油脂酸价近红外光谱检测PLS建模方法研究

将目前广泛流行的近红外光谱分析技术应用于食用油脂酸价的检测。由于近红外光谱分析是一种间接检测方法,需要先利用校正集样本建立统计模型,然后再利用模型来预测未知样品性质,因此建立准确可靠的模型是近红外光谱分析的关键。详细介绍了偏最小二乘（PLS）回归的基本思想和建模方法。为使建立的校正模型更稳健,还研究了光谱波段选择。通过间隔偏最小二乘回归波段选择法进行特征波段提取,对提取的特征波段和全谱分别进行偏最小二乘回归建模,对比分析以说明波段选择的必要性。     

近红外光谱结合GA-LSSVR分析烟草尼古丁含量

为了提高近红外光谱快速检测烟草尼古丁含量的精度和稳定性,利用近红外光谱结合遗传算法-最小二乘支持向量回归(GA-LSSVR)建立了回归预测模型。在LSSVR模型建立过程中,采用遗传算法对LSSVR参数进行自动优化。相比于利用常规最小二乘支持向量机和遗传偏最小二乘法等建立的回归预测模型,GA-LSSVR法建立的回归预测模型泛化能力更强,预测效果更好,验证集相关系数R2为0.9766,预测均方根误差为0.1065。研究结果表明,GA-LSSVR是一种快速准确的建模方法,为烟草尼古丁含量的近红外测定和近红外光谱数据的处理提供了新的方法与途径。     

叶面降尘的高光谱定量遥感模型

利用自主设计的叶面降尘量测定方法,测定了榆树叶面的降尘量数据,结合地面高光谱遥感数据,研究了叶面降尘对榆树叶片高光谱特征的影响及叶面降尘量的高光谱定量反演.研究结果表明,叶面降尘可提高可见光波段的反射率,降低近红外波段的反射率,且对可见光波段的影响要大于近红外波段; 叶面降尘对三边位置没有影响,对三边幅值和面积有明显影响; 利用降尘光谱指数和三边参数建立的叶面降尘量模型,只具备粗略预测能力,而采用多元线性回归、主成分回归、偏最小二乘回归建立的模型,均具有很强的预测能力,其中以一阶微分建立的偏最小二乘回归模型的效果最佳,预测决定系数为0.92,预测均方根误差为1.06,样本标准差与预测均方根误差比为8.2.     

用于高光谱图像分类的归一化光谱指数的构建与应用

成像高光谱的近地田间应用为农业定量遥感的发展提供了新的契机。如何发挥其图谱合一的数据优势,尤其在解析土壤、阴影等背景地物对作物养分反演模型的影响需要关注。该研究借助可见/近红外成像高光仪,在近地田间采集小麦群体的成像立方体,根据影像中光照裸土、阴影裸土、光照叶片和阴影叶片的反射光谱特征建立了归一化光谱分类指数,并应用该指数提取大豆影像中不同类型地物的光谱,分析了背景土壤剔除前后的大豆植被归一化光谱与叶绿素密度的决定系数变化情况。结果表明:土壤和阴影叶片光谱去除后,反演叶绿素密度的敏感波段由红-近红外区间（727 nm,922 nm）向蓝、绿,尤其是红波段（710 nm,711 nm）移动。对叶绿素密度敏感的波段区间表现为可见光增加,近红外减少,且红边波段决定系数最高。由此说明,基于归一化光谱指数的植被光谱提纯对定量遥感反演研究具有重要意义。     

水稻叶片氮含量光谱监测中使用连续投影算法的可行性

使用5段移动平滑法、基线校正、光谱面积归一化、多元散射校正方法对水稻叶片可见-近红外光谱进行预处理,使用连续投影算法（SPA）进行有效波长的选取。分别基于光谱指数RVI、NDVI建立多元线性回归（MLR）模型,基于SPA有效波长建立MLR模型,基于全部波长建立主成分回归（PCR）及偏最小二乘法（PLS）回归模型。利用模型预测水稻叶片氮含量,对比发现基于SPA有效波长建立的模型的预测效果明显好于基于光谱指数RVI及NDVI建立的模型,略差于基于全部波长建立的PCR及PLS模型。基于MSC预处理光谱及SPA有效波长建立的模型预测集预测结果r=0.7943,RMSE=0.4558。在水稻叶片氮含量光谱监测中使用连续投影算法进行有效波长的选取是可行的。     

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.     

