近红外光谱法检测小麦粉中灰分含量的研究

采用化学法测定67个小麦粉样品的灰分含量,利用波通DA7200型近红外光谱分析仪采集样品近红外光谱,选择合适的光谱区间及光谱预处理方法,采用偏最小二乘法(PLS)和留一法交叉验证方式建立定标模型.50个定标样品的近红外光谱经二阶导数预处理,由PLS法获得的定标模型的决定系数(R2)为0.897 0.利用17个验证集样品进行外部检验,预测值与真实值之间的相关系数(R2)为0.909 4,预测集标准偏差(SEP)为0.098 0.实验表明,近红外光谱法应用于小麦粉灰分的测定是可行的.     

近红外光谱法主成分分析6种植物油脂的研究

采用近红外光谱技术,结合主成分分析方法,研究区分6种植物油脂的测定方法.用不同品种和不同产地的油料制备植物油,其中32种大豆、34种花生、28种菜籽和12种棉籽,采集不同厂家生产的20种棕榈油和12种米糠油样品.测定6种植物油脂138个样品的近红外透射光谱.以植物油脂的光谱信息作变量,应用NIRCa15.2软件进行光谱预处理及主成分分析,随机取2/3的样品作定标集,1/3作验证集,选取负荷量差别较大的7个主成分进行得分比较.结果显示,138个样品被识别为相互独立的6组,分类精度100%,验证准确率100%.     

应用有效波长进行奶茶品种鉴别的研究

基于最小二乘支持向量机建模方法,提出应用奶茶在可见/近红外光谱谱区的有效波长进行其品种鉴别的新方法.用225个样本建模,75个样本进行预测.通过对光谱数据进行偏最小二乘法分析,根据载荷图和回归系数图选择鉴别奶茶品种的有效波长（EW）,并建立EW与最小二乘支持向量机（LS SVM）相结合的EW LS SVM模型,同时与应用主成分（PC）和小波变换（WT）建立的PC LS SVM和WT LS SVM模型进行判别准确率的比较.结果表明,应用EW、PC和WT建立的模型对建模样本的判别准确率均为100%,对预测集样本判别准确率分别为98.7%、98.7%和100%,获得了理想的鉴别效果.研究表明,应用可见/近红外光谱谱区的有效波长进行奶茶品种鉴别是可行的,且EW LS SVM模型能获得满意的鉴别精度.     

近红外光谱结合模式识别方法用于食盐溯源研究

应用近红外光谱分析技术,结合偏最小二乘辨别分析(PLS-DA)和支持向量机(SVM)两种模式识别方法用于5种食盐的品种追溯识别研究.将5种食盐250个样品分别在波长范围400~1 198 nm光谱条件下扫描并获取数据.从得到的每种食盐的光谱数据中随机选取34个样品利用SVM建立模型,用模型对其余16个样本进行预测,用网格寻优的方法选择最优参数,然后进行分类预测,5种食盐的准确识别率分别达到100%、93.8%、87.5%、100%和93.8%.通过PLSDA方法构建模型时采用二阶求导对近红外光谱数据进行预处理,并用留一法交互检验确定PLS模型的隐变量数,该模型对5种食盐的预测准确率分别达到93.75%、100%、100%、100%和100%,结果表明PLS-DA预测效果较SVM稍好.该研究为实现不同品种食盐的鉴定以及成品食盐的品种溯源提供了一种参考方法.     

近红外光谱法测定油炸方便面中水分含量的研究

应用近红外光谱技术测定了油炸方便面中的水分.通过比较各种数据处理方法,以80份样品建立方便面水分的近红外定标模型,40份样品作为验证样品集进行了验证.结果表明:以SNV(标准正态变量转化法)预处理后采用PLS(偏最小二乘法)建模效果最好.该方法得到的定标集样品的相关系数Rc和预测标准误差SEC分别为0.985 0、0.237 3;验证集样品的相关系数Rv和预测标准误差SEP分别为0.986 0、0.232 2.验证结果表明利用近红外光谱技术能快速测定油炸方便面中的水分.     

气相色谱法SIMCA模式识别9种植物油脂的可行性研究

通过Soft Independent Modeling of Class Analogy(SIMCA)模式识别方法区分花生油、大豆油、米糠油、棕榈油、菜籽油、玉米油、棉籽油、葵花籽油和芝麻油9种植物油脂.采用气相色谱法分析9种植物油脂219个样品的脂肪酸,用面积归一化法得到每个植物油脂的各脂肪酸相对含量.以每种植物油脂中9个脂肪酸的相对含量为变量,采用SIMCA分析技术进行数据预处理,随机取2/3的样品作定标集,1/3作验证集,对9种植物油脂的训练集进行主成分分析(PCA),并通过交互验证建立各油脂种类的PCA模型,再利用训练集样本建立的SIMCA判别模型对验证集样本进行验证.结果显示,SIMCA可以对9种植物油脂分别聚类和识别,各种植物油脂的SIMCA分析的聚类精度均为100%,除了芝麻油的验证识别准确率为75%外,其他均为100%.     

