基于拉曼光谱和支持向量机的黄酒品质快速分析

本研究使用拉曼光谱分析技术采集不同产地和不同酒龄的黄酒样品指纹信息,对比判别分析(DA)和最小二乘支持向量机(LS-SVM)所建黄酒品质快速模型性能,确定最优模型以实现快速准确地评价黄酒品质。本研究在全波段范围利用主成分分析对拉曼光谱数据降维,计算降维谱图间马氏距离,基于ward’s算法建立判别分析模型;将全波段范围作为最小二乘支持向量机的输入量,选择出能较好处理非线性问题的RBF为核函数,同时采用交互验证方式优化RBF核函数参数,基于优化RBF核函数,建立最小二乘支持向量机鉴别模型。研究结果表明:拉曼光谱结合最小二乘支持向量机鉴别模型对黄酒产地和酒龄的鉴别正确率均为100%;拉曼光谱结合判别分析鉴别模型对嘉善、绍兴和上海黄酒的鉴别正确率分别为100%、80%和80%,对黄酒酒龄的鉴别正确率均为100%;最小二乘支持向量机模型性能优于判别分析模型。拉曼光谱结合化学计量学方法可快速、准确评价黄酒品质。     

基于独立元分析的制浆造纸废水处理过程故障检测

为及时、准确地做出故障诊断,本课题采用独立元分析（ICA）和主成分分析（PCA）两种常用的多元统计分析方法对制浆造纸废水处理过程中的传感器故障进行检测并对诊断效果进行对比。结果表明,对于制浆造纸废水数据中偏移和漂移两种故障,ICA模型的故障检测率分别为24%与54%,PCA模型的故障检测率分别为14%和42%,ICA模型的两种故障检测率均高于PCA模型,但是两种模型均无法达到满意的检测效果;对于完全失效故障,ICA和PCA模型的故障检测率均达到100%。     

基于高光谱反透射图像的新疆冰糖心红富士水心鉴别

采用高光谱成像技术结合化学计量法,采集新疆冰糖心红富士好果与水心病果样本在波长范围380～1 004 nm的可见近红外高光谱反透射图像,选取感兴趣区域获得平均光谱,对原始光谱采用直接差分一阶求导等9种光谱预处理方法,再分别用主成分分析、快速独立分量分析、相关系数法完成数据降维,结合贝叶斯判别、K最近邻法、马氏距离判别、最小二乘支持向量机、二次线性判别方法识别是否有水心病。结果表明,主成分分析提取前15主成分,采用标准正态变量变换-主成分分析-最小二乘支持向量机与多元散射校正-主成分分析-最小二乘支持向量机模型识别效果最优,校正集和预测集识别率分别为100%和91.2%。     

基于PCA降维模型的造纸废水处理过程软测量建模

针对造纸废水处理过程的复杂特性,本课题将主成分分析（PCA）与人工神经网络（ANN）和支持向量回归（SVR）相结合,构建出两种新的软测量模型：主成分分析-人工神经网络（PCA-ANN）和主成分分析-支持向量回归（PCA-SVR）。本课题将这两种软测量模型应用于造纸废水处理过程中出水化学需氧量（COD）和出水悬浮固形物（SS）浓度的预测。计算结果表明,PCA-ANN和PCA-SVR的预测效果均优于偏最小二乘、支持向量回归和人工神经网络3种常规软测量模型,并且PCA-ANN的预测效果最优。对于出水COD浓度预测,PCA-ANN的决定系数（R2）为0.984,均方误差（MSE）为1.892,较ANN分别优化了9.7%和71.5%。对于出水SS浓度预测,PCA-ANN的R2为0.762, MSE为0.228,较ANN分别优化了31.2%和58.7%。     

基于ANN和LSSVR的造纸废水处理过程软测量建模

针对造纸废水处理系统的时变性、非线性和复杂性等特点,将人工神经网络(ANN)和最小二乘支持向量回归(LSSVR)分别用于造纸废水处理过程中的软测量建模,实现造纸废水处理过程中出水化学需氧量和出水悬浮固形物浓度的预测。ANN采用误差反向传播算法建模,LSSVR通过粒子群优化算法进行模型参数优化。结果表明,与ANN模型预测结果相比,LSSVR模型预测结果的均方根误差降低了50%以上,相关系数提高了近10%,表明LSSVR模型在造纸废水处理过程中的预测精度高于ANN模型。     