基于近红外透射光谱的牛奶中脂肪和蛋白质含量检测

基于近红外光谱检测牛奶中蛋白质和脂肪含量是当前的一个研究热门,主要可以利用近红外反射光谱,近红外漫反射光谱和近红外透射光谱的光谱信息来分析牛奶的主成分含量。本文是利用近红外透射光谱原始数据,通过数学方法转换,从吸光值、吸光比和吸收度三种形式,采用偏最小二乘法(PLS)回归,分别建立了其与牛奶主成分浓度之间的校正模型。对比三种形式所建立的数学模型的优劣,探讨了如何提高PLS校正模型预测精度的相关问题。     

基于可见/近红外反射光谱的稻米品种与真伪鉴别

利用可见/近红外光谱技术对市场上5种稻米进行了鉴别.以ASD FieldSpec3地物光谱仪采集了5种稻米的光谱数据,各获取35个样本,随机分成训练集(150份)和检验集(25份),并分别采取全波段与特征波段(400~500nm、910~1400nm与1940~2300nm)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人工神经网络(BP-ANN)的输入变量,稻米品种作为输出变量,建立3层BP-ANN鉴别模型.利用25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%,其中特征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PCA-BP神经网络分析法进行稻米品种与真伪的快速、无损鉴别是可行的,且提取特征波段是优化模型的有效方法之一.     

基于蒙特卡罗无信息变量消除的烟气指标预测

使用近红外光谱(NIRS)分析方法对烟叶的CO、烟碱、焦油含量进行无损快速定量分析,可以提高分析方法的预测精度,消除无信息建模变量对模型稳定性的影响。在此以烟叶为研究对象,利用蒙特卡罗无信息变量消除方法(MC-UVE)对烟叶的近红外光谱进行了波段点的筛选,并利用筛选出的波段建立PLS校正模型。结果表明利用蒙特卡罗无信息变量消除方法可以有效选择建模变量,既克服了复杂样品各信息区间对PLS建模贡献率不一样的问题,又能提高模型的稳定性和多元校正的预测精度。     

用近红外光谱技术快速测定聚氯乙稀K值的新方法——正交信号校正法

本文基于正交投影的正交校正算法(OSC),建立了聚氯乙稀近红外光谱与其K值之间关系的数学模型,提出了用近红外漫反射光谱技术快速检测聚氯乙稀K值的新方法。研究结果表明,原始光谱经正交信号校正处理后,聚氯乙稀K值化学测定值与近红外预测值的相关系数和标准差为R=0.9825、RMSEP=0.5933,预测结果的相对误差在0.5%以内,且正交信号校正算法能取得比单纯使用偏最小二乘回归更好的预测效果,模型更为简单。为用近红外光谱快速测定聚氯乙稀的K值提供了一条新途径。     

用于脑血流量检测的近红外光谱术

介绍了用于大脑血流量检测的近红外光谱术的基本原理和实验体系,该系统可完成对近红外光学信号的实时采集、处理和显示等功能。在血模型实验结果基础上,报道了大脑血流量变化的近红外光学检测结果。     

用多层Monte—Carlo模型研究脑部光学无损的问题

利用近红外光对人脑进行无损检测有良好的应用前景。然后脑部客观存在的多层结构使人位对从较深部位提取有用信息产生疑问。本文利用Ｍｏｎｔｅ－Ｃａｒｌｏ方法对人头部建立了光传播的多层模型,对光在头部的传播模式和脑部结构对提取深部信息的影响得出了一些结果,本文结果表明,由于脑脊液透明层的存在,使近红光在头部能够探测较深部位珠生理参数变化但难于获得较好的空间分辨能力。     

Mathematical model for the hemodynamic response to venous occlusion measured with near-infrared spectroscopy in the human forearm

