（英）基于近红外的移动窗口BP神经网络实现山东绿茶产地溯源

将近红外光谱分析技术用于对山东省代表性绿茶(崂山绿茶和日照绿茶)进行快速、无损伤产地溯源.对平滑处理、一阶微分和二阶微分等几种不同的光谱预处理方法进行了系统性对比和研究创新.提出移动窗口BP神经网络(MW-BP-ANN)算法用于选择特征光谱变量.实验发现,一阶微分和移动窗口-BP神经网络可以大幅提高支持向量机(SVM)分类模型的预测能力.经预处理后,分类模型的最优鉴别准确率可达98.33%.研究结果表明,该光谱变量选择方法对提高产地溯源模型的预测能力起到至关重要作用.     

基于siPLS的强化生物除磷污泥胞内糖原近红外分析

为了快速、准确地测定强化生物除磷(EBPR)过程中污泥胞内糖原的含量,采用4种预处理方法分别对污泥近红外光谱进行预处理,并结合联合区间偏最小二乘(si PLS)进行变量优选,建立光谱吸光度数据与糖原含量的定量分析模型。结果表明,将一阶S-G(Savitzky-Golay)平滑处理后的光谱等分为20个子区间,联合子区间[10 13 16 19]建立的si PLS模型预测效果最优,预测集的均方根误差(RMSEP)和相关系数(rp)分别达到0.0048、0.9105,且该模型的交互验证和外部验证相对分析误差(RPD)均大于3.0。一阶平滑处理后的光谱si PLS模型预测精度高、建模变量少,可实现糖原含量的快速测定。     

可见/近红外光谱的南丰蜜桔可溶性固形物含量定量分析

基于可见/近红外漫反射光谱定量分析技术对南丰蜜桔的可溶性固形物含量进行实验研究.采用偏最小二乘法对南丰蜜桔完整果和果肉的可见/近红外光谱进行了分析,并且比较和讨论了不同光谱预处理的建模结果.实验结果表明:在波长范围350～1800nm,一阶微分光谱所建模型效果最佳.其中完整果所建校正模型的预测相关系数为0.825和预测均方根偏差为0.899;果肉所建校正模型的预测相关系数为0.893,预测均方根偏差为0.749.     

广东省主要人工林树种光谱分类

为了探索不同树种叶片光谱区分的最佳特征波段以及不同树种光谱分类的 性能,利用地物光谱仪对广东省10个主要人工林树种的叶片光谱数进行了采集。采用遗 传算法(Genetic Algorithm, GA)和连续投影变换算法(Successive Projections Algorithm, SPA) 进行了高光谱数据降维处理,然后结合支持向量机(Support Vector Machine, SVM)和随机森林(Random Forest, RF) 两种方法进行了树种分类。研究发现,通过两种变量选择方式筛选的用于树种分类的光谱范围 主要位于近红外波段。其中,经GA算法筛选的变量建模和预测精度与基于全波段光谱数据的分类精 度较为接近,且比经SPA算法变量筛选的分类结果好。通过比较可知,RF算法所建模型的性能比SVM算 法更稳定,且GA-RF算法在几种分类处理中的性能最好。结果表明,GA-RF算法 可用于基于光谱数据的树种分类研究。     

基于净分析物预处理算法的绿茶中儿茶素的近红外光谱定量分析

由于原始近红外光谱数据中含有与待测组分不相关的噪音及冗余信息,增加了偏最小二乘法(PLS)模型的复杂程度.为了简化儿茶素的预测模型,采用净分析物预处理法(NAP)对近红外光谱进行预处理,提取出待测组分的净分析物信号,然后利用PLS建立绿茶中三种儿茶素(EGCG、ECG和EGC)含量的(NAP/PLS)模型.在模型建立过程中,通过交互验证的方法优化NAP因子数及模型的主成分因子数,并且将NAP的结果与经典的标准正态变量(SNV)光谱预处理结果相比较.比较结果显示,经过NAP与SNV光谱预处理后,模型的预测结果相差不大,但是经过净分析物预处理后,模型的主成分因子数大大降低.研究结果表明,NAP光谱预处理算法能在保证精度的前提下有效地简化绿茶中儿茶素含量的预测模型.     

