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。     

基于连续投影算法的油菜蜜近红外光谱真伪鉴别的研究

采用连续投影算法（successive project algorithm,SPA）对177个不同产地油菜蜜样本的近红外光谱做波长选择,然后以33个特征变量作线性识别分析（LDA）。同时,也采用了主成分分析（PCA）对变量进行压缩。比较了二次识别分析（QDA）和簇类独立软模式分类法（SIMCA）的鉴别结果。SPA-LDA模型预测集的鉴别准确率为97.7%,而PCA-LDA、全谱的SIMCA和SPA-QDA预测集的正确率分别为93.2%、95.4%和90.9%;上述四种方法ROC曲线下的面积分别为0.964、0.912、0.948和0.933。SPA-LDA性能比其他三种方法要好。该方法准确、可靠,为蜂蜜真实性的现场快速检测提供了一种新方法。      

支持向量机方法在烟叶可用性预测中的应用

为了对烟叶可用性分类进行评价,采用不同的核函数建立烟叶可用性支持向量机(Support Vector Machine,SVM)预测模型,对预测集样本进行预测,并与Fisher法的预测结果进行了比较。结果表明,SVM算法所建立的数学模型的预测准确率均比Fisher法高,且以径向基函数(RBF)建立的SVM分类模型的预测效果最好,对预测集样本的准确率达90%,说明SVM分类模型能较好地预测烟叶可用性。     

基于近红外光谱的胡椒产地鉴别方法研究

该研究旨在探索一种基于近红外光谱技术对胡椒产地进行分类的方法。收集海南、云南、广西、越南、马来西亚5个产地的胡椒共计300份样品,采集近红外光谱。采用小波去噪等方法对光谱进行预处理,通过支持向量机(support vector machine,SVM)、径向基神经网络(radical basic function,RBF)和线性判别分析(linear discriminant analysis,LDA)建立产地定性鉴别模型。研究表明,SVM和RBF神经网络模型鉴别准确率较好。db5小波预处理后仅选择7个主成分正确率达到100%的数据。结果表明基于近红外光谱的胡椒产地鉴别方法是可行的,预处理可以有效地提高近红外光谱胡椒产地鉴别模型的准确率。     

基于近红外光谱技术的六大茶类快速识别

为构建高质量的六大茶类识别模型,本研究中收集了370份样品,通过采集其近红外光谱（near-infrared spectroscopy,NIRS）,结合光谱预处理、特征提取以及数据挖掘分类器算法,建立六大茶类快速识别模型。结果表明：1）支持向量机（support vector machine,SVM）与随机森林（random forest,RF）分类器皆适于六大茶类快速识别模型的构建;2)SVM分类器更适于结合原始光谱（original spectrum,OS）建模,预处理易使基于该分类器建立的模型鉴别性能减弱;3）随机森林（RF）分类器更适用于预处理后光谱建模,所得模型较OS模型在识别正确率（recognition accuracy,RA）及受试者工作特征曲线下面积（area under the curve,AUC）均得到明显提升;4）特征提取中线性判别分析（linear discriminant analysis,LDA）算法表现最好,所得模型的RA较OS模型明显提升,其中最佳模型OS-LDA-SVM的RA为100.00%,AUC为1.00,识别正确率高、泛化能力强、模型性能优异,...     

电子鼻技术在兼香型白酒年份区分中的应用研究

采用电子鼻技术分析不同年份兼香型白酒中的香气物质,通过特征响应分析、主成分分析（PCA）、线性判别分析法（LDA）和方差分析法（ANOVA）,优化出了可以区分识别年份酒的操作条件,分别为酒精度14%vol、加热温度40 ℃、加热时间30 min。结果表明,10个传感器中贡献最大的三个是W5S、W1S和W2S,LDA的区分识别效果要优于PCA。在优化后的实验条件下,对兼香型各年份酒进行电子鼻检测分析,其结果表明LDA对原始数据信息的保留量达到了96.78%;逐步线性判别分析得出储存期为12年内的酒样能获得100%的准确率,超过12年的储存年份也能获得较高的准确率,因此电子鼻技术对兼香型各年份酒具有良好的区分效果。     