基于三维重力加速器人体动作识别与分类

运用单个动作传感器通过机器学习算法——支持向量机(SVM),建立出色的人体日常动作识别模型.通过3个主要步骤对动作数据进行了处理,即小波转换,基于降维和K层交叉验证的主成分分析(PCA)以及自动寻优搜索获得SVM径向基核函数中的最佳参数σ和c,获得识别6种人体动作的最佳分类器.采用SVM(支持向量机)算法获得的动作分类器,在对不同动作识别时,得出的平均准确率达到94.5%.这表明基于人体动作识别的验证方法具有实用价值的,并在不久的将来会有进一步的提升.     

基于近红外光谱技术测定小麦籽粒淀粉含量

采用化学方法测定78个小麦样品中的淀粉含量,运用近红外光谱仪采集小麦样品近红外光谱.用光学处理和数学处理等手段对模型的影响进行了探讨.结果显示,反相离散多元校正(Inverse MSC)与二阶导数结合对光谱数据进行预处理后,运用偏最小二乘法(PLS)所建分析模型的预测效果最优,其相关系数为0.951 7.以17个验证集样品进行外部检验,得小麦籽粒中淀粉含量的模型预测值与化学值之间的相关系数为0.978 6.     

近红外光谱法测定小麦籽粒中的蛋白质含量

用化学方法测定78个小麦籽粒样品中的蛋白质含量,利用近红外谷物分析仪采集样品的近红外光谱,选择合适的光谱区间和光谱预处理方法.60个定标集样品的近红外光谱经二阶导数及标准多元离散校正预处理,结合偏最小二乘法建立了小麦籽粒中的蛋白质含量测定的定标模型,其相关系数为0.934 0.18个验证集样品用于外部检验,小麦籽粒中的蛋白质含量的模型预测值与化学值之间的相关系数为0.979 7.     

废旧纺织品中聚酯织物的快速鉴别方法研究

废旧聚酯纤维制品的回收利用已实现产业化,但废旧聚酯原料的快速鉴别和分拣一直是该行业的重大难题。本课题首先采用中红外光谱仪筛选出聚酯、棉、锦纶、羊毛、聚酯/棉混纺、聚酯/锦纶混纺、聚酯/羊毛混纺织物样本共计493个,并利用近红外光谱仪获取样本的原始近红外光谱图,将其中的269个样本作为训练样本,224个样本作为验证样本,采用Python编程语言编写程序,用主成分分析法(PCA)对数据进行降维,用支持向量机(SVM)分类算法进行分类,选择主因子数6,在全波段建立聚酯纤维制品快速鉴别分析模型。为了验证模型的准确性和实用性,利用该模型对224个未参与建模的样本进行鉴别,模型对聚酯样本的识别正确率达97. 4%,表明该模型可以较准确地将纯聚酯织物从废旧纺织品中鉴别出来。     

脂肪酸分析结合基团红外光谱吸收识别稻米油

采用气相色谱法和红外光谱法结合簇类的独立软模式(SIMCA)识别方法对稻米油进行识别分析方法的研究.计算4种植物油(稻米油、大豆油、花生油和菜籽油)中8种脂肪酸含量;油脂样品和糠蜡样品采用傅里变换红外吸收光谱仪分别扫描其光谱,以1 080～1 125 cm-1和1 680～1 780 cm-1波段处的吸收值为不同种类油脂的红外特征信息.用SIMCA识别法分别对4种植物油建立种类识别模型.然后,以各种植物油脂的脂肪酸和红外吸收光谱的吸收值信息为变量,建立各种油脂的主成分分析模型,随机抽取2/3的样本为训练集,1/3为验证集,对所建立模型进行识别并验证,两种变量得到的模型的Q值均为0.9.两种方法的识别结果分别为97％和100％.     

光谱分辨率的选取对食用油近红外模型性能影响分析

近红外光谱仪的类型和工作参数的设定对测量过程和分析结果均有一定影响.重点讨论了在傅立叶变换型光谱仪上设定不同的光谱分辨率对食用油近红外定量模型性能的影响.实验采用Vertex 70光谱仪,在3种光谱分辨率(4,8,16 cm-1)条件下,采用透射式液体光纤探头采集60份食用油样品近红外谱图.针对3组近红外光谱样品集,分别采用蒙特卡罗采样法剔除异常样品,根据Kennard-Stone法划分校正集和校验集后,建立优化食用油棕榈酸近红外定量分析模型并作预测.结果表明基于16 cm-1建立的食用油近红外模型指标优于4 cm-1和8 cm-1所建的模型,该结果可以为均匀液体作近红外检测时光谱分辨率的设定提供参考.     

一种用于多分类问题的改进支持向量机

针对非均衡分布的多类分类问题,为提高支持向量机(SVM)算法的性能,提出了一种改进的SVM算法. 将遗传算法(GA)与传统SVM算法结合,构造出一种参数最优的进化SVM(GA-SVM), SVM模型采用径向基函数(RBF)作为核函数,利用格雷码编码方式对SVM算法的模型参数进行遗传编码和优化搜索,将搜索到的优化结果作为SVM的最终模型参数. 在两个不同特性的数据集上进行仿真测试,结果表明,与使用交叉验证策略的简单SVM相比,改进后的GA-SVM算法在多类非均衡问题上明显提高了分类正确率,学习速度也有提高.     

