基于可见-近红外光谱技术与BP-ANN算法的污水类型鉴定

提出了一种基于可见-近红外光谱技术与BP人工神经网络(BP-ANN)算法快速进行污水类型鉴定的新方法.以FieldSpec(R)3地物光谱仪采集了4种污水样品的光谱数据,共168份,随机将其分成校正集(132份)和检验集(36份).分别采取全波段(400～2450 nm)与择取波段(400～1800 nm)两种方法建立模型进行分析.光谱经S.Golay平滑和标准归一化(SNV)处理后,以主成分分析法(PCA)降维.将降维所得的前9个主成分数据作为BP-ANN的输入变量,污水类型作为输出变量,建立3层BP-ANN鉴别模型.利用36个未知样对模型进行检验.结果表明:两类模型预测准确率均高达100%,且择取波段模型比全波段模型具有更高的预测精度.说明利用可见-近红外技术结合BP-ANN算法进行污水类型的快速、无污染鉴定是可行的,且波段筛选是优化模型的有效方法之一.     

土壤锰污染的高光谱分级评价

提出一种利用高光谱技术进行土壤锰污染分级评价的方法。以FieldSpec3地物光谱仪采集矿区土壤光谱反射率150份,随机分成校正集(115份)和检验集(35份)。光谱经小波去噪和多元散射校正(MSC)处理后,以主成分分析法(PCA)降维。将降维所得的前5个主成分数据为输入变量,分别采用Fisher线性判别、Byes逐步判别、模糊模式识别以及BP-ANN判别四种方法建立了土壤锰污染分级评价模型,并利用35个未知样对模型进行检验。结果表明:Fisher线性判别与模糊模式识别预测准确率为80%,Byes逐步判别为82.86%,BP-ANN模型预测精度最高,达85.71%。说明以高光谱技术进行土壤锰污染分级评价是可行,且BP-ANN是建模的优选算法。     

杂交稻种品系与真伪的可见-近红外光谱鉴别

提出了一种基于可见-近红外光谱技术快速、无损鉴别杂交稻种品系与真伪的新方法。采集了5种稻种的光谱数据,各获取32个样本,随机分成训练集(125份)和检验集(35份)。光谱经S.Golay平滑和标准归一化(SNV)处理后,以主成分分析法(PCA)降维。将降维所得的前9个主成分作为新变量。分别用模糊模式识别、BP-神经网络、Fisher多类线性判别以及Bayes多类逐步判别四种方法进行分析。对35个未知样的预测结果说明可见-近红外技术进行杂交稻种品系与真伪的快速、无损鉴别是可行的,且PCA结合Bayes多类逐步判别是一种优选方法。     

基于主成分和多类判别分析的可见-红外光谱水蜜桃品种鉴别新方法

提出了一种用可见-近红外漫反射光谱技术快速鉴别水蜜桃品种的新方法.应用可见-近红外光谱仪测定三个品种水蜜桃的光谱曲线,再用主成分分析法对不同品种样本进行聚类分析,获取了水蜜桃可见-近红外光谱的特征信息,同时结合多类判别分析技术建立水蜜桃品种鉴别的模型.对经过预处理的光谱数据进行主成分分析,分析表明,以样本在第一主成分和第二主成分上的得分做出的二维散点图,对不同种类水蜜桃具有很好的聚类,能定性区分不同种类水蜜桃;经过主成分分析得到的前8个主成分的累积可信度已达94.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从75个样本中随机抽取60个样本用于建立8个主成分变量的多类判别分析品种鉴别模型,余下的15个样本用于验证,准确率为100%.说明本文提出的方法具有明显的分类和鉴别作用.     