基于傅里叶变换近红外和支持向量机的霉变玉米检测

利用傅里叶变换近红外光谱对霉变玉米进行检测。运用波数范围在12 000~4 000 cm-1的FTNIR系统进行不同霉变程度样品光谱信息的采集,并利用支持向量机(Support Vector Machine,SVM)进行数据分析。结果显示,利用原光谱数据,以主成分分析(PCA)提取的前5个主成分作为输入,选用径向基函数(RBF)作为SVM核函数,并运用网格划分寻优法寻得的最优参数C、γ,所建立的分类模型最佳。SVM分类模型对训练集和测试集的预测准确率分别达到93.3%和91.7%,对独立样品集的预测准确率达到87.8%,表明基于FT-NIR和SVM进行霉变玉米的检测是可行的。     

基于电子鼻的茶油掺伪定性和定量检测

目的:实现对茶油中掺入菜籽油、大豆油、玉米油的掺伪检测。方法:采用电子鼻检测平台对茶油中分别掺入不同比例菜籽油、大豆油、玉米油进行掺伪检测,运用线性判别分析(LDA)和支持向量机(SVM)进行茶油掺伪定性鉴别分析,并使用多层感知器(MLP)和偏最小二乘回归(PLSR)建立茶油掺伪定量预测模型。结果:最佳输入参数下的SVM对茶油掺伪鉴别准确率高于LDA,其平均精确率、平均召回率、平均F-分数分别为94.85%,96.11%,95.34%,比LDA的提高了5.17%,4.44%,5.29%;MLP对茶油掺伪比例预测结果优于PLSR,对于掺入菜籽油、大豆油、玉米油的茶油,MLP预测的决定系数分别为0.98,0.99,0.98,均方根误差分别为4.02%,1.45%,3.74%。结论:基于电子鼻平台建立的SVM茶油掺伪鉴别模型和MLP茶油掺伪比例预测模型可有效实现茶油的鉴伪。     

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。     

基于连续投影算法的油菜蜜近红外光谱真伪鉴别的研究

采用连续投影算法(successive project algorithm,SPA)对177个不同产地油菜蜜样本的近红外光谱做波长选择,然后以33个特征变量作线性识别分析(LDA)。同时,也采用了主成分分析(PCA)对变量进行压缩。比较了二次识别分析(QDA)和簇类独立软模式分类法(SIMCA)的鉴别结果。SPA-LDA模型预测集的鉴别准确率为97.7%,而PCA-LDA、全谱的SIMCA和SPA-QDA预测集的正确率分别为93.2%、95.4%和90.9%;上述四种方法ROC曲线下的面积分别为0.964、0.912、0.948和0.933。SPA-LDA性能比其他三种方法要好。该方法准确、可靠,为蜂蜜真实性的现场快速检测提供了一种新方法。     

基于主成分分析和人工神经网络的近红外光谱大豆产地识别

为了准确、快速地识别大豆产地,通过近红外光谱技术（NIRS）结合主成分分析（PCA）和人工神经网络技术（ANN）研究不同国家大豆内含特征,建立进口大豆产地识别模型。采用箱型图校正法,剔除阿根廷、巴西、乌拉圭、美国等4个国家166组大豆样本中12组异常样本。采用多元散射校正（MSC）、标准正态变量（SNV）、Savitzky-Golay（SG）平滑滤波等方法进行光谱数据预处理,结果表明,采用SG（3）平滑结合MSC预处理效果最好。主成分分析表明,前10个主成分的累积贡献率达到99.966%。选取主成分分析得到前10个主成分为输入向量,4个产地作为目标向量,分别采用支持向量机（SVM）、邻近算法（KNN）与人工神经网络法（ANN）建立识别模型。结果表明,采用BP-ANN建模效果最好,总体测试集准确率为95.65%,其中阿根廷准确率为100%,巴西准确率为100%,乌拉圭准确率为80%,美国准确率为100%,该模型能够实现对进口大豆生产国别的识别。     

