不同产地国产烤烟近红外光谱的特征分析及其模式识别

对2003年125个不同产地的国产烤烟烟叶的原始近红外光谱、SNV光谱与一阶导数光谱进行了主成分分析,采用主成分空间下的马氏距离判别样本的产地归属,提出根据仪器噪声和误差水平确定最大主成分个数,研究了主成分个数、样本空间、光谱区间对烟叶产地识别准确率的影响,分析了烟叶产地的近红外特征区和产地特征信息在不同主成分上的体现。结果表明,采用光滑处理的全光谱区间的一阶导数光谱,在建模样本空间进行主成分分析时所建模型对烟叶样品的识别准确率最高。     

基于KPCA苹果近红外光谱的特征提取研究

利用核主成分分析(KPCA)对苹果近红外光谱进行特征提取,不但使得光谱维数大幅降低,而且能有效地提取原始光谱的非线性信息。实验表明,KPCA结合支持向量回归机(SVR)建立的苹果酸度回归模型与PCA-SVR和SVR模型相比,提高了预测精度,缩短了训练时间和预测时间,是一种有效的光谱特征提取方法。     

国产烤烟烟叶的NIRS模式识别

以近红外光谱的主成分描述烟叶特征,采用马氏距离判别准则对不同产地的国产烤烟烟叶进行了产地、部位、等级的模式识别。结果表明:①预测准确率随样本的复杂程度和数量而变,波动范围为74%~97%。错分率高于80%的样本主要集中在自然生态环境多样性和复杂性程度较高的云南、贵州、四川及重庆地区的交界地域,说明按照行政区划分烟叶产区不尽合理;②部位、等级识别的准确率低于产地的识别,这与样本数不够大、烟叶分级受人为因素影响较大有关。     

基于近红外光谱技术和优化预处理方法的豆浆粉无损鉴别研究

基于近红外光谱技术结合不同优化预处理方法建立不同品牌与简单研磨豆浆粉的无损鉴别方法。首先对简单研磨豆浆粉、国产品牌、国外品牌3类共132个样品进行近红外光谱采集,对比分析其近红外原始光谱图,随即结合不同预处理方法考察其对原始光谱的优化结果,最后结合主成分分析方法对简单研磨豆浆粉以及国内外不同品牌豆浆粉进行鉴别分析,筛选出最佳的优化预处理,并建立有效可靠的豆浆粉近红外鉴别模型。结果表明:原始光谱存在着明显的背景干扰和基线漂移现象,多种预处理均在一定程度上有效消除基线漂移;一阶导数、连续小波变换、多元散射校正、标准正态变量变换及其优化组合预处理的使用,实现了进口、简单研磨、国产3类豆浆粉样品的有效鉴别,但无法实现国产品牌之间的有效鉴别。二阶导数预处理的聚类分析结果则最终实现了所有品牌之间的完美区分,品牌间的鉴别成功率可达到100%。在豆浆粉的近红外快速无损鉴别当中最优光谱预处理方法为二阶导数预处理。     

基于近红外光谱和共轭梯度神经网络的板栗褐变检测

为了实现板栗褐变的无损检测,本实验以\     

基于近红外光谱技术有监督模式识别的青皮产地溯源分析

利用便携式近红外光谱仪采集不同产地(安徽、广东、四川)青皮外壁和内囊光谱数据,采用单一预处理和组合预处理方法消除光谱中的多种干扰,结合主成分分析(PCA)、簇类独立软模式分类法(SIMCA)及Fisher线性判别分析(FLDA)等模式识别方法建立青皮产地溯源模型。结果表明,光谱预处理可以在一定程度上消除基线漂移、背景噪声和谱峰重叠干扰,但无法实现产地溯源。3种模式识别方法中,PCA无法实现青皮产地溯源;青皮外壁和内囊原始光谱的SIMCA模型获得的青皮产地溯源整体鉴别率分别为99.14%和98.28%;FLDA模型获得的整体鉴别率均为99.57%,优于SIMCA模型;经光谱预处理优化后的SIMCA和FLDA模型对青皮产地溯源的鉴别率均可达100%,即便携式近红外光谱技术结合有监督模式识别方法可实现青皮产地溯源的无损分析,可为食药同源物质产地溯源拓展新途径。     