基于并行偏最小二乘法的造纸废水处理过程故障检测

为进一步提高造纸废水处理过程故障检测精度,研究基于并行偏最小二乘法建立了一套用于造纸废水处理过程故障检测的数学模型,重点分析模型输入和输出矩阵的不可预测部分,进而实现更加全面的造纸废水处理过程故障检测。最后通过模拟废水处理过程中传感器故障的方式来对CPLS模型的有效性加以验证,发现该模型在TP-eff漂移故障检测率指标方面显著优于常规PLS模型,具有一定的应用价值。     

基于人工蜂群算法优化支持向量机的变压器故障诊断

支持向量机参数的选择直接影响变压器故障诊断分类的准确率,为了提高变压器故障的诊断精度,提出一种基于人工蜂群算法优化支持向量机的变压器故障诊断模型。利用人工蜂群算法优化支持向量机的惩罚因子C和核函数参数σ。实验结果表明,文章提出的算法能够获得较高的故障诊断精度。     

最小二乘支持向量机和脂肪酸融合信息应用于花生油掺伪玉米油检测

将最小二乘支持向量机用于气相色谱分析实现对花生油掺伪玉米油的鉴别,基于油脂的全样和Sn-2位脂肪酸组成的不同,采用主成分分析消除融合数据中信息重叠的部分,利用粒子群优化最小二乘支持向量机的参数,对花生油的掺伪进行鉴别,识别率为100%;分别采用最小二乘支持向量机、偏最小二乘法和主成分回归对花生油中掺入玉米油含量进行预测,结果表明基于脂肪酸融合信息的最小二乘支持向量机的预测均方根误差和相关系数R2分别为3.452 1%和0.986 6,与偏最小二乘法和主成分回归法相比,最小二乘支持向量机具有更好的稳定性和预测精度,同时也为食用油的真伪鉴别及掺伪情况确定提供一种新方法。     

小麦霉菌污染支持向量机判别模型的建立

为建立一种快速判别小麦霉菌污染的方法,该研究采用近红外光谱技术结合化学计量学方法,以126份小麦样品为研究对象,通过剔除异常样品、光谱降维和预处理,采用支持向量机分类（support vector machine classification,SVM）方法建立判别模型。结果表明：运用基于马氏距离的主成分分析方法剔除异常样品5个,将原始光谱数据进行降维处理得到8个主成分,能够代表原始样本的98.80%。输入变量的最佳预处理方式为标准正态变量变换,最佳核函数为linear,核函数参数C值为10,SVM判别模型的训练集判别正确率为100%,交叉验证判别正确率为98.89%。用未参与建立判别模型的外部验证集样品对SVM判别模型进行验证,结果表明：SVM判别模型对外部验证集样品的判别正确率为100%。该研究所建立的SVM判别模型可以用于小麦霉菌污染的快速检测。     

基于多元统计分析的造纸废水处理过程传感器故障检测

基于数据驱动的多元统计分析方法在化工过程故障检测领域具有广泛的应用。本文将多元统计分析中最基本的主成分分析法(PCA)和偏最小二乘法(PLS)应用到造纸废水处理过程的故障检测。为了对比故障检测效果,在入水化学需氧量、pH和出水悬浮固形物三个变量上归纳出了四种传感器故障类型。计算结果表明:对于在入水化学需氧量上的偏移故障类型,PCA的故障检测率要大于PLS;对于在pH上的漂移和精度下降这两种故障类型,PLS的故障检测率大于PCA;对于在出水悬浮固形物上的完全失效故障类型,PCA方法的故障检测率为100%,而PLS方法的故障检测率为0。     

