙江理工大學(xué) 機(jī)械與自動(dòng)控制學(xué)院，浙江 杭州 310018)

?

光譜優(yōu)化處理結(jié)合多層次支持向量機(jī)的混合染液濃度檢測(cè)方法

張建新，張銀露，胡旭東

(浙江理工大學(xué) 機(jī)械與自動(dòng)控制學(xué)院，浙江 杭州 310018)

為提高印染生產(chǎn)過(guò)程中多組分混合染液濃度的檢測(cè)精度，提出一種利用吸收光譜對(duì)三組分染液濃度進(jìn)行同時(shí)測(cè)定的方法。利用波長(zhǎng)范圍在339.22～1 000 nm的微型光纖光譜儀，采集多組分混合染液的吸收光譜數(shù)據(jù)；采用Savitzky-Golay(SG)卷積平滑法對(duì)原始有效吸收光譜數(shù)據(jù)進(jìn)行平滑去噪；利用基于X-Y距離結(jié)合的樣本劃分方法(SPXY)法將80種混合染液劃分成75個(gè)訓(xùn)練組和5個(gè)測(cè)試組；使用連續(xù)投影算法篩選出染液光譜的最佳特征波長(zhǎng)數(shù)為22；采用多層次多支持向量機(jī)子集結(jié)構(gòu)實(shí)現(xiàn)多組分混合染液濃度的同時(shí)檢測(cè)。結(jié)果表明，三組分混合染液濃度檢測(cè)的相對(duì)誤差可控制在10%以?xún)?nèi)，同時(shí)分類(lèi)模型的訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間縮短近一半，為后期實(shí)現(xiàn)多組分混合染液在線(xiàn)濃度檢測(cè)提供了參考。

連續(xù)投影算法；多層次支持向量機(jī)；特征波長(zhǎng)；多組分染液；濃度檢測(cè)

我國(guó)現(xiàn)已成為全球印染生產(chǎn)、消費(fèi)和貿(mào)易第一大國(guó)，生產(chǎn)高質(zhì)量的紡織品是我國(guó)在全球貿(mào)易競(jìng)爭(zhēng)中繼續(xù)保持印染行業(yè)重要地位的關(guān)鍵。紡織品的質(zhì)量易受染液質(zhì)量濃度、pH值、溫度、助劑等參數(shù)影響，其中最主要的因素是染液質(zhì)量濃度[1]。目前常用的染液質(zhì)量濃度測(cè)量方法是光學(xué)分析法，其中運(yùn)用最多的是分光光度法[2]，但其對(duì)多組分混合染液質(zhì)量濃度的分析并不精準(zhǔn)，且較大程度上受溫度、助劑等因素的影響。

隨著量子化學(xué)方法的發(fā)展和計(jì)算機(jī)技術(shù)的進(jìn)步，利用染液吸收光譜結(jié)合算法模型預(yù)測(cè)其濃度成為可能。吸收光譜技術(shù)因其具有檢測(cè)速度快、效率高、穩(wěn)定性好等優(yōu)點(diǎn)[3]，目前已成為農(nóng)業(yè)、食品、化工等領(lǐng)域經(jīng)濟(jì)有效且最具有發(fā)展前景的分析技術(shù)之一[4-5]，但由于吸收光譜數(shù)據(jù)易受樣品、檢測(cè)環(huán)境等多方面的影響，濃度模型預(yù)測(cè)準(zhǔn)確率較低，因此，對(duì)吸收光譜數(shù)據(jù)進(jìn)行預(yù)處理，消除其中的噪聲等對(duì)光譜的干擾是必不可少的步驟，且光譜預(yù)處理的好壞很大程度上決定后期濃度模型的預(yù)測(cè)精度[6-7]。目前染液質(zhì)量濃度檢測(cè)的研究日漸成熟，但受設(shè)備、檢測(cè)時(shí)間等限制，基本只能采用離線(xiàn)的檢測(cè)方式或不使用任何質(zhì)量濃度檢測(cè)控制設(shè)備。USB2000+微型光纖光譜儀具有體積小、分辨率高等優(yōu)點(diǎn)，采集快速，為染液質(zhì)量濃度的在線(xiàn)檢測(cè)提供了可能。