基于近红外光谱技术的大麻哈鱼品种快速鉴别研究

为了进行鱼品种快速鉴别,以2种大麻哈鱼57个样品为研究对象,分别进行绞碎和切块预处理,然后采用近红外光谱技术结合聚类分析(CA)和主成分分析(PCA)方法进行研究。结果表明,近红外漫反射光谱结合聚类分析和主成分分析方法均可以为快速无损鉴别鱼品种提供准确可靠的方法,在本试验范围内的准确率能达到100%。该方法为鱼品种的快速鉴别提供了依据。     

基于近红外光谱技术的纸浆原料快速分类

针对传统纸浆纤维种类鉴别费时、费力等问题,提出近红外光谱分析法。将常用造纸原料制浆并抄片为成品纸,测量各样品在10000～4000cm-1区段范围内的近红外光谱,谱图信号经滤波和一阶微分预处理后提取主成分,用于聚类分析。结果表明：近红外光谱技术结合聚类分析能对样品正确、快速分类,可以为快速无损鉴别纸浆种类提供一种准确可靠的方法。     

基于近红外光谱的烟叶SIMCA模式识别

研究了基于烟叶的近红外光谱数据通过软独立模式分类(SIMCA)识别不同烟叶的方法。首先对每种具有确定产地、等级、品种的目标烟叶进行多次分布式取样,扫描目标烟叶多个样品的近红外光谱;再对目标烟叶近红外光谱进行主成分分析(PCA)运算生成每种目标烟叶的数据模型;然后扫描未知烟叶的近红外光谱,用目标烟叶数据模型对未知烟叶近红外光谱进行主成分分解计算,计算未知烟叶与目标烟叶的距离,通过距离衡量未知烟叶与目标烟叶的相似程度。建立了包含115种不同产地、等级、品种的目标烟叶的数据模型,对115个外部检验样品进行了模式识别,正确识别率高于90%。结果表明该烟叶模式识别方法基础数据易得,同时考虑了烟叶的平均水平和分布水平,识别准确率高,具有良好的发展前景。      

中红外光谱与模式识别相结合鉴别茶叶种类

采用漫反射傅立叶变换红外（FTIR）光谱法结合主成分分析对苏州“碧螺春”、浙江“龙并”、安徽祁门红茶、福建“铁观音”4种茶叶进行了聚类分析。结果表明，主成分分析结合马氏距离判据的方法对上述4种茶叶可进行鉴别，该法快速、准确，为客观评价茶叶品种提供了一种新的方法。     

基于近红外光谱技术和优化预处理方法的不同品牌燕麦无损鉴别分析

目的 建立红外光谱预处理方法以实现对不同品牌燕麦的快速无损鉴别。方法 通过对不同品牌燕麦样品近红外光谱进行采集, 结合单一以及组合光谱预处理方法消除光谱干扰, 最后利用主成分分析法构建稳健的鉴别模型。结果 光谱预处理有效消除了变动背景以及基线漂移干扰, 最佳预处理方法为二阶导数, 可以实现进口、国产、劣质燕麦之间的完全鉴别。结论 通过近红外光谱预处理方法对原始光谱图进行处理, 可以提取光谱图中有用信息, 消除样品自身不均等因素对光谱的影响, 提高不同品牌燕麦鉴别的准确率。     

