近红外光谱结合反向区间偏最小二乘法检测药用辅料糊精

利用近红外光谱结合化学计量学方法快速检测了药用辅料糊精含量。首先,用近红外光谱仪采集主药与糊精共存样本的近红外光谱数据;然后,采用反向区间偏最小二乘法(Backward Interval Partial Least Squares,Bi PLS)优选光谱特征区间;最后,采用偏最小二乘法(PLS)对优选出来的区间建立药用辅料糊精近红外光谱模型。采用Bi PLS将全光谱均匀划分35个子区间,选择16个子区间[1,7,10,12,18,20,21,23~25,28~33]时,建立的模型预测效果最佳,其交叉验证均方根误差和预测均方根误差分别为1.501和2.437,校正集和验证集相关系数分别为0.9968和0.9958。因此,利用近红外光谱技术快速检测药用辅料糊精含量是可行的。     

用多波长和LS-SVM补偿土壤温度的方法研究

针对近红外光谱易受样品温度的影响,采用多尺度小波变换对光谱数据进行消噪,运用最小二乘支持向量机(LS-SVM)在全谱范围内建立了近红外光谱预测模型,研究土壤温度对土壤含水率预测结果的影响,提出了应用多波长和LS-SVM回归法补偿土壤温度对土壤含水率预测精度的影响.试验结果表明,土壤温度影响近红外光谱预测土壤含水率,模型...     

烟叶原料单位烟气释放量的近红外速测模型建立

为快速有效进行烟叶原料烟气释放量分析,通过近红外光谱预处理、光谱特征谱段选择和模型参数优选等方面的研究,构建了对加工前和加工后烟叶原料近红外光谱均适用的稳健的偏最小二乘烟气预测模型,实现了对烟叶原料单位焦油、一氧化碳和烟气烟碱的有效分析。结果表明:焦油模型的交叉验证均方根误差和相关系数分别为1.01和0.87,一氧化碳模型的交叉验证均方根误差和相关系数分别为1.16和0.81,烟气烟碱模型的交叉验证均方根误差和相关系数分别为0.25和0.93。单位焦油、一氧化碳和烟气烟碱的有效预测范围分别为:(18.6~27.01)mg/g,(16.89~24.41)mg/g,(1.5~3.41)mg/g。研究结果能够为烟草企业更好评价烟叶原料品质、稳定卷烟配方烟气释放量、提升产品质量一致性提供技术支撑。     

基于小波变换的高光谱散射图像特征提取

高光谱散射图像的特征提取是影响模型精度的重要因素。本文对600个'Golden Delicious'苹果样本的高光谱散射图像进行分析,分别采用平均反射法和小波变换提取特征。小波变换以Danbechies小波系的Db1函数作为基函数进行1层和2层小波分解,然后选取小波低频系数的一范数作为特征值。利用Kennard-Stone算法划分样本,450个样本用于建模,150的样本用于预测。不同方法提取的特征值输入结合偏最小二乘(PLS)算法建立苹果内部品质的预测模型。结果表明1层小波变换特征提取方法与平均反射(mgan reflectance,Mean)特征提取方法相比能将硬度的预测集相关系数从0.797提高到0.821,预测集均方根误差保持不变;糖度的预测集相关系数从0.837略微提高到0.842并降低了预测集均方根误差。因此小波变换为高光谱散射图像提供了一种有效的特征提取方法。     

小波变换去噪应用于鲜枣糖度近红外光谱检测的研究

导数光谱可消除光谱背景干扰和基线漂移等因素影响,提高光谱分辨率;但在增强信号时,也使噪声得到增强.本研究依据小波变换消噪的基本原理和方法,在波数为3999.64～11995.06 cm-1范围内采集鲜冬枣样品的光谱数据,分别采用Haar、Daubechies、Coiflets和Symlets,4种小波函数在默认阈值的情况下,结合平滑去噪方法,对12个鲜冬枣样品的一阶导数光谱数据进行消噪比较研究和分析.结果显示:采用db4小波函数、分解尺度为3时,去噪效果最好;结合平滑处理方法,单个样品的信噪比(SNR)和均方根误差(RMSE)分别达31.351和0.000011917:l2个代表样品的去噪效果具有一致性.研究表明:小波变换能够有效去除导数光谱中的噪声,保留光谱中的有效信息,提高光谱信噪比,不失为1种有效的去噪方法,有助于提高光谱分析精度和后续预测模型的建模准确度.     