本文在對(duì)原始光譜進(jìn)行Savitzky-Golay(SG)卷積平滑預(yù)處理和基于X-Y距離結(jié)合的樣本劃分方法(SPXY)劃分訓(xùn)練集和測(cè)試集的基礎(chǔ)上，利用連續(xù)投影算法(SPA)篩選染液光譜的特征波長(zhǎng)，對(duì)原始光譜進(jìn)行有效壓縮，剔除冗余信息，提取出的22個(gè)特征波長(zhǎng)信息作為支持向量機(jī)(SVM)的輸入，大大縮短檢測(cè)時(shí)間，采用多層次多SVM子集結(jié)構(gòu)實(shí)現(xiàn)三組分混合染液質(zhì)量濃度檢測(cè)模型。

1 多層次多SVM子集結(jié)構(gòu)

多層次多SVM子集[8]結(jié)構(gòu)的基本工作模式及處理流程為：將獲得的包含混合染液組分質(zhì)量濃度和組分種類(lèi)信息的一部分光譜數(shù)據(jù)對(duì)SVM校正模型進(jìn)行訓(xùn)練；再用另一部分混合染液的光譜數(shù)據(jù)對(duì)SVM校正模型進(jìn)行檢驗(yàn)；根據(jù)檢驗(yàn)誤差改變模型參數(shù)，直至檢驗(yàn)滿(mǎn)足誤差要求，SVM校正模型的參數(shù)被最終確定下來(lái)。

對(duì)于本文的三組分混合染液，可采用如圖1所示的多層次多SVM子集結(jié)構(gòu)實(shí)現(xiàn)SVM預(yù)測(cè)模型。對(duì)于三組分染液要訓(xùn)練3個(gè)SVM模型，根據(jù)每個(gè)組分的檢驗(yàn)誤差選擇每個(gè)模型的最佳參數(shù)，最后將3個(gè)SVM校正模型的分析結(jié)果輸出，即得到三組分混合染液的分類(lèi)結(jié)果。

圖1 一種多層次多SVM子集結(jié)構(gòu)Fig.1 Multi-level multi-SVM subset structure

2 實(shí)驗(yàn)部分

2.1 儀器設(shè)備

采用USB2000+可見(jiàn)光微型光纖光譜儀(美國(guó)海洋光學(xué)公司)，波長(zhǎng)范圍為339.22～1 000 nm，分辨率為4 cm-1。利用配套的SpectraSuite軟件獲取混合染液光譜數(shù)據(jù)，再利用MatLab2012b平臺(tái)對(duì)原始光譜數(shù)據(jù)進(jìn)行分析處理。配制實(shí)驗(yàn)樣品時(shí)，主要儀器為FA1204B型電子天平(上海精科天美科學(xué)儀器有限公司)，精度為0.1 mg。

2.2 材料和樣品

采用江蘇高郵市恒達(dá)化工有限公司的弱酸性染料[9]，用基礎(chǔ)三原色弱酸性深藍(lán)5R、弱酸性艷紅10B、弱酸性嫩黃G配制成三組分混合弱酸性染液。綜合考慮實(shí)際染液的檢測(cè)需求以及裝置的理論濃度測(cè)試范圍，確定質(zhì)量濃度測(cè)試范圍在1 000 mg/L以?xún)?nèi)，再以印染常用配比加入助劑結(jié)晶元明粉(緩染劑)[7]、醋酸(促染劑)和拉開(kāi)粉Bx(勻染劑)，最終配制成80種不同配比的三組分混合弱酸性染液。

3 結(jié)果與討論

3.1 原始混合染液光譜數(shù)據(jù)獲取

利用可見(jiàn)光微型光纖光譜儀采集三組分混合染液的吸收光譜數(shù)據(jù)，最終得到的原始光譜是掃描次數(shù)為20、平滑度為5的平均光譜。原始光譜曲線(xiàn)存在噪聲干擾，且每條曲線(xiàn)的2 048個(gè)原始波長(zhǎng)點(diǎn)并非都是有效信息，根據(jù)經(jīng)驗(yàn)和印染過(guò)程的實(shí)際需求，從原始光譜中選取346.82～700 nm波段數(shù)據(jù)作為原始有效光譜，每條光譜共有985個(gè)波長(zhǎng)點(diǎn)，80組樣品的原始有效光譜圖如圖2所示。