基于主成分分析和人工神经网络的近红外光谱大豆产地识别

为了准确、快速地识别大豆产地,通过近红外光谱技术（NIRS）结合主成分分析（PCA）和人工神经网络技术（ANN）研究不同国家大豆内含特征,建立进口大豆产地识别模型。采用箱型图校正法,剔除阿根廷、巴西、乌拉圭、美国等4个国家166组大豆样本中12组异常样本。采用多元散射校正（MSC）、标准正态变量（SNV）、Savitzky-Golay（SG）平滑滤波等方法进行光谱数据预处理,结果表明,采用SG（3）平滑结合MSC预处理效果最好。主成分分析表明,前10个主成分的累积贡献率达到99.966%。选取主成分分析得到前10个主成分为输入向量,4个产地作为目标向量,分别采用支持向量机（SVM）、邻近算法（KNN）与人工神经网络法（ANN）建立识别模型。结果表明,采用BP-ANN建模效果最好,总体测试集准确率为95.65%,其中阿根廷准确率为100%,巴西准确率为100%,乌拉圭准确率为80%,美国准确率为100%,该模型能够实现对进口大豆生产国别的识别。     

基于近红外化学成分特征吸收光谱的野生台蘑鉴别模型研究

本文建出一种应用近红外光谱技术鉴别野生台蘑的新方法。使用FieldSpec3便携式近红外光谱仪对包括野生台蘑在内的13种蘑菇进行漫反射光谱采集。将采集的数据经小波去噪后,对可见与近红外光谱(350～2500nm)进行峰谷筛选,所得峰谷集经主成分分析降维,取方差贡献率大于99.9%的5个主成分作为BP神经网络的输入值,建立数学模型。该模型在偏差±0.05内,对未知样本正确识别率为100%。本结果表明利用近红外漫反射光谱可以很好地鉴别野生台蘑。     

基于近红外光谱法鉴别不同麻类纤维

各麻类纤维的外观形态和化学性能相似,为鉴别不同麻类纤维,基于傅里叶变换近红外光谱分析方法,采用主成分分析结合SIMCA模式识别方法,对苎麻、亚麻、大麻、黄麻、红麻、罗布麻6种纤维进行鉴别.结果表明:6种纤维经平滑及基线校正光谱预处理,构建主成分因子为3的分析模型,结合SIMCA模式识别方法,所有纤维的识别率和拒绝率达到...     

基于PCA-1DCNN的近红外光谱粮食作物主要成分检测方法

针对传统的近红外光谱定量技术难以选择合适的光谱预处理方法且模型预测精度低的问题,以3个谷物数据集的近红外光谱数据集为研究对象,构建了基于主成分分析光谱筛选算法的一维卷积神经网络模型。与传统的偏最小二乘回归和支持向量机模型的性能做了对比后,一维卷积神经网络构建的模型性能均为最优。其中在对玉米数据集的水分、油脂、蛋白质、淀粉的定量建模中,模型的决定系数分别为99.09%、98.15%、98.89%、99.60%;在对grain数据集的定量建模中,四种成分模型的决定系数分别为100%、100%、100%、99.99%;在对小麦数据集的定量建模中,小麦蛋白质模型的决定系数为99.80%。为了验证主成分分析光谱筛选算法对粮食作物主要成分定量回归模型的有效性,在3个光谱数据集上去除了主成分分析算法进行消融实验。研究结果表明：基于主成分分析算法与一维卷积神经网络的回归建模方法为粮食作物成分含量的检测提供一种快速无损精确的判定方式,研究结果对于粮食作物成分的含量检测具有促进作用。     

基于主成分分析与近红外光谱技术的窖泥聚类研究

采用近红外光谱技术和主成分分析法相结合的检测手段,从60年、90年、200年窖龄的窖池和封窖泥中取样,每个窖池样本为12个,测量其近红外漫反射红外光谱,在4000～10000 cm-1区间选取不同范围内的光谱数据,对48个样本进行主成分分析,作二维线性投影图和三维线性投影图,比较了48个样品在红外光谱上的差异程度,发现基于傅里叶变换近红外光谱的主成分分析投影图能够较好地表征48个样品的类别关系,不同窖龄的样本在空间分布中能够得到较好的区分。结果表明,应用近红外漫反射光谱法能够鉴别窖泥的使用年份。作为一种窖泥质量检测手段,该方法具有一定的应用价值。     