概率神经网络用于舌诊的近红外光谱分类

为了快速无创客观地检测舌体所携带的病理信息,提出了基于概率神经网络舌诊归一化反射率近红外光谱分类诊断模型。采集了健康人、脂肪肝患者、肝炎患者三类受试者舌尖的光谱数据,进行归一化反射率预处理,各获得32个样本数据,随机从三类受试者各抽取24个舌尖的光谱数据用于建模,其余的24个用于预测,并分析了径向基函数的扩展速度（SPREAD）对网络的影响。得出SPREAD在0.0065～0.0077之间取值时对网络模型的预测效果和泛化能力较好,用该模型对24个预测样本进行预测,其正确率为95.8%。实验结果表明利用概率神经网络对舌诊近红外光谱的分类是可行的,说明舌表面的光谱信息能客观的反映人体的病理信息,利用此方法对疾病的快速无创地进行初步的筛查成为可能。     

紫外可见光谱检测水体COD算法研究

应用紫外可见(ultraviolet/visible,UV/Vis)光谱技术对宜昌市环境监测站水体有机物指标化学含氧量(chemical oxygen demand,COD)进行快速检测,对采集的94份水样进行UV/Vis波段全光谱扫描,采用平滑(Savitzky-Golay smoothing,SG)、一阶导数(first-derivative,1-Der)以及二阶导数(second-derivative,2-Der)对光谱进行预处理,并结合偏最小二乘回归(Partial Least Squares Regression,PLSR)对水样建立COD回归预测模型,并利用该回归预测模型预测水样COD浓度。实验结果表明采用SG平滑预处理后结合连续投影算法(Successive Projections Algorithm,SPA)选取全波段光谱中的特征波长得到的PLS模型预测精度最高,相关系数r=0.91882,预测均方根误差RMSEP=2.8156mg/L-1。进一步研究发现,使用SG平滑预处理得到的岭回归(Ridge Regression)模型精度(r=0.92,RMSEP=2.765 mg/L-1)高于PLS模型,且模型仅仅选取了4个特征波长变量,占238个全波段光谱变量的1.38%。说明针对该水样样本,利用平滑光谱预处理后,再建立岭回归模型,能节约时间和降低算法复杂度,能够快速准确地进行水样COD浓度预测,为进一步实现水样的COD浓度快速检测奠定了基础。     

紫外可见光谱检测水体COD算法研究

应用紫外可见(ultraviolet/visible,UV/Vis)光谱技术对宜昌市环境监测站水体有机物指标化学含氧量(chemical oxygen demand,COD)进行快速检测,对采集的94份水样进行UV/Vis波段全光谱扫描,采用平滑(Savitzky-Golay smoothing,SG)、一阶导数(first-derivative,1-Der)以及二阶导数(second-derivative,2-Der)对光谱进行预处理,并结合偏最小二乘回归(PartialLeast Squares Regression,PLSR)对水样建立COD回归预测模型,并利用该回归预测模型预测水样COD浓度。实验结果表明采用SG平滑预处理后结合连续投影算法(Successive Projections Algorithm,SPA)选取全波段光谱中的特征波长得到的PLS模型预测精度最高,相关系数r=0.91882,预测均方根误差RMSEP=2.8156mg/L-1。进一步研究发现,使用SG平滑预处理得到的岭回归(Ridge Regression)模型精度(r=0.92,RMSEP=2.765 mg/L-1)高于PLS模型,且模型仅仅选取了4个特征波长变量,占238个全波段光谱变量的1.38%。说明利用平滑光谱预处理后,再建立岭回归模型,能节约时间和降低算法复杂度,能够快速准确地进行该水样样本COD浓度预测,为进一步实现水样的COD浓度快速检测奠定了基础。     