圖2 80組樣品的原始有效光譜圖Fig.2 Original effective spectra of 80 groups of samples

3.2 原始有效光譜數(shù)據(jù)預(yù)處理

由于材料不純和配制過(guò)程中不可避免的操作不當(dāng)，標(biāo)準(zhǔn)染液很可能含有雜質(zhì)，同時(shí)由光譜儀得到的有效光譜信息中也疊加了隨機(jī)誤差，使得光譜數(shù)據(jù)曲線(xiàn)存在噪聲干擾，因此，在進(jìn)行染液光譜分類(lèi)前必須對(duì)光譜數(shù)據(jù)進(jìn)行預(yù)處理。常用的預(yù)處理方法有標(biāo)準(zhǔn)化、SG卷積平滑、小波變換等[10]。標(biāo)準(zhǔn)化方法是對(duì)光譜進(jìn)行均值中心化處理后，再除以標(biāo)準(zhǔn)偏差光譜；SG卷積平滑法是通過(guò)對(duì)移動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行最小二乘擬合；小波變換是利用伸縮平移運(yùn)算對(duì)數(shù)據(jù)進(jìn)行逐步細(xì)化。分別用以上3種預(yù)處理方法對(duì)原始有效光譜進(jìn)行預(yù)處理，隨機(jī)取混合染液的75個(gè)樣本作為訓(xùn)練集樣本，剩余5個(gè)樣本作為測(cè)試集樣本，預(yù)處理后的樣本作為SVM輸入進(jìn)行訓(xùn)練預(yù)測(cè)。對(duì)比預(yù)測(cè)效果，3種預(yù)處理方法對(duì)應(yīng)的測(cè)試集平均相對(duì)誤差如表1所示。

表1 預(yù)處理方法對(duì)應(yīng)的測(cè)試集平均相對(duì)誤差Tab.1 Average relative error of test set based on various pretreatment methods

由表1可知，采用SG卷積平滑法對(duì)原始光譜有效數(shù)據(jù)進(jìn)行預(yù)處理時(shí)平均相對(duì)誤差較小。SG卷積平滑法[11]通過(guò)多項(xiàng)式對(duì)移動(dòng)窗口內(nèi)的數(shù)據(jù)進(jìn)行多項(xiàng)式最小二乘擬合，是一種加權(quán)平均法，更強(qiáng)調(diào)中心點(diǎn)的中心作用，可有效減少光譜數(shù)據(jù)中的隨機(jī)噪聲。通過(guò)實(shí)驗(yàn)對(duì)比，SG卷積的2個(gè)參數(shù)移動(dòng)窗口大小和多項(xiàng)式次數(shù)的最優(yōu)值為21和2。

3.3 訓(xùn)練集和測(cè)試集劃分

訓(xùn)練集和測(cè)試集的合理劃分決定著模型的預(yù)測(cè)性能。2類(lèi)數(shù)據(jù)需具有一定的代表性，并且要保證數(shù)量的合理分配。常見(jiàn)的樣本集劃分方法主要包括隨機(jī)法(RS)、Kennard-Stone(KS)法和SPXY法。分別采用以上3種劃分方法選取80個(gè)樣本集中的75個(gè)樣本作為訓(xùn)練集，5個(gè)作為測(cè)試集，利用SVM進(jìn)行訓(xùn)練建模和測(cè)試。3種樣本劃分法的測(cè)試集平均相對(duì)誤差如表2所示。

表2 3種樣本劃分法的測(cè)試集平均相對(duì)誤差Tab.2 Average relative error of test set based on three sample division methods

由表2可知，利用SPXY法選擇訓(xùn)練集和測(cè)試集時(shí)平均相對(duì)誤差較小。SPXY法[12]是一種基于變量之間的歐氏距離在特征空間中均勻選取樣本的方法，不僅考慮樣本集吸光度值之間的歐氏距離，同時(shí)也考慮各樣本質(zhì)量濃度之間的歐氏距離，使劃分的訓(xùn)練集和測(cè)試集更有代表性。