应用光谱技术和支持向量机分析方法快速检测啤酒糖度和pH值

为实现啤酒糖度和pH值的快速检测,采用可见/近红外光谱仪器得到360个啤酒样本的可见/近红外光谱数据.使用主成分分析(PCA)对数据进行降维处理以消除众多信患共存中相互重叠的部分,得到6个主成分值.将样本数据随机分为定标集和预测集,利用最小二乘支持向量机(LS-SVM)算法在定标集数据基础上建立啤酒糖度和pH值预测模型,并利用此模型对预测集样本进行预测.根据预测相关系数(r)和预测标准偏差(RMSEP)判断预测模型好坏,结果表明该模型对啤酒糖度预测的相关系数r为0.9829,RMSEP为0.1506;对啤酒pH值的预测相关系数r为0.9563,RMSEP为0.0494,预测精度明显高于神经网络和PLS预测,所以利用该模型能够准确的预测啤酒的糖度及pH值.     

基于可见/近红外光谱技术的茄子叶片灰霉病早期检测研究

应用可见/近红外光谱技术对茄子叶片进行灰霉病害还未在叶片表面出现病症时的早期检测.采用化学计量学方法建立早期检测模型.主成分分析用于对光谱数据进行降维,得到若干个最重要的主成分.但直接从聚类图中无法进行是否染病的鉴别.因而将其作为变量输入BP神经网络,从而减少了计算量,提高了建模精度.检测结果显示,模型具有良好的检测效果,能够达到100%的识别率,正确率也能达到88%.说明运用可见/近红外光谱技术能够实现当病症还未在叶片表面出现时的快速准确的早期检测,为灰霉病早期检测提供了新的途径.     

基于BP神经网络的近红外光谱法鉴别芝麻油品牌的研究

研究了一种用近红外光谱分析技术快速鉴别芝麻油品牌的方法。首先对芝麻油样品的近红外光谱采用主成分分析法进行聚类分析,加结合人工神经网络技术进行芝麻油品牌的鉴别。通过主成分分析,得到前15个主成分的累计可信度达到99.72%,再将55个校正集样品的前15个主成分数据作为BP网络输入变量,建立一个3层BP人工神经网络的芝麻油...     

基于独立组分分析和BP神经网络的可见/ 近红外光谱稻谷年份的鉴别

建立了一种基于独立组分分析的可见/近红外光谱反射技术快速鉴别稻谷年份的新方法.首先用独立组分分析方法获取不同年份稻谷的可见/近红外光谱载荷图,将载荷图中相关性最大的波段(特征波段)作为人工神经网络的输入建立稻谷年份的鉴别模型.每个年份40个样本,3个年份共120个样本用来建立BP神经网络模型,剩余的3个年份各20个样本用于预测.预测的结果表明,准确率达到100%.同时通过独立组分分析,得到了稻谷主要成分对应的敏感波段.说明本文提出的基于独立组分分析的方法具有很好的鉴别效果,为稻谷的年份鉴别提供了一种新方法.     

用近红外光谱鉴别杨梅品种的研究

提出了一种用近红外光谱技术快速无损鉴别杨梅品种的新方法,首先用主成分分析法对典型的四个杨梅品种进行聚类分析,获取杨梅的近红外指纹图谱,再结合人工神经网络技术进行品种鉴别.主成分分析表明,以主成分1和2对样本的得分值做出的得分图,对不同种类杨梅具有较好的聚类作用,可以定性分析杨梅种类.利用主成分分析可以把原始波长变量压缩成能代表原始变量的少数相互正交的主成分,用这些新变量作为神经网络的输入,建立3层BP人工神经网络模型.四个杨梅品种共100个样本用来建立神经网络品种鉴别模型,对未知的20个样本进行预测,结果表明,品种识别准确率达到95%.说明综合主成分分析和人工神经网络的方法具有很好的分类和鉴别作用,为杨梅的品种鉴别提供了一种新方法.     