基于方差选择和高斯朴素贝叶斯的草地牧草高光谱图像识别研究

近年来,草地调查和监测工作中主要基于卫星遥 感光谱图像,但其整体分辨率略 低、成本高,具有一定的局限性。而近距离获取的高分辨率高光谱图像可弥补图像分辨率较 低的缺陷,目前研究较少。因此,本研究通过结合高光谱成像技术和机器学习,提出了一种 基于方差选择与高斯朴素贝叶斯的草地牧草高光谱图像快速准确识别方法。首先,利用高光 谱成像系统采集可见-近红外光谱(400000 nm)的草地高光谱图像,通过基于方差选择的 降维方法优化特征中的有效信息;然后,采用高斯朴素贝叶斯(gaussian naive bayes,Gau ssianNB)和支持向量机(support vector machine,SVM)并结合K折交叉验证法分别建立识别 模型;最后,通过Kappa系数、OA、测试时间等指标进行模型评价。预处理环节中对比多元 散射校正(MSC)、标准正态变量变换(SNV)、归一化(normalize)、Savitzky-Golay平滑滤波 (SG)和移动窗口平滑光谱矩阵(nirmaf)5种方法,其中MSC预处理提高信噪比和保障预测模 型的精度与稳定性最优。特征选择与提取中,采用基于方差选择的主成分分析白化(V-pcaw )法,根据阈值和主成分选择最佳特征变量数为2,与主成分分析(PCA)法比较,总体分类精度 和Kappa系数平均值分别提高2.995%和0.050。同等情况下比较GaussianNB模型和SVM模型, 在GaussianNB模型中,经MSC处理的牧草光谱在V-pcaw特征提取后识别效果最佳,耗时最少 ,OA值达到99.33%,Kappa系数为0.99,测试 时间为0.002022 s。研究结果表明,基于方差 选择与高斯朴素贝叶斯的方法可有效增强草地牧草高光谱图像的特征表达能力,从而实现高 效快速的牧草种类识别。     

基于近红外光谱的舌诊疾病识别的研究

为了对中医舌诊的客观化研究,提出了应用近红外光谱分析技术快速无创的对健康人、冠心病、糖尿病和肝炎患者的不同人群的舌诊近红外光谱进行识别的新方法.首先对98个样本光谱数据进行归一化处理,用主成分分析(PCA)方法得出的累计贡献率达99.88%的前8个主成分作为广义回归神经网络(GRNN)的输入变量,建立了舌诊近红外光谱的识别模型.利用该模型分别选取了18个不同人群的近红外光谱数据共72个样本用于神经网络的训练,余下的26个用于预测,当光滑因子为5/8时预测的最大误差为0.17342,最小误差为0,获得了较理想的预测精度.实验结果表明用PCA和GRNN相结合的方法对舌诊近红外光谱与疾病之间建立了较好的关联,对加强中医舌诊的客观化起到了很好的促进作用,为疾病的诊断提供了一种新的方法.     

用近红外光谱检测牛奶中的三聚氰胺

研究了用近红外光谱法快速定性和定量检测纯牛奶中三聚氰胺.实验分别配制了两组不同三聚氰胺含量的纯牛奶样品,用于定性和定量分析.通过近红外光谱与聚类分析法相结合,可将含有和不含有三聚氰胺的牛奶样品有效分类;结合光谱预处理和波长选择及模型优化方法建立的检测三聚氰胺的近红外定量分析模型具有较好的稳定性和预测能力.结果表明,近红外光谱分析是一种快速、方便和环保的检测乳制品中三聚氰胺的新方法.     

基于激光诱导击穿光谱的茶叶品种快速分类

在提取激光诱导击穿光谱(LIBS)全部特征峰的基础上,利用支持向量机建立了有效的茶叶分类模型。采集了15种茶叶样品的有效LIBS光谱数据(190～720 nm),运用窗口平移平滑和峰位漂移函数修正对光谱进行了预处理,再结合主成分分析降维,对绿茶、红茶、白茶实现了98.3%的识别率;对同一种类中不同品种的茶叶也实现了较好的识别。研究结果表明,LIBS在茶叶品种快速识别应用中具有较好的前景。     

微型近红外光谱仪在苹果糖度测量中的应用研究

为了评估微型近红外光谱仪应用于现场水果糖度检测的可行性, 采用粒子群算法结合反向传播(BP)神经网络建立了苹果糖度的无损高精度快速检测方法, 研究了微型近红外光谱仪NIRscan以单波长和阿达玛变换两种测量模式获得的光谱数据, 应用多种不同的数据预处理方法和多元线性回归、偏最小二乘法、粒子群算法(PSO)、BP神经网络等算法建立分析模型。结果表明, 以阿达玛变换工作模式测得的光谱数据更好, 以1阶导数结合Savizky-Golay平滑算法作数据预处理, 应用PSO结合BP神经网络建立的苹果糖度预测模型具有更高的预测精度, 预测相关系数和均方根误差分别为0.9911和0.1502。该微型近红外光谱仪NIRscan用于苹果糖度的现场快速和高精度无损检测具有可行性。     