基于近红外光谱和LSSVM方法的转基因大米鉴别研究

采用近红外漫反射光谱结合主成分分析(principal component analysis,PCA)和最小二乘支持向量机(least squares support vector machine,LSSVM)研究转基因大米的鉴别方法。采用PCA方法分析大米样品光谱空间分布;不同的光谱预处理方法:5点平滑、多元散射校正(multiplicative scatter correction,MSC)和标准正态变量变换(standard normal variate transformation,SNV)结合LSSVM用于定性判别模型的建立和优化;采用格点搜索方法对LSSVM模型的惩罚因子(c)和径向基核函数宽度(g)进行优化;正确识别率(correct recognition rate,CRR)用于判别模型的评价。结果表明:MSC结合LSSVM可用于转基因大米定性判别模型的建立,最优模型的CRR为97.50%。该方法有望成为转基因食品快速鉴别的一种辅助方法。      

利用可见/近红外光谱判别干枣品种

目的利用可见/近红外反射光谱技术快速判别干枣的品种。方法使用光谱仪获取山西永和枣、山西板枣和新疆和田枣3种干枣在345~1100 nm波段范围内的漫反射光谱;分别使用多元散射校正(MSC)法和一阶导数法(1~(st)-D)和二阶导数法(2~(st)-D)对反射光谱进行预处理;对预处理光谱进行主成分分析,全交差验证法确定最佳主成分数量,提取主成分,结合马氏距离法和线性判别法建立品种判别模型,建立模型过程中使用全交叉验证法确定最佳主成分数,将模型应用于干枣的品种判别。结果可见/近红外反射光谱经过MSC处理后提取主成分建立品种预测模型对枣的品种判别结果最好,利用前4个主成分结合马氏距离法建立的判别模型和利用前5个主成分结合线性判别法建立判别模型,对于3个品种的枣的校正和验证判别准确率都达到了100%。结论可见/近红外反射光谱技术可以较好地判别干枣品种,本研究可为可见/近红外光谱技术在于枣品种和产地的快速鉴别和溯源中的应用提供一定的技术基础。     

近红外光谱法定性检测餐桌废弃油脂的掺伪

目前餐桌废弃油脂的违法掺伪行为时有发生。探索快速而有效的分析手段,保障百姓餐桌安全是当前的重要任务。本实验采用近红外光谱分析法对餐桌废弃油脂掺伪食用油进行定性鉴别。采用计量学软件,运用距离判别法和BP神经网络算法,对经过标准化与主成分分析处理过的油脂光谱数据建立模式识别模型。距离判别法的判别准确率为89.71%,BP神经网络准确率最高达到97.06%。预测结果说明,分析油脂的近红外光谱信息可以有效鉴别回收油的掺伪行为。      

基于近红外光谱技术快速检测椰汁品质

本研究应用近红外光谱技术结合主成分分析法(PCA)对3个不同品种的椰子,3个不同品牌成品椰子饮料及椰子粉进行定性分析。结果表明,对椰子3种不同形式的加工产品(椰子原汁、椰子饮料、椰子粉)进行定性分析的准确判别率均达到100%。采用近红外光谱技术结合偏最小二乘法(PLS)对椰汁饮料中原汁含量进行定量分析。为保证所建模型的稳健性、准确性,消除干扰,采用6种不同的预处理方法对近红外光谱技术进行优化,结果表明经过中心化预处理可得最佳模型,其R_p²、RMSEP、R_c²、RMSEC分别为0.9942、0.0435、0.9932、0.0519。本研究表明近红外光谱技术可为市售椰汁及椰子加工制品品质的快速、无损检测提供一种新思路。