甘三酯-主成分分析识别7种植物油脂的研究

以大豆油(33种)、花生油(39种)、葵花籽油(17种)、玉米油(10种)、棕榈油(28种)、芝麻油(37种)和菜籽油(58种)为样品,采用反相高效液相色谱法(RP-HPLC)分别测定其甘三酯组成.以乙腈和二氯甲烷为流动相,蒸发光散射检测器检测,通过JUPITER C18色谱柱将油脂分离为多簇峰(38个);随机取2/3样品数量作为定标集,使用NIRCal-5.2软件的数据处理向导,以甘三酯相对含量为变量,对其进行log(logarithm)对数处理和ncl(Normalization by Closure)标准化处理,使用聚类分析-主成分分析(CLU-PCA)方法,经过优化识别模型,7种植物纯油被正确识别为7类;其余1/3样品为验证集,除玉米油和菜籽油的识别率为90%和92%外,其他识别模型的准确率和验证准确率均为100%.     

甘三酯-主成分分析识别7种植物油脂的研究

以大豆油(33种)、花生油(39种)、葵花籽油(17种)、玉米油(10种)、棕榈油(28种)、芝麻油(37种)和菜籽油(58种)为样品,采用反相高效液相色谱法(RP-HPLC)分别测定其甘三酯组成.以乙腈和二氯甲烷为流动相,蒸发光散射检测器检测,通过JUPITER C18色谱柱将油脂分离为多簇峰(38个);随机取2/3样品数量作为定标集,使用NIRCal-5.2软件的数据处理向导,以甘三酯相对含量为变量,对其进行log(logarithm)对数处理和ncl(Normalization by Closure)标准化处理,使用聚类分析-主成分分析(CLU-PCA)方法,经过优化识别模型,7种植物纯油被正确识别为7类;其余1/3样品为验证集,除玉米油和菜籽油的识别率为90%和92%外,其他识别模型的准确率和验证准确率均为100%.     

基于叶片光谱特征的农业区域植物分类

基于农业区域8种植物的叶片光谱数据,提取63种光谱特征变量,并对全波段光谱(原始、一阶微分和包络线去除光谱)提取主成分,分别采用k最近邻(k-nearest-neighbors,kNN)、支持向量机(support vector machine,SVM)和随机森林(random forest,RF)3种机器学习方法对不同植物进行遥感分类.比较3种方法所得的总精度、训练精度、验证精度及8种植物的生产者精度.结果表明,SVM的分类性能优于kNN与RF;单一的光谱特征变量识别精度都较低(50%);基于主成分分析的一阶微分光谱识别性能优于原始光谱和包络线去除光谱.研究指出,叶片一阶微分光谱与SVM相结合的方法能够准确识别不同植物物种.可为景观或区域尺度的植被遥感分类、精准农业和森林资源调查等提供借鉴.     

基于概率主成分分析的差分隐私数据发布方法

针对高维相关数据发布的隐私保护问题,本文提出2种隐私保护数据发布方法,解决高维相关数据发布时重复加噪导致的发布数据效用过低问题。基于概率主成分分析模型的隐私数据发布方法,及基于概率主成分分析和差分隐私的数据发布方法,利用主成分分析对高维数据降维,在低维数据中加入拉普拉斯噪声,然后再由概率主成分分析的生成模型生成数据集发布,使得发布的数据集满足差分隐私。经过分析与验证,当选取恰当的主成分个数时,2个真实数据集上的分类准确率较同类方法提高2%～5%。本文方法在支持向量机分类准确率方面可以保持良好的数据效用。     

一种优化的SVM竹类属种识别方法

提出了一种优化的AS-PO-SVM分类模型,用于解决竹种属的分类问题。AS-PO-SVM是一种基于属性选择(AS)和参数优化(PO)的支持向量机(SVM)分类模型。先用UCI公开数据集验证了AS-PO-SVM模型的分类性能,再将模型应用于由簕竹属、牡竹属、刚竹属和玉山竹属共46个竹种样本构建的Bamboo数据集上。实验结果显示AS-PO-SVM模型在Bamboo数据集上分类准确率达到95.65%,是一种有效的竹种分类模型。     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.     

GA-LSTM模型在高速公路交通流预测中的应用

为提高高速公路交通流预测精度,为高速公路管理部门动态控制诱导提供有效支撑,以实时交通流预测误差最小为目标,通过对高速公路数据的清洗和归一处理,分为4个不同时间间隔的数据集,按比例划分为训练数据集和测试数据集.采用遗传算法(GA)对数据时间窗步长、长短期记忆(LSTM)神经网络的隐藏层数、训练次数、dropout进行优化调参,分析4种参数对模型寻优影响,GA-LSTM模型在keras中以Tensorflow为后台进行训练拟合.结果表明:GA-LSTM模型寻优速度快,同传统预测算法中的SVM、KNN、BP和LSTM神经网络相比较,GA-LSTM对数据预测均方误差和均方根误差最小,模型表现出更好的预测性能.