基于激光诱导击穿光谱结合偏最小二乘判别分的软玉产地识别研究

采用激光诱导击穿光谱(LIBS)技术结合偏最小二乘判别分析(PLS-DA)对新疆、青海和俄罗斯的白色软玉进行产地研究。选取产自新疆(和田、于田、且末)、青海(格尔木)、俄罗斯(贝加尔湖)的146个白色软玉样品作为样品集,从样品集中随机抽取111个样品作为校正集,用于建立PLS-DA识别模型,剩余35个样品作为验证集,用于检验PLS-DA识别模型的预测效果。采用LIBS对三个产地的软玉样品进行成分分析,选择Na、K、Al、Li、Be、Mn、Sr、Zr、Ba、Y、Ce作为目标元素,并选取589.995,766.490,396.152,670.793,313.042,257.610,407.771,389.138,455.403,437.493,401.239nm处的谱线作为目标元素的分析谱线,选取Si元素作为内标元素,以其在288.158nm处的谱线作为内标元素分析谱线,分别计算各目标元素与内标元素的谱线强度的比值Rx,由Rx组成自变量矩阵,用于模型的建立与预测。实验结果表明,采用LIBS结合PLS-DA建立的产地识别模型,其校正自变量和验证自变量与实际分类变量的相关系数都大于0.9,PLS-DA识别模型的交叉验证均方根误差和预测均方根误差均小于0.29,PLS-DA产地识别模型对验证集中新疆(和田、于田、且末)、青海(格尔木)、俄罗斯(贝加尔湖)产地的35个白色软玉样品的识别正确率为92%。研究表明,采用LIBS结合PLS-DA能够快速有效识别三大产地的白色软玉。     

区间偏最小二乘法结合拉曼光谱测定猪肉皮下脂肪的碘值

碘值是评价脂肪酸品质的重要指标,为探究拉曼光谱技术结合化学计量学方法对完整脂肪样本中脂肪酸不饱和程度测定的可行性,以猪肉皮下脂肪为研究对象,利用实验室自主搭建的拉曼光谱检测系统,获取其300~2000cm-1波段的光谱,进而利用该光谱进行预处理方法的优化研究和碘值相关变量的优选研究,并以传统韦氏滴定法测定得到的碘值为参考值,采用偏最小二乘法建立了完整脂肪样本中碘值的校正模型。结果表明:8次多项式拟合基线校正为最优预处理方法;经区间偏最小二乘法筛选得到的优选变量为1106~1470cm-1;结合最优预处理方法和优选变量建立碘值预测模型,其预测集相关系数Rp和预测均方根误差(RMSEP)分别为0.9463和2.5391×10-2。研究结果证明,优选的拉曼光谱变量可用于完整脂肪中碘值的快速无损测定,为基于拉曼光谱的猪胴体脂肪酸不饱和程度的在线、快速、无损检测提供了理论依据。     

高光谱成像结合BP网络无损检测李子的硬度

以“红”李子和“青”李子为研究对象,提出了基于高光谱成像技术结合误差反向传播(error Back Propagation,BP)网络无损检测李子硬度的方法。采用高光谱图像采集系统获取了李子样本的高光谱图像,并提取了感兴趣区域的平均光谱反射率;综合比较了不同光谱预处理方法(一阶导数(derivative)、标准正态变换(SNV)和多元散射校正(MSC))对BP网络模型检测效果的影响;并利用主成分分析方法对预处理后的光谱数据进行降维,以提取能反映李子硬度的特征光谱。研究结果表明:derivative预处理后的光谱具有较好的李子硬度校正能力(RC=0.939,RMSEC=0.153),而SNV预处理后的光谱具有较好的李子硬度预测能力(RP=0.723,RMSEP=0.580);采用主成分分析法选择了累计贡献率超过99.99 %的主成分作为样本集特征光谱数据,很好地实现了光谱数据的降维,提升了BP网络模型的运行效率。这表明高光谱成像技术结合BP网络可实现李子硬度的无损检测。     