3.4 特征波長(zhǎng)篩選

通過(guò)光譜儀得到的每種混合染液都有985個(gè)原始有效光譜數(shù)據(jù)，但并不是每個(gè)數(shù)據(jù)樣本都能代表該光譜的特征，因此為提高識(shí)別和分類(lèi)精度，同時(shí)縮短分類(lèi)時(shí)間，需提取光譜特征波長(zhǎng)。常用的特征波長(zhǎng)篩選方法有吉洪諾夫(Tikhonov)正則化算法、以相關(guān)系數(shù)之和最小為準(zhǔn)則的逐步篩選(SMCC)算法和SPA算法。Tikhonov正則化算法的前提是符合朗伯比爾定律，不適用于本文的預(yù)測(cè)模型；SMCC算法以樣品光譜間相關(guān)系數(shù)之和最小為準(zhǔn)則，使得類(lèi)間與類(lèi)內(nèi)歐氏距離和的比值增大，但計(jì)算相對(duì)復(fù)雜；SPA算法[13-14]是一種前向循環(huán)波長(zhǎng)選取方法，從任意選擇一個(gè)波長(zhǎng)開(kāi)始，每次循環(huán)都計(jì)算其在未選入波長(zhǎng)上的投影，將投影向量最大的波長(zhǎng)引入到波長(zhǎng)組合中，即與前一個(gè)波長(zhǎng)線(xiàn)性關(guān)系最小。此方法可有效消除波長(zhǎng)變量之間的共線(xiàn)性影響，同時(shí)降低樣品光譜數(shù)據(jù)維數(shù)，減少計(jì)算量，已在多成分多光譜的復(fù)雜分析中得到廣泛應(yīng)用。

本文利用SPA篩選染液光譜數(shù)據(jù)的特征波長(zhǎng)，并用最小均方根誤差(RMSE)準(zhǔn)則確定最優(yōu)特征波長(zhǎng)的個(gè)數(shù)。圖3示出篩選不同個(gè)數(shù)波長(zhǎng)的RMSE趨勢(shì)圖。由圖可知，特征波長(zhǎng)的最優(yōu)值為22，對(duì)應(yīng)的最小均方根誤差為0.021 514。

圖3 篩選不同個(gè)數(shù)波長(zhǎng)的RMSE趨勢(shì)圖Fig.3 RMSE trend by screening different numbers of wavelength

3.5 SVM模型驗(yàn)證

為體現(xiàn)本文SG卷積平滑法、SPXY法和SPA法優(yōu)化組合的優(yōu)勢(shì)，對(duì)經(jīng)過(guò)組合處理的光譜數(shù)據(jù)進(jìn)行濃度檢測(cè)，混合三組分染液測(cè)試集的相對(duì)誤差[15]如表3所示，SVM訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間對(duì)比如表4所示。

表3 混合三組分染液測(cè)試集的相對(duì)誤差Tab.3 Relative error of test set of three-components dyes

表4 SVM訓(xùn)練時(shí)間與預(yù)測(cè)時(shí)間對(duì)比Tab.4 SVM training time and prediction time contrast s

通過(guò)計(jì)算平均均方誤差和平均平方相關(guān)系數(shù)進(jìn)一步驗(yàn)證模型的效果。均方誤差(XMSE)的計(jì)算公式為

式中：p為染液組分質(zhì)量濃度預(yù)測(cè)值；t為染液組分真實(shí)值；l為預(yù)測(cè)總組數(shù)。平方相關(guān)系數(shù)(XSCC)的計(jì)算公式為

本文SVM模型驗(yàn)證實(shí)驗(yàn)共選取了5個(gè)三組分混合染液測(cè)試組，平均均方誤差即5個(gè)測(cè)試組均方誤差的平均值，平均平方相關(guān)系數(shù)即5個(gè)測(cè)試組平方相關(guān)系數(shù)的平均值。

由表3可知，經(jīng)過(guò)優(yōu)化組合處理的原始有效混合光譜數(shù)據(jù)的測(cè)試集相對(duì)誤差可控制在10%以?xún)?nèi)，平均相對(duì)誤差為5.99%，平均均方誤差為0.000 540 466，平均平方相關(guān)系數(shù)為0.99。目前濃度檢測(cè)的相對(duì)誤差仍有改進(jìn)的空間，后期將從控制染液配制、光譜采集以及環(huán)境因素等入手，實(shí)現(xiàn)更高精度的濃度檢測(cè)。

由表4可知，經(jīng)過(guò)優(yōu)化組合處理的光譜數(shù)據(jù)的SVM訓(xùn)練和測(cè)試時(shí)間比原始光譜數(shù)據(jù)所花時(shí)間平均縮短一半以上，最佳訓(xùn)練時(shí)間可達(dá)0.008 770 s，最佳預(yù)測(cè)時(shí)間可達(dá)0.006 016 s。