基于高光谱成像的马铃薯环腐病无损检测

为探讨高光谱成像技术无损检测马铃薯环腐病的可行性,采用反射高光谱（980～1 650 nm）成像技术,以120 个马铃薯样本（合格60 个,环腐60 个）为研究对象,对比多元散射校正、标准正态变换、卷积＋一阶导数等对建模的影响,优选出多元散射校正的光谱预处理方法;然后基于偏最小二乘回归系数法提取9 个特征波长（993、1 005、1 009、1 031、1 112、1 162、1 165、1 225、1 636 nm）,建立特征波长下马铃薯环腐病的2 类线性判别分析（linear discriminant analysis,LDA）模型和4 类支持向量机（support vector machine,SVM）模型,即Fisher-LDA、马氏距离-LDA、线性核SVM、径向基核SVM、多项式核SVM和S型核SVM。结果表明,LDA模型中马氏距离法最优,SVM模型中S型核SVM最优,LDA模型整体优于SVM模型,最终确定基于马氏距离LDA的马铃薯环腐病判别模型为最佳模型,校正集、验证集识别率分别为100%和93.33%。实验结果表明高光谱无损检测马铃薯环腐病具有可行性。     

高效液相色谱非靶向检测方法在干邑白兰地真伪鉴别中的应用

目的 采用高效液相色谱(high-performance liquid chromatography, HPLC)非靶向检测方法, 结合多元统计分析, 研究该方法在鉴别真假干邑白兰地方面的应用。方法 选用具有市场代表性的31批次轩尼诗XO干邑白兰地作为样品, 经过高效液相色谱非靶向检测得到未知的组分数据, 提取10种组分, 使用SPSS 22.0软件, 进行主成分分析(principal component analysis, PCA)和判别分析, 并使用判别函数识别6批次未知样品。结果 经过主成分分析得到2个主成分, 主成分1(PCA1)贡献率为80.536%, 主成分2(PCA2)贡献率为11.101%, 2大主成分累积贡献率达到91.637%, 能够较全面反应样品特征。并且主成分分析(PCA)图显示能够明显区分真假样品。依据判别分析识别6批次未知样品, 所有未知样品被正确识别。结论 利用液相非靶向检测方法结合多元统计分析, 能够区分轩尼诗XO干邑白兰地真假样品, 可以为干邑白兰地的提供一种真假鉴别手段。     

基于统计学习理论的食用油红外光谱分析方法研究

目的建立不同品质食用油快速分类的中红外光谱检测方法。方法不同品质的食用油在化学组分上是存在差异的,利用中红外光谱技术全面反映和整体把握食用油的化学成分信息,并借助主成分分析(PCA)结合马氏距离法对食用油的中红外光谱图进行预处理,提取其特征信息,然后通过基于统计学习理论的支持向量机(SVM)建立相应分类模型,运用模型自动鉴别不同品质的食用油类别属性。结果实验通过从市场上随机抽取食用油样本,选取了3种不同品牌的大豆油、花生油共60个样本进行测试,分类正确率达到了100%。结论基于统计学习理论的食用油红外光谱分析方法对不同品质食用油的快速分类鉴别是有效的。     

基于PCA模型的食品高温杀菌过程故障诊断技术研究

针对食品高温杀菌这类典型的工业生产过程,运用主元分析(principal component analysis, PCA)模型进行了故障检测与诊断的研究。讨论了基于PCA模型的故障检测与诊断理论的几个主要方面和实现技术,建立了火腿肠高温杀茵锅生产过程的PCA模型,进行了3种典型的生产故障的诊断与分析。结果表明,该方法对过程故障能实现有效的检测与诊断。     

利用可见/近红外光谱技术对小米产地进行溯源研究

目的利用可见/近红外光谱技术对产自不同地区的晋谷21号小米进行溯源研究。方法使用近红外光谱仪获取产自洪洞、浮山、沁县3个不同地区的晋谷21号小米400~1004nm波段范围内的漫反射光谱;对光谱分别进行多元散射校正法(multiple scattering correction,MSC)、一阶导数法(first derivative,1St-D)预处理;对预处理光谱进行主成分分析,全交叉验证确定最佳主成分数量,获取主成分;同时选择预处理光谱特征波长。使用马氏距离法、线性判别法建立判别模型,最后用未知样品的验证准确率来表示模型的判别效果。结果原始光谱和MSC处理光谱提取特征波长分别建立的产地判别模型对3个不同产地的小米判别完全准确;1St-D处理光谱基于7个主成分结合马氏距离法和基于9个主成分结合线性判别法建立的2种判别模型对3个不同产地的小米亦实现完全准确判别。结论可见/近红外反射光谱技术用于小米产地的判别具有可行性,本研究可为小米产地的快速判别应用中提供技术基础。     

