基于近红外光谱技术的马铃薯叶片含水率高效预测

提出了运用近红外光谱技术检测新鲜马铃薯叶片中含水量的方法，并通过预测结果和运算量的对比得出一种高效率的预测方法。采集了900～2100 nm波段范围内110个新鲜马铃薯叶片的光谱反射率信息，经SG（Savitzky-Golay）平滑、多元散射校正（MSC）和标准正态变量变换（SNV）3种预处理后，分别建立偏最小二乘回归（PLSR）模型和BP神经网络模型，再运用回归系数（regression coefficients, RC）法在全波段光谱中提取特征波长，同样经3种预处理后分别建立预测模型。结果表明：在运用光谱全波段信息构建的模型中，经多元散射校正（MSC）预处理建立的BP神经网络模型预测效果最好，预测集决定系数R²为0.9791，均方根误差RMSE为0.3723；在基于特征波长构建的模型中，经SG平滑预处理建立的神经网络模型预测效果最优，预测集决定系数R²为0.9658，均方根误差RMSE为0.4759；验证了特征波段结合BP神经网络建立的模型与全波段建立的模型预测结果相差不大，因而能够极大地减少运算量，提高预测效率。     

橡胶树叶片氮素光谱模型的研究

橡胶树叶片氮含量作为橡胶树营养状态的一个重要量化指标,实时、快速且准确地检测橡胶树叶片氮含量对于橡胶树营养诊断、实施变量施肥具有重要意义。本文使用美国ASD光谱仪采集橡胶树叶片光谱,通过随机选点、氮含量梯度选点以及主成分网格选点,以反射光谱、吸光度光谱、反射率导数光谱以及吸光度导数作为光谱信息,与其对应的橡胶树叶片氮素含量建立PLSR模型。结果表明,采用主成分网格选点建立的反射率导数以及吸光度导数光谱模型具有较好的相关性和预测能力,相关系数分别达到0.9599、0.9492,RMSEP仅0.0978、0.1061,所建立的PLSR模型可以达到无损、快速地预测橡胶树叶片氮含量的目的。     

近红外光谱结合偏最小二乘法对甲氧苄啶粉末药品的定量分析

利用漫反射法获得甲氧苄啶粉末药品的近红外光谱（波长范围1100-2500nm）,采用化学计量学中的偏最小二乘法（PLS）及不同的光谱预处理方法（标准归一化（SNV）、一阶导数和二阶导数）对光谱进行信息提取和分析,对甲氧苄啶粉末药品进行了无损定量分析,以样品中甲氧苄啶为活性成分建立了最佳的数学校正模型。同时讨论了主成分数对PLS模型定量预测能力的影响,并对所得结果做出了比较。     

LED诱导叶绿素荧光光谱检测系统的设计

为实现叶绿素浓度的快速、无损、定量检测,通过对叶绿素荧光现象的分析和研究,选择了合适的激发光源、光谱分析仪器,设计了相应的光路系统,获取叶绿素的荧光光谱。采用相对荧光强度F675和荧光强度比F685/F735分别与水体和叶片中的叶绿素含量,建立回归预测模型,实验结果表明,该系统可进行叶绿素含量的相关检测,且操作简单,具有较好的灵敏度和准确度,但需要对不同的植物种类建立不同的回归预测模型。     

基于神经网络的航空发动机滑油监测分析

提出了一种基于BP神经网络的航空发动机滑油金属含量预测方法，给出了运用自回归模型（AR模型）预测模型和神经网络进行预测的一般公式。将其应用于某型发动机滑油的铁金属含量预测，结果表明，与传统的AR预测模型相比，神经网络表现出优秀的推广能力。经过数值仿真得出AR模型仅能预测出序列的变化趋势；神经网络预测推广能力强、具有较强的鲁棒性和容错性，可以为发动机的监控提供重要的依据。     

鲜猪肉水分近红外光谱在线检测方法研究

本研究目的在于应用近红外光谱技术对冷鲜猪肉深层水分含量进行在线检测方法研究。根据稳态空间分辨光谱技术设计了具有多个检测器的传感器,以750nm、805nm、850nm和970nm的LED作为光源,检测器距离为30-48mm之间,用于检测肉块样品一定深度和范围内的水分含量,从而为无损、快速地给出鲜猪肉水分含量提供一种可靠方法。实验中针对猪背最长肌进行检测,获得184个样品,其水分含量在71%-78%之间,采用多元校正预测模型计算肉块水分含量。所建模型相关系数（r）为0.783,呈显著相关,建模集标准残差（RMSEP）为0.988,验证集标准残差（RMSEP）为1.037。由此得出结论,在短波近红外范围内,利用稳态空间分辨光谱技术能够对猪肉水分含量进行在线检测。     