4 結(jié) 論

本文提出的優(yōu)化處理方案可盡量減少噪聲對(duì)原光譜數(shù)據(jù)的干擾，根據(jù)染液的性質(zhì)和特征合理劃分樣本集，并通過(guò)篩選有價(jià)值的特征波長(zhǎng)減少冗余信息，結(jié)合多層次多SVM子集結(jié)構(gòu)模型，可同時(shí)有效地對(duì)三組分混合染液進(jìn)行濃度測(cè)定，混合染液濃度檢測(cè)的相對(duì)誤差可控制在10%左右，同時(shí)分類(lèi)模型的訓(xùn)練時(shí)間和預(yù)測(cè)時(shí)間縮短近一半，該研究方案可為后期實(shí)現(xiàn)混合多組分染液在線(xiàn)濃度檢測(cè)研究提供參考。

FZXB

[1] 房文杰, 屠天民, 張騫, 等. 染液濃度的在線(xiàn)監(jiān)測(cè)初探[J]. 印染, 2011, 37(7): 12-16. FANG Wenjie, TU Tianmin, ZHANG Qian, et al. On-line monitoring of dye concentration[J]. China Dyeing & Finishing, 2011, 37(7): 12-16.

[2] 賀永林, 李永貴, 葛明橋. 有機(jī)溶劑對(duì)回收滌綸堿減量廢渣中苯二甲酸的影響[J]. 紡織學(xué)報(bào), 2013, 34(12):12-15. HE Yonglin, LI Yonggui, GE Mingqiao. Effect of organic solvent on phthalic acid in waste residue of polyester[J]. Journal of Textile Research, 2013, 34(12):12-15.

[3] 胡志華, 陳麗燦, 何肖,等. 天然綠色棉色素綠色組分的分離及其紫外可見(jiàn)光吸收光譜特性[J]. 紡織學(xué)報(bào), 2015, 36(11):87-91. HU Zhihua, CHEN Lican, HE Xiao, et al. Separation of green components of natural green cotton pigment and its UV - Vis absorption spectra[J]. Journal of Textile Research, 2015, 36(11):87-91.

[4] 何俊峰, 闞瑞峰, 許振宇, 等. 可調(diào)諧二極管激光吸收光譜氧氣測(cè)量中的導(dǎo)數(shù)光譜處理與濃度反演算法研究[J]. 光學(xué)學(xué)報(bào), 2014, 34(4): 290-295. HE Junfeng, KAN Ruifeng, XU Zhenyu, et al. Derivative spectral processing and concentration inversion algorithm for oxygen measurement of tunable diode laser absorption spectra[J]. Chinese Journal of Optics, 2014, 34(4): 290-295.

[5] 張志榮, 夏滑, 董鳳忠, 等. 利用可調(diào)諧半導(dǎo)體激光吸收光譜法同時(shí)在線(xiàn)監(jiān)測(cè)多組分氣體濃度[J]. 光學(xué)精密工程, 2013, 21(11): 2771-2777. ZHANG Zhirong, XIA Hua, DONG Fengzhong, et al. Simultaneous on-line monitoring of multicomponent gas concentration using tunable semiconductor laser absorption spectroscopy[J]. Optics and Precision Engineering, 2013, 21(11): 2771-2777.

[6] 陳添兵, 劉木華, 黃林, 等. 不同光譜預(yù)處理對(duì)激光誘導(dǎo)擊穿光譜檢測(cè)豬肉中鉛含量的影響[J]. 分析學(xué), 2016, 44(7): 1029-1034. CHEN Tianbing, LIU Muhua, HUANG Lin, et al. Effect of different spectral pretreatment on Pb content in pork by laser induced breakdown spectroscopy[J]. Analysis, 2016, 44(7): 1029-1034.

[7] 郭小云, 劉志輝, 徐倩, 等. 基于多種光譜預(yù)處理的融雪期積雪深度定量模型研究[J]. 中國(guó)農(nóng)村水利水電, 2016(5): 105-108. GUO Xiaoyun, LIU Zhihui, XU Qian, et al. Study on quantitative model of snow depth based on multi-spectral pretreatment in snow melting period[J]. China Rural Water and Hydropower, 2016(5): 105-108.

[8] 白鵬, 謝文俊, 劉君華. 層次式SVM子集含烴類(lèi)混合氣體光譜分析方法[J]. 光譜學(xué)與光譜分析, 2008, 28(2): 299-302. BAI Peng, XIE Wenjun, LIU Junhua. Spectral analysis of hydrocarbon-contained gas mixtures in a hierarchical SVM subset[J]. Spectroscopy and Spectral Analysis, 2008, 28(2): 299-302.