MIV方法在苹果糖度近红外分析中的应用

针对苹果糖度近红外光谱数据的特点,分析了基于BP神经网络和偏最小二乘PLS的苹果糖度定量预测模型建立方法:,将平均影响值方法:(mean impact value)引入到近红外波长选取的过程中来,并与联合区间偏最小二乘法结合,达到波长优选的目的:。首先,利用联合区间偏最小二乘算法,筛选出与苹果的糖度相关度较大的光谱波长数据,再利用PLS-BP方法:建立预测模型。在此模型基础上,使用平均影响值方法:,对参与建模的每个波长数据进行评价,选取影响值最大的一系列波长点,重新建立模型。模型变量数为124,校正均方根误差(RMSEC)为0.1740,验证均方根误差(RMSEP)为0.4565。结果:表明,校正均方根误差,利用平均影响值与联合区间偏最小二乘方法:结合,对光谱数据进行波长的筛选,可以降低模型复杂度,同时提高模型预测精度。     

小波消噪的神经网络短时交通流量预测模型

研究短交通流量预测问题,短时交通流量数据中含有大量噪声,对预测精度产生不利影响,为了提高短交通流量预测精度,提出一种小波消噪的神经网络短时交通流量预测模型。首先采用小波技术对短时交通流量数据进行消噪处理,然后采用关联维数确定BP神经网络输入变量个数,最后采用BP神经网络建立短时交通流量预测模型。仿真结果表明,与消噪前比,消噪后模型的预测精度有了较显著提高,其预测误差远远小于消噪前,预测结果更具实用价格。     

提升小波和Savitzky-Golay滤波结合的近红外光谱去噪研究（英文）

在近红外光谱数据处理中,测得的近红外光谱数据不仅有被测样品的近红外特征光谱,还包含一些随机噪声,噪声的存在会影响后续光谱分析的准确性,为提高近红外光谱分析精度,需要对近红外光谱数据进行去噪处理。单一的提升小波去噪、小波去噪以及Savitzky-Golay滤波很难获得较好的去噪效果。因此提出将提升小波变换结合Savitzky-Golay滤波方法用于近红外光谱去噪,对降噪效果进行仿真与评估并与单一去噪方法进行对比。分别对添加随机噪声的1 467 nm近红外光谱进行单一小波去噪、提升小波去噪、Savitzky-Golay滤波以及提升小波变换结合Savitzky-Golay滤波进行去噪。实验结果显示所提出的方法去噪后的信噪比比单一三种去噪方法分别提高0.336 4、1.107 4、0.128 7,均方根误差分别降低0.002 6、0.009 1、0.001,表明所提方法能够有效去除近红外光谱中的噪声信息,并提高去噪的评估指标。     

基于CARS变量筛选的固态发酵pH值近红外检测

为了提高近红外光谱技术快速检测固态发酵过程中pH值的精度和稳定性,提出了采用竞争自适应重加权采样(competitive adaptive reweighted sampling,CARS)法筛选出与pH相关的波长变量建立PLS预测模型,对验证集样本进行预测的方法。并与2种常见的变量筛选法GA-PLS和蒙特卡罗无信息变量消除法(MC-UVE)相比较.实验结果表明:CARS方法能有效筛选有用波长26个变量建立PLS模型,其校正集交互验证均方根误差(RMSECV)以及交互验证相关系数(Rc)分别为0.0368和0.9950;验证集的预测均方根误差(RMSEP)以及预测相关系数(Rp)分别为0.0589和0.9895。     

一种煤炭近红外光谱数据预处理方法研究

针对煤炭原始近红外光谱数据中存在噪声的问题,提出了基于De-SNV与小波阈值去噪组合的煤炭近红外光谱数据预处理方法。采用缺省软阈值法进一步对经过Savitzky-Golay平滑和De-SNV处理的光谱数据去噪,并分别建立了水分、灰分和挥发分的PLS校正模型,通过分析模型的预测性能对该方法的有效性进行评估。实验结果表明,经过该方法预处理的光谱数据所对应的PLS校正模型性能明显优于使用原始光谱数据所建立的PLS校正模型,水分、灰分和挥发分的PLS校正模型的预测均方根误差分别降低至0.007 07,0.040 8,0.008 66,决定系数分别提高至0.858 7,0.743 8,0.778 5。