近红外光谱技术鉴别连翘产地

采用近红外光谱结合SIMCA模式识别方法鉴别五个不同产地的连翘.研究结果表明,在6700～5300cm-1波数范围内的光谱,通过SNV预处理方法后,利用SIMCA的模式识别方法分别为卢氏、栾川、洛宁、新安和山西安泽等五个产地连翘建立了模型.交叉验证的最佳主成分数分别为3,2,2,3,4.在α=5%的显著水平下,预测集的10个样品中只有1个被错判,表明该方法具有良好的鉴别分类功能.     

BP神经网络结合变量选择方法在牛奶蛋白质含量检测中的应用北大核心CSCD

牛奶中的蛋白质含量会影响牛奶的品质,利用高光谱图像的光谱特征信息研究对牛奶蛋白质含量预测的可行性。本文提出一种基于竞争性自适应重加权算法(competitive adaptive reweighted sampling, CARS)和连续投影算法(successive projections algorithm, SPA)结合多层前馈神经网络(back propagation, BP)的预测建模方法,实验以含有不同浓度蛋白质的牛奶为对象,利用可见光/近红外高光谱成像系统共采集到5种牛奶共计250组高光谱数据,通过实验对比选择采用标准化方法对获取到的吸收光谱预处理,然后采用CARS结合SPA筛选特征波长,得到18个特征波长,建立CARS-SPA-BP模型,经过试验,CARS-SPA-BP模型的训练集决定系数和测试集决定系数R;和R;分别达到0.971和0.968,训练集均方根误差(root mean square error of calibration,RMSEC)和测试集均方根误差(root mean square error of prediction,RMSEP)达到了0.033和0.034。研究发现,采用CARS结合SPA筛选的牛奶特征波长建立的多层前馈神经网络模型,其模型预测结果与全波长建模相比并没有明显降低,因此将CARS结合SPA用于波长筛选并且结合BP神经网络基本可以完成对牛奶蛋白质含量的预测。为验证CARS-SPA-BP模型的预测能力,在相同数据环境下,使用较为传统的偏最小二乘回归(partial least squares regression, PLSR)进行建模,实验结果表明,CARS-SPA-BP相较于PLSR,R;和RMSEP均有明显提升。研究表明,CARS-SPA-BP可充分利用牛奶光谱特征信息实现较高精度的牛奶蛋白质含量检测。     

小波分析及其在土壤成分的近红外分析中的应用

用近红外光谱(NIR)对秦皇岛市昌黎地区土壤的有机质和氮含量进行了分析．光谱的预处理方法分别采用一阶微分和二阶微分,然后采用多元线性回归,以确定最佳维数．在数据处理过程中,对微分光谱数据进行了小波去噪处理,使信噪比得到了增加,从而使分析精度得到了改善．结果表明,近红外光谱分析技术与化学分析方法有很大的相关性。     

激光诱导击穿光谱结合随机森林的稀土矿石中钪元素定量分析

钪(Sc)被广泛用于固体氧化燃料电池、陶瓷材料、催化剂与轻质高温合金等的制造,是不可或缺的重要战略资源,稀土矿石中Sc元素的定量分析对于稀土矿的勘探、开采具有重要意义。笔者提出了一种基于激光诱导击穿光谱(LIBS)结合随机森林(RF)算法的稀土矿石样品中Sc元素定量分析的方法。首先,考察了不同光谱预处理方法对RF校正模型预测性能的影响;然后,利用变量重要性测量(VIM)进行RF校正模型输入变量的选择与优化。为了进一步验证VIM-RF模型的预测性能,将其与标准曲线法、偏最小二乘(PLS)以及基于波段选择的RF模型进行了比较。最后,在最优化的光谱预处理(WT)和VIM阈值(阈值为0.016)等条件下,建立了基于小波变换结合VIM的RF校正模型。结果表明,VIM-RF校正模型表现出了良好的预测性能：R²_CV为0.9981,RMSE_CV为0.0430 mg/kg,MRE_CV为0.0047,R_P²为0.9993,RMSE_P为0.4964 mg/...