[9] 李疆川, 江松森, 趙軍. 元明粉在弱酸性染料上染絲光羊毛中的作用[J]. 染整技術(shù), 2004, 26(6): 15-17. LI Jiangchuan, JIANG Songsen, ZHAO Jun. Effect of sodium sulfate powder on dyeing wool with weak acidic dye[J]. Dyeing and Finishing Technology, 2004, 26(6): 15-17.

[10] 余娜. 基于小波變換在圖像處理中的應(yīng)用[J]. 價(jià)值工程, 2016, 35(21): 226-229. YU Na. The application of wavelet transform in image processing[J]. Value Engineering, 2016, 35(21): 226-229.

[11] ZHAO A N, TANG X J, ZHANG Z H. Optimizing Savitzky-Golay paremeters and its smoothing pretreatment for FTIR gas spactra[J]. Spectroscopy and Spectral Analysis, 2016, 36(5): 1340-1344.

[12] MAO X D, SUN L J, HAO G, et al. Optimization of wheat protein near-infrared calibration model based on SPXY[J]. Advanced Materials Research, 2013, 803:122-126.

[13] LUO X, HONG T S, LUO K, et al. Application of wavelet transform and successive projections algorithm in the non-destructive mesurement of total acid content of pitaya[J]. Spectroscopy and Spectral Analysis, 2016, 36(5): 1345-1351.

[14] 袁瑩, 王偉, 褚璇, 等. 光譜特征波長(zhǎng)的SPA選取和基于SVM的玉米顆粒霉變程度定性判別[J]. 光譜學(xué)與光譜分析, 2016, 36(1): 226-230. YUAN Ying, WANG Wei, ZHU Xuan, et al. The SPA selection of spectral characteristic wavelengths and the qualitative judgment of the degree of moldiness of corn grain based on SVM[J]. Spectroscopy and Spectral Analysis, 2016, 36(1): 226-230.

[15] 張建新, 徐文杰, 許珺. 雙波長(zhǎng)分光光度法染液吸光度在線(xiàn)檢測(cè)裝置[J]. 紡織學(xué)報(bào), 2014,35(9): 149-154. ZHANG Jianxin, XU Wenjie, XU Jun. Development of on-line detection device of dyebath absorbance based on dual wavelength spectrophotometry[J]. Journal of Textile Research, 2014, 35(9): 149-154.

Method of mixed dye liquor concentration detection based on spectral optimization and multi-level support vector machine

ZHANG Jianxin, ZHANG Yinlu, HU Xudong

(FacultyofMechanicalEngineering&Automation,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China)

In order to improve the detection accuracy of multi-components mixed dye liquor concentration during printing & dyeing process, a method was proposed for simultaneous determination of three components dye liquor concentration by absorption spectroscopy. The absorption spectra of the multi-components mixed dye liquor was collected by microfiber spectrometer with wavelength range of 339.22-1 000 nm. The original effective absorption spectra were smoothed by Savitzky-Golay(SG) convolution smoothing. 80 mixed dye liquors were divided into 75 training groups and 5 test groups according to sample set partitioning based on jointX-Ydistance (SPXY) method. The optimal characteristic wavelengths of the successive projections algorithm are 22. The multi-component concentration of the dye solution was detected by using the multi-level multi support vector machine model. The experimental results show that the relative error of the three-components mixed dye liquor concentration can be controlled within 10%, and the training time and prediction time of the classification model are shortened by about a half, which provides a reference to realize on-line concentration detection of multi-component dye in the later stage.

successive projections algorithm; multi-level support vector; characteristic wavelength; multi-component dye solution; concentration detection

10.13475/j.fzxb.20161003405

2016-10-13

2017-03-31

國(guó)家自然科學(xué)基金聯(lián)合基金資助項(xiàng)目(U1609205)；浙江省科技廳公益計(jì)劃項(xiàng)目資助(2017C33074)；浙江理工大學(xué)研究生創(chuàng)新研究項(xiàng)目資助(YCX15022)

張建新(1972—)，男，教授。主要研究方向?yàn)榧徔棞y(cè)試技術(shù)及儀器。E-mail: zjx@zstu.edu.cn。

TS 193.21

A