利用可见/近红外光谱测定小麦叶面积指数的改进研究

改进了小麦叶面积指数的可见/近红外光谱测定模型。以不同方法实现了小麦冠层反射光谱的预处理,并采用偏最小二乘回归算法（PLS）建立小麦叶面积指数估测模型对其进行比较分析,发现小波除噪结合一阶导数能最有效地消除原始光谱的噪声与背景信息,此时PLS模型校正集与预测集R2分别为0.849与0.835。为进一步优化模型,对经一阶导数结合小波除噪后的光谱采用主成分分析法（PCA）降维,以前4个主成分（含原始光谱84.867%特征信息）为输入变量,采用小二乘支撑向量机回归算法（LS-SVR）建立了小麦叶面积指数估测模型,其校正集与预测集R2分别达0.905与0.883,具有比PLS算法更高的精度。结果表明:以小波除噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型精度是可行的,且LS-SVR是建模的优选方法。     

基于可见-近红外光谱技术的家蚕蚕种鉴别方法的研究

提出了一种结合主成分分析和人工神经网络技术的可见-红外光谱家蚕蚕种快速鉴别新方法.主成分分析法用于家蚕蚕种品种的聚类分析及主成分的提取.从主成分1和2对所有建模样本的得分图可以看出,主成分分析法对不同种类家蚕蚕种具有较好的聚类作用,可以定性分析家蚕蚕种品种.提取了6个能解释原始光谱的大部分信息的主成分,作为BP神经网络的输入,建立了三层BP人工神经网络模型.选取了4个典型的家蚕蚕种品种,共120个样本,其中随机选取了100样本用来建立神经网络品种鉴别模型,对未知的20个样本进行预测,结果表明,品种识别准确率达到100%.说明该方法具有很好的分类和鉴别作用,为家蚕蚕种的品种鉴别提供了一种新的途径.     

神经网络在DMMP红外光谱判别中的应用

介绍了神经网络在化学毒剂红外遥感监测领域应用的概况,探讨了反向传播人工神经网络分类器应用于红外光谱鉴别的可能性。用一个甲基膦酸二甲酯红外光谱数据样本集进行了实际的训练和鉴别性能预测。训练结果表明,这种分类器在一定条件下可以将959／5以上的样本正确分离;预测结果表明,经过适当训练的神经网络分类器可以获得70％以上的鉴别率,具备了一定的识别能力。     

DMMP红外光谱的自动识别

介绍了模式识别技术在化学毒剂红外遥感监测领域应用的概况,探讨了线性分类器、分段线性分类器、反向传播人工神经网络(BP-ANN)分类器应用于红外光谱鉴别的可能性。用一个DMMP(甲基膦酸二甲酯)红外光谱数据样本集对上述三种分类器进行了实际的训练和鉴别性能预测,结果发现,分段线性分类器的性能优于另外两种分类器,鉴别率达到了80％以上。     

基于可见光/近红外光谱技术的倒伏水稻识别研究

运用可见光/近红外光谱仪获取正常的和受稻飞虱、穗颈瘟危害而倒伏的水稻冠层光谱反射率,采用主成分分析(PCA)方法对反射率光谱进行降维处理,提取2个主分量光谱.其中,第一主分量PC1代表了水稻冠层的光谱特性,第二主分量PC2反映了倒伏水稻的冠层光谱变化信息.将前2个主分量作为支持向量分类机(SVC)的输入向量,建立分类模型.结果表明,对受稻飞虱危害倒伏的水稻验证数据的识别精度为100%,对受穗颈瘟危害倒伏的水稻验证数据的识别精度为90.9%.研究表明可见光/近红外光谱可能是一种有效的倒伏水稻识别方法.     

近红外光谱技术在快速鉴别南蛇藤品种中的应用

提出了一种利用近红外光谱技术对南蛇藤品种进行快速无损鉴别的方法。收集了6种南蛇藤样本,并用光谱仪获得了它们在12493～4000 cm^-1范围的光谱曲线。通过用主成分分析法对预处理后的光谱数据进行聚类分析,获得了10个主成分。再结合不同的化学计量分析方法建立了品种鉴别模型。由于主成分1和2上的得分分布对不同样本的聚类效果明显,可根据得分分布定性地区分南蛇藤品种。从220个样本中随机抽取165个样本作为建模集,并将其分别用于建立线性鉴别分析、人工神经网络和支持向量机模型。剩下的55个样本用于预测验证。经过主成分数的优化,鉴别精度均达到了100%。结果表明,本文提出的方法对南蛇藤的品种具有很好的分类和鉴别作用。