基于高光谱成像技术的祁门红茶等级无损检测

为实现快速无损的茶叶产品等级评估,应用近红外（900~1700 nm）高光谱成像技术对6个等级的祁门红茶进行分类。首先利用线性和非线性降维方法对高光谱数据进行可视化处理,可视化算法包括线性方法的主成分分析（Principal Component Analysis,PCA）、多维尺度变换（Multi-Dimensional Scaling,MDS）,和非线性方法的t分布随机邻域嵌入（t-Distributed Stochastic Neighbour Embedding,t-SNE）、Sammon非线性映射。其次利用支持向量机（Support Vector Machine,SVM）和极限学习机（Extreme Learning Machine,ELM）建立分类模型来鉴定祁门红茶的不同等级。最后利用SVM和ELM分类模型对高光谱图像每个像素点进行识别,得到预测图。结果表明,t-SNE可以将6个等级的祁门红茶分在六个不同的簇,SVM和ELM的预测集准确率分别为100%和96.35%。t-SNE可视化效果最佳,SVM的检测模型能够有效地对祁门红茶六个等级进行识别。本文为茶叶产品等级的快速、无损检测提供了一种有效的方法,对茶叶产品的质量控制、真伪检测和掺假检测具有重要意义。     

结合太赫兹光谱与机器学习的小麦霉变程度判别

为快速、准确地判断小麦籽粒的霉变程度，研究基于太赫兹时域光谱技术，结合支持向量机（support vector machine,SVM）、随机森林（random forest,RF）和极限学习机（extreme learning machine,ELM）的霉变小麦定性分析方法。首先，将小麦籽粒分为正常、轻度霉变、中度霉变和重度霉变4类，利用CCT-1800太赫兹时域光谱仪获取小麦样本在0.1～4.0 THz波段的光谱数据。对比采用不同光谱预处理方法对判别结果的影响后，使用主成分分析、线性判别分析（linear discriminant analysis,LDA）、t分布随机近邻嵌入3种方法对光谱数据进行降维，结果表明LDA的降维效果最好。最后，构建基于SVM、RF和ELM的小麦霉变程度判别模型，结果显示SVM的判别效果最好，当核函数选择多项式核、误差惩罚系数为1时，判别准确率高达98.61%，预测集均方根误差值为0.142 9。本研究表明利用太赫兹光谱技术可实现小麦霉变程度的准确检测，为食品安全和粮食贮藏检测提供一种检测手段。     

基于太赫兹时域光谱的芝麻油品种识别研究

为了实现对芝麻油品种的快速鉴别,本文基于太赫兹时域光谱(THz-TDS)提出一种芝麻油品种识别的方法。选取0~2.5 THz范围内的光谱进行分析,通过主成分分析法(PCA)对时域光谱数据进行降维,选择前4个主成分(累计贡献率大于99%)代表原始数据,然后利用支持向量机(SVM)方法对不同品种芝麻油进行分类识别,分类时使用3种不同的核函数建模,并采用网格搜索算法获得最优模型及其模型参数。使用径向基核函数(参数为惩罚函数C=0.01,核函数系数γ=0.1)的模型识别率最高,达到100%,说明太赫兹时域光谱技术结合PCA和SVM方法可以快速可靠的进行食用油的识别,为食品安全的识别提供一种新的技术手段。     

改进核函数的支持向量机智能诊断方法研究

针对目前支持向量机(SVM)智能诊断方法核函数选择困难以及参数选择具有随意性的问题,提出了基于模拟退火算法改进核函数的SVM智能诊断方法,重新设计了支持向量机的核函数以及参数。多项式核函数是局部核函数具有较强的拟合能力,而径向基核函数是全局核函数具有较强的外推能力,根据Mercer理论,建立一种由多项式核函数与径向基核函数组合而成的复合核函数,并利用模拟退火算法全局寻优的优点,对支持向量机的参数做最优选择;改进后的SVM运用于轴承故障诊断。研究结果表明:相对于传统SVM法,该方法具有较好的学习效率及较高的诊断准确率;该方法运用于轴承故障诊断领域极大地提高了故障诊断的准确率以及诊断效率。该研究为基于模拟退火算法改进核函数的SVM智能诊断方法应用于机械设备故障诊断提供了相应的理论和实践依据。     

基于多类别的镉稻米近红外光谱识别分析

采用近红外(NIR)光谱结合化学计量学方法对不同镉污染程度的稻米进行鉴别。首先利用主成分分析(PCA)对样本的NIR光谱进行解析,再用有监督学习算法偏最小二乘识别分析(PLS-DA)、径向基人工神经网络(RBF-ANN)及支持向量机(SVM)对不同污染程度的镉稻米进行定性建模分析。本文还讨论了不同的光谱预处理方法以及建模方法对识别效果的影响。由于NIR光谱差异太小,所以PCA得分图重叠严重,类之间很难区分,PLS-DA、RBF-ANN与SVM模型的预测集鉴别准确率分别为77.1%,67.8%与67.2%,PLS-DA的识别率最高。近红外光谱技术与化学计量学方法虽难以获得预测准确率较高的识别模型,但其预测结果还是可用于超标镉稻米的初步筛查。     