近红外光谱分析烟叶中的多酚类物质

多酚类物质是烟叶香气产生的重要前体物质。采用近红外光谱结合偏最小二乘算法建立了烟叶中总多酚含量的回归模型。采用建立的模型对检验集进行预测,预测集决定系数R2为0.8671,模型误差SEP为1.4287。结果表明近红外光谱分析技术可以成功应用于烟叶中总多酚含量的检测。此外,为消除烟叶近红外光谱中无效波长变量,采用无消息变量消除算法对所建近红外模型进行优化。结果表明采用该算法后,剩余变量数得到减少,模型维数显著降低,预测性能有所提高。     

同步荧光光谱结合CARS变量优选预测猪肉中四环素残留含量

为快速检测猪肉中的四环素残留含量,采用同步荧光法结合竞争适应重加权采样(CARS)变量优选法建立了预测猪肉中四环素残留含量的支持向量回归(SVR)模型.从样本的三维同步荧光光谱中确定了最佳波长差为65 nm,采用CARS方法从中挑选出与四环素相关的特征波长变量,并与连续投影算法(SPA)及遗传算法(GA)进行比较.最后,应用SVR算法对优选出的16个波长变量建立猪肉中四环素含量的预测模型.分析发现,多元散射校正(MSC)光谱预处理后的CARS方法优于SPA及GA变量选择方法,可以有效地筛选出全光谱中的特征波长变量.CARS-SVR建立的四环素预测模型优于原始光谱的SVR模型,其预测集的决定系数(R2)和预测均方根误差(RMSEP)分别为0.961 2和10.94 mg/kg.研究结果表明,采用同步荧光法结合CARS-SVR模型可以预测猪肉中的四环素残留含量,且CARS-SVR能有效地简化模型并提高预测精度.     

短波近红外光谱的盐酸环丙沙星粉末药品的定量分析

利用漫反射法获得环丙沙星短波近红外光谱(700-1100nm),采用化学计量学中的偏最小二乘法(PLS),选取不同的波长范围及不同的光谱预处理方法(一阶导数和和二阶导数)对光谱进行信息提取和分析,对盐酸环丙沙星粉末药品进行了无损非破坏定量分析,以样品中盐酸环丙沙星为活性成分建立了最佳的数学校正模型.讨论了主成分数对PLS模型定量预测能力的影响,并做了比较.     

光纤光谱技术对猕猴桃品质及成熟度的无损检测

猕猴桃可溶性固形物含量(SSC)和硬度是评价其品质的关键参数,同时也是判别其成熟度的重要指标。为探究基于光纤光谱技术预测猕猴桃SSC、硬度和成熟度的可行性并寻求最佳预测模型。首先,采用光纤光谱(200～1 000nm)采集系统获取不同成熟期"贵长"猕猴桃的反射光谱,并测定SSC和硬度的参考值。接着,基于全光谱和参考值构建偏最小二乘回归(PLSR)和主成分回归(PCR)预测模型。然后,应用连续投影算法(SPA)和竞争性自适应重加权算法(CARS)选取特征波长,构建简化的多元线性回归(MLR)和误差反向传播(BP)网络预测模型。最后,通过偏最小二乘判别分析(PLS-DA)和简化的K近邻(SKNN)算法,构建预测猕猴桃成熟度检测模型。结果表明:CARS-BP模型对SSC的预测性能最优,其预测集决定系数R_P~2=0.90,预测集均方根误差(RMSEP)和剩余预测偏差(RPD)分别为0.64和3.22;CARS-MLR对硬度的预测性能相对最优,其R_P~2=0.83,RMSEP和RPD分别为1.67和2.47;PLS-DA模型对猕猴桃成熟度的检测性能最优,其正确识别率高达100%。该研究为水果品质和成熟度的无损检测提供重要指导。     

基于脉冲涡流的铁磁性材料屈服强度检测方法

钢铁工业中的铁磁性材料屈服强度的检测依赖拉伸检测,增加了检测成本,为此提出了一种多特征融合的铁磁性材料屈服强度脉冲涡流检测方法。提取脉冲涡流响应信号的时域特征、频域特征,然后建立各个信号特征与材料屈服强度的神经网络模型,最后用神经网络模型对材料的屈服强度进行估计。该方法是一种无损检测方法,检测误差不超过5%。     