基于介电频谱的枣果品种鉴别模型的建立

利用LCR测试仪在1~1 000 kHz的频率范围内,选取55个频率点,测定灵武长枣、冬枣和团枣的介电损耗因子ε"频谱和相对介电常数ε’频谱,通过主成分分析(principal component analysis,PCA)法和遗传算(genetic algorithm,GA)法提取介电频谱的有效信息,并选取偏最小二乘判别分析(partial least squares discriminant analysis,PLS-DA)、线性判别分析(linear discriminant analysis,LDA)和支持向量机(support vector machine,SVM)3种方法进行枣果品种的鉴别模型研究。结果表明,频率和品种对枣果的介电参数均有显著性影响;用PCA与GA方法提取频谱有效信息的建模效果要优于原始频谱的建模效果;SVM法的建模效果要优于PLS-DA与LDA法的建模效果;以介电损耗因子ε"建立的PCA-SVM模型优于介电常数ε’的GA-SVM模型,其预测集的鉴别准确率为100%。因此,基于介电损耗因子ε"频谱的PCA-SVM模型为枣果品种鉴别的最优模型。     

Identification of <Emphasis Type="Italic">Staphylococcus</Emphasis> species with hyperspectral microscope imaging and classification algorithms

Hyperspectral microscope imaging method was presented as a rapid and efficient tool to classify gram-positive bacteria species. The datacube (1024 × 1024 × 89) were obtained by hyperspectral microscope imaging system, which provided cell images between 450 and 800 nm wavelengths with 4-nm resolution, resulting in 89 contiguous spectral images that were acquired with an acousto-optic tunable filters (AOTF) hyperspectral imaging platform. Spectral information of bacteria were extracted from region-of-interest (ROI) in the cell, which were approximately between 140 and 380 pixels depending on the size of the cells. Using a Mahalanobis distance algorithm, the outliers beyond 99 % confidence of data were eliminated and classified five species with classification methods including partial least square discriminant analysis (PLS-DA) and support vector machine (SVM) for linear and non-linear classification algorithms to differentiate Staphylococcus species. PLS-DA classified five species with 89.8 % accuracy and 0.87 kappa coefficient; whereas, SVM had much higher classification accuracy of 97.8 % with 0.97 kappa coefficient. To reduce the number of wavelengths for fast data processing, thirty-one spectral bands out of 89 contiguous bands were selected using the correlation of each band. When SVM classification method with selected bands were used, the classification accuracy and kappa coefficient were 93.9 % and 0.92, respectively.     

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。     

基于模糊鉴别主成分分析的生菜贮藏时间鉴别

目的：设计一种较为准确的生菜贮藏时间鉴别模型。方法：以新鲜生菜为试验对象,分别采用主成分分析、鉴别主成分分析、模糊鉴别主成分分析3种特征提取方法对预处理后的生菜近红外光谱数据进行特征提取,选出具有较高准确度的贮藏时间鉴别算法,并建立基于模糊鉴别主成分分析的生菜贮藏时间鉴别模型。结果：利用模糊鉴别主成分分析进行特征提取后的鉴别准确度显著增加。主成分分析、鉴别主成分分析和模糊鉴别主成分分析的最高准确度分别为46.67%,86.67%,93.33%。结论：采用近红外光谱分析和模糊鉴别主成分分析的鉴别模型具有较高的准确性和优越性。     

基于红外衰减全反射光谱的面粉种类快速鉴别

研究提出基于支持向量机（support vector machine,SVM）算法结合红外衰减全反射光谱对不同种类的面粉进行快速分类。实验随机采集富强粉、精制雪花粉、麦芯粉及面包粉4 种共139 份常见面粉红外衰减全反射光谱,运用马氏距离筛选异常样本,并建立SVM模型对待测样本进行预测。实验采用二叉树SVM模型识别面粉种类,并通过网格法优化核函数参数,结果显示：富强粉、精制雪花粉、麦芯粉及面包粉的识别准确率分别为100%、100%、75%和85.71%,模型平均识别准确率为90.177 5%。结果表明,利用红外光谱结合SVM算法快速识别面粉种类是准确可行的。