We propose a mathematical model to describe the hemodynamic changes induced by a venous occlusion in a human limb. These hemodynamic changes, which include an increase in blood volume, a reduction in blood flow, and modifications to the oxygen saturation of hemoglobin, can all be measured noninvasively with near-infrared spectroscopy (NIRS). To test the model, we have performed NIRS measurements on the human forearm, specifically on the brachioradialis muscle, during venous occlusion induced by a pneumatic cuff inflated around the upper arm to pressures within the range 10-60 mmHg. We have found a good agreement between parameters measured by NIRS (total hemoglobin concentration and hemoglobin saturation) and the corresponding model parameters (capacitor voltage and arterial/capillary branch current). In particular, model and experiment indicate that the time constant for blood accumulation during venous occlusion (approximately 73-79 s) is much slower than the time constant for blood drainage following cuff release (approximately 5 s). These results indicate that this mathematical model can be a valuable analytical tool to characterize, optimize, and further develop diagnostic measurement schemes that use venous occlusion approaches.     

酒精含量近红外光谱检测的最佳分析谱段

在近红外光谱酒精含量测量中,通常是通过分析酒精C-H键和O-H键的倍频或合频吸收峰来确定酒精度,基于样本归一化透射率光谱图提出酒精含量分析最佳谱段大约在1230nm～1450nm范围内,即O-H键一级倍频吸收峰与C-H键二级倍频吸收峰之间的波段。采用BP神经网络对58个具有不同酒精度的样本进行了建模分析,得到预测标准偏差为0.0136、相关系数0.9985、平均绝对误差0.0109,获得了较好的测量结果。     

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.     

微型近红外光谱仪在苹果糖度测量中的应用研究

为了评估微型近红外光谱仪应用于现场水果糖度检测的可行性, 采用粒子群算法结合反向传播(BP)神经网络建立了苹果糖度的无损高精度快速检测方法, 研究了微型近红外光谱仪NIRscan以单波长和阿达玛变换两种测量模式获得的光谱数据, 应用多种不同的数据预处理方法和多元线性回归、偏最小二乘法、粒子群算法(PSO)、BP神经网络等算法建立分析模型。结果表明, 以阿达玛变换工作模式测得的光谱数据更好, 以1阶导数结合Savizky-Golay平滑算法作数据预处理, 应用PSO结合BP神经网络建立的苹果糖度预测模型具有更高的预测精度, 预测相关系数和均方根误差分别为0.9911和0.1502。该微型近红外光谱仪NIRscan用于苹果糖度的现场快速和高精度无损检测具有可行性。     

用近红外光谱检测牛奶中的三聚氰胺

研究了用近红外光谱法快速定性和定量检测纯牛奶中三聚氰胺.实验分别配制了两组不同三聚氰胺含量的纯牛奶样品,用于定性和定量分析.通过近红外光谱与聚类分析法相结合,可将含有和不含有三聚氰胺的牛奶样品有效分类;结合光谱预处理和波长选择及模型优化方法建立的检测三聚氰胺的近红外定量分析模型具有较好的稳定性和预测能力.结果表明,近红外光谱分析是一种快速、方便和环保的检测乳制品中三聚氰胺的新方法.     

基于窄带Mumford—Shah模型的图像分割方法

在结合Mumford-Shah模型和水平集方法中的窄带解法优点的基础上，提出了一种新的图像分割模型。Mumford-Shah模型虽然具有良好的图像分割结果，但是其每次迭代过程都需要对所有图像数据进行计算，因而很费时，导致这种方法不适用于大的图像数据，特别是三维图像的分割。本文通过一种新的初始化方法把Mumford-Shah模型和水平集中的窄带解法结合在一起。这种新 的初始化方法是通过在特定条件下简化快速行进法得到的。通过去除快速步进法中费时的 排序过程，使得初始化的计算时间只有O（N）。窄带Mumford-Shah模型把分割计算限制在窄带范围内，避免了大量的计算，但取得了与原始的Mumford-Shah模型相同的分割效果。实验结果表明基于快速步进法的初始化方法是可行的，而窄一喧M－S分割模型一次迭代计算的时间比原M－S模型减少许多。