排序方式： 共有2条查询结果，搜索用时 46 毫秒
1
1.
为解决快速无损鉴别籼稻霉变程度问题,利用高光谱技术采集200份霉变样本可见/近红外光谱信息,随机选取155份样本作为校正集,剩余45份作为验证集,根据预测浓度残差检验标准对校正集中异常样本进行剔除。以新校正集建立主成分线性判别分析(PCA-LDA)和簇类独立软模式法(SIMCA)模型,选用正确识别率为指标,优选最佳鉴别模型。并采用连续投影算法(SPA)提取特征波长,优化优选的最佳模型构建速度。研究结果表明,PCA-LDA对所有样本的误判总数为15,正确识别率为92.50%;SIMCA和SPASIMCA对所有样本的未能正确识别总数分别为6、2,正确识别率分别为97.00%、99.00%,并且经SPA筛选的变量数为20,仅占原始变量数的7.81%,建模时长缩短为原始变量的40.93%。因此,SPA-SIMCA鉴别效果最好,该方法在快速、准确鉴别籼稻霉变程度上具有可行性。 相似文献
2.
为解决快速、无损鉴别籼稻霉变程度问题。该文利用高光谱技术采集正常、轻度霉变、中度霉变和重度霉变共4类籼稻样本的光谱数据,经不同预处理后,通过连续投影算法(SPA)提取特征波长,采用多元线性回归判别分析(MLR-DA)建立籼稻霉变程度鉴别模型。同时,通过竞争性自适应重加权算法(CARS)筛选特征变量,采用偏最小二乘法回归判别分析(PLS-DA)建立鉴别模型。研究结果表明,SG-SPA-MLRDA和RAW-CARS-PLS-DA模型的验证集相关系数RP均大于0.950。其中,RAW-CARS-PLS-DA模型的预测效果最优,其验证集相关系数RP为0.969,均方根误差RMSEP为0.269,对未知籼稻样本的总体分类准确率为93.33%。该模型对不同霉变程度籼稻具有较强的鉴别能力,故该方法可为快速、无损鉴别籼稻霉变程度提供技术支持。 相似文献
1