自制电子鼻检测霉变大米

为对不同霉变程度的大米实现快速鉴别,研制了一套以LabVIEW为平台用于检测大米霉变的电子鼻系统。通过霉菌孢子液侵染正常大米,使用该电子鼻系统对不同天数掺入不同比例霉米的大米样品挥发物进行检测,对采集数据进行主成分分析（PCA）、线性判别分析（LDA）,最后使用反向传播（back propagation,BP）神经网络建立预测模型。结果表明,得分图显示正常大米和霉变大米挥发物差异性显著,LDA分类效果优于PCA;所建立的模型预测值和实际值相关性达0.953以上,训练集和测试集平均相对误差分别为3.56%、4.18%,训练集和测试集对于正常大米样本识别率为100%。综上,电子鼻系统可以作为霉变大米无损检测的有效手段,在大米品质鉴别方面具有实际应用意义。     

基于介电特性的鸡蛋品种无损鉴别

为更合理有效实现鸡蛋品种分类,研究一种介电特性无损鉴别鸡蛋品种方法。本实验以4组不同品种鸡蛋(江苏镇江洋鸡蛋、江苏镇江草鸡蛋、安徽老南沟草鸡蛋、江苏东台草鸡蛋)为研究对象,采用平行极板法测量4组鸡蛋在10~200 k Hz条件下的介电特性参数,并利用支持向量机(support vector machine,SVM)算法建立鸡蛋品种鉴别分类检测模型。研究不同核函数(线性核函数、多项式核函数、RBF核函数和Sigmoid核函数)、不同参数寻优算法(网格搜索法、遗传算法和粒子群算法)选择对分类模型准确率的影响。结果表明,以线性核函数为SVM核函数、粒子群算法为SVM参数寻优算法时,建立的鸡蛋品种SVM分类模型的性能最优,其训练集正确率为95.83%,测试集正确率为95.83%。利用介电特性无损检测技术结合SVM算法,取得了很好的分类效果,为鸡蛋品种鉴别提供了一种新的快速有效的方法。     

基于支持向量机的近红外光谱羊毛混纺面料的无损鉴别技术

采用便携式近红外光谱仪分别采集了羊毛/棉、羊毛/马海毛、羊毛/氨纶、羊毛/丝、羊毛/羊绒5种羊毛混纺面料的近红外光谱,利用支持向量机算法(SVM)分别对原始光谱和经归一化预处理后的光谱建立分类模型。选用径向基函数(RBF)作为核函数,并采用网格搜索法(Grid Search)、遗传算法(GA)和粒子群算法(PSO)对惩罚参数c和核函数参数γ进行参数寻优。结果表明:PSO-SVM模型分类结果最理想,模型对训练集整体分类准确率为100%,对验证集的整体分类准确率为94.87%,其中羊毛/棉、羊毛/马海毛、羊毛/氨纶3类面料的分类准确率均为100%,羊毛/羊绒的分类准确率为95%,羊毛/丝的分类准确率相对较低为85%。     

基于融合预处理的掺假咖啡太赫兹光谱识别

该研究通过太赫兹时域光谱采集70组含有西布曲明成分的咖啡在0～2.5 THz频段的光谱信息，建立随机森林、支持向量机、贝叶斯判别分析3种模式识别方法并进行比较研究。结果表明，未经过预处理的模型识别准确率较低。选择一阶导数、二阶导数、不同类型的巴特沃斯滤波器和Pearson特征选择融合光谱方法进行光谱信号处理。基于一阶导数处理的贝叶斯判别分析模型准确率为98.6%,基于高通巴特沃斯滤波器的随机森林模型分类准确率为94.2%,基于特征提取的融合光谱支持向量机(support vector machine, SVM)模型分类准确率为100%。选择最优预处理的SVM模型进一步对同一品牌不同地区的掺假咖啡进行鉴别，准确率为100%。研究实现了“品牌-产地”的二级特征识别，可为公安机关打击涉及咖啡的食品安全犯罪提供参考。