基于GA-BP的汽车风振噪声声品质预测模型

目前对于汽车风振噪声的优化研究主要以声压级（Sound pressure level，SPL）作为单一评价指标，既不能全面反映噪声的物理属性，也无法考虑人耳对噪声的主观认知过程。为准确评价风振噪声，引入声品质，运用大涡模拟（Large eddy simulation，LES）对风振噪声进行数值仿真，根据实车道路试验判断仿真的准确性；对仿真结果进行声品质客观评价与主观评价，综合声品质客观评价参数与声品质主观评价试验结果建立BP神经网络预测模型；利用遗传算法（Genetic algorithm，GA），进一步对BP神经网络的结构参数进行优化，建立GA-BP声品质预测模型。研究结果表明，GA-BP声品质预测模型在训练速度和预测精度上都优于BP神经网络预测模型。预测模型基于声品质主客观评价结果，其预测值可以代替传统的声压级评价指标，为风振噪声提供更为准确合理的评价。     

基于全卷积层神经网络的轴承剩余寿命预测

传统的数据驱动的轴承剩余寿命预测方法需要基于知识和经验,通过人工建立性能退化指标,费时费力,为此,采用卷积神经网络对输入信号进行特征自学习和剩余寿命预测。将传统卷积神经网络中的全连接层全部更换为卷积层与池化层,以减少神经网络需训练的参数;采用加权平均方法对预测结果进行降噪处理。轴承加速寿命实验数据集验证了所提方法的有效性。     

人工神经网络在大气污染预测中的应用研究

以陕西省宝鸡市空气污染指数的预测预报为例,引入人工神经网络的理论和方法,对其进行模拟分析,建立了基于BP神经网络的空气污染指数非线性时间序列预报模型。模型仿真性能检验和精确度检验表明:建立的模型准确度高,适应性强,可直接用于宝鸡市日空气污染指数的预报。     

基于ACO-BP神经网络的光伏系统发电功率预测

为准确预测光伏发电量,减少并网光伏对大电网的影响,引入相似日概念,对夏季预测日的平均温度、最高温度、最低温度以及天气类型进行分析。在历史数据中选取具有相似天气特征的发电功率数据和天气数据作为神经网络的训练样本,建立ACO-BP神经网络光伏发电功率预测模型,并将预测结果与传统BP神经网络和PSO-BP神经网络预测结果相比较。实验结果表明,该模型具有较高的预测精度。     

基于进化神经网络的电火花铣削加工电极损耗预测

针对电火花铣削加工的时变非线性特性,提出基于神经网络的电火花铣削加工电极损耗预测模型,利用该网络预测加工速度和工具的相对损耗,从而可在加工中实时计算出工具实际损耗量,为实现电极损耗的在线动态补偿打下基础。针对神经网络传统训练算法-BP算法的不足,提出了一种自适应调节变异率和变异量的进化算法来优化网络权值和网络结构,提高了网络的逼近精度和进化速度。     

基于改进BP神经网络的连铸漏钢预报

针对传统BP神经网络在训练过程中存在收敛速度慢的缺陷,将LM(levenberg marquardt)算法引入到BP神经网络的训练过程,建立了LM-BP神经网络模型,并将其应用于连铸过程中的漏钢预报系统。结合某钢厂连铸现场历史数据对系统进行了测试,测试结果以96.15%的预报率及100%的报出率,验证了基于LM算法的BP神经网络连铸漏钢预报方案的可行性和有效性。     

基于遗传算法优化小波神经网络数控机床热误差建模

数控机床的热误差已经成为影响其加工精度的一个关键因素,为最大限度提高数控机床热误差补偿的精度和效率,结合遗传算法自适应全局优化搜索能力和小波神经网络良好的时频局部特性的优点,提出一种基于遗传算法优化小波神经网络的机床热误差补偿模型。以某型号五轴摆动卧式加工中心为试验对象,以机床温度变量和热误差为数据输入样本,建立小波神经网络模型热误差预测模型,然后用遗传算法优化小波神经网络权值、阈值,最终建立热误差预测模型。通过与传统人工神经网络和普通小波神经网络进行对比分析及试验论证表明,该补偿模型具有精度高、抗扰动能力和鲁棒性强等优点,有望在实际加工场合的数控机床的热误差预测和补偿研究中得到更大的推广应用。     

设备故障趋势预测的分析与应用

研究了设备故障趋势的预测方法，介绍了非线性自回归模型，提出将BP神经网络与非线性自回归模型相结合，针对实验室JZQ250型齿轮箱的测试系统建立了基于振动信号的神经网络预测模型。采用MATLAB软件中自带的神经网络工具箱，利用模块化的编程思想，编程实现了神经网络预测模型．并利用实验室数据的峭度指标进行了实验。首先给出网络的输入及对应的目标输出，然后经过训练获得网络的权值和阈值，最终构建齿轮箱故障趋势的预测神经网络，用来预测齿轮箱的故障趋势。结果表明，该模型能够有效地短期预测齿轮箱的典型故障，可以用于齿轮箱的故障诊断。