基于太赫兹时域光谱技术的红木检测方法

提出了一种基于随机森林预测模型的太赫兹时域光谱的木材鉴别方法。对4种木材(2种红木、2种非红木)在0.2~1.2THz频率范围的吸收光谱的差异进行分析;对得到的光谱吸光度数据进行主成分分析的数据降维处理,并提取方差贡献率最高的五种主成分(总贡献率高达99.65%);将其代入随机森林预测模型预测鉴别红木的真伪,得出相应训练集和测试集的识别率。实验结果表明,与传统的支持向量机预测模型和单一决策树模型比较,使用时域光谱技术结合随机森林预测模型能够得到更高的识别率,识别率可达91.25%,能够准确对红木和非红木进行检测。     

近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究

为探究无损鉴别转基因大豆的可行性,利用近红外光谱分析仪对大豆扫描得到反射光谱,应用主成分分析结合BP神经网络方法进行分析鉴别。首先应用主成分分析法,得到包含大豆99.03%的光谱信息的6个主成分,再将其作为BP神经网络的输入,对应的大豆种类作为输出,建立一个三层BP神经网络模型。该模型对于转基因大豆的正确识别率为100%,说明近红外光谱结合主成分分析和BP神经网络的方法能无损快速准确地鉴别转基因大豆。     

近红外光谱结合一类支持向量机算法检测鸡蛋的新鲜度

研究利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度,在识别模型建立过程中,引入一类支持向量机(OC-SVM)算法解决新鲜蛋和非新鲜蛋训练样本数量不平衡问题。首先获取鸡蛋在10 000～4 000 cm-1范围内的近红外漫反射光谱,通过主成分分析方法提取光谱数据中的特征信息,优选了3个主成分作为模型的输入向量,然后采用OC-SVM区分新鲜蛋和非新鲜蛋。在模型建立过程中,对相关参数进行了优化,试验结果显示在相同条件下,OC-SVM模型识别结果较传统的支持向量机模型好。最优OC-SVM模型对新鲜蛋和非新鲜蛋的识别率均为80%,传统的支持向量机对新鲜度的识别率为100%,对非新鲜度的识别率却为0%。研究结果表明利用近红外光谱快速识别鸡蛋新鲜度方法是可行的;OC-SVM算法为训练样本数量不平衡提供了一种有效的解决方法。     

红外光谱法与荧光光谱成像技术结合神经网络对正毛化橘红的快速鉴别

为探究一种快速、可靠的化橘红检测方法,本实验分别采用傅里叶变换衰减全反射红外光谱法和荧光光谱成像技术结合多层感知器(MLP)神经网络所构建的模式识别方法,对化橘红进行鉴别,并对两种方法进行了比较。实验以81个正毛化橘红,37个其他品种橘红共118个样品为研究对象,采集所有样品的红外光谱和荧光光谱图像。根据光谱曲线中不同样品间的差异,取红外光谱中550-1800 cm-1区段范围内的光谱数据和荧光光谱曲线中的400～720 nm区段的光谱数据进行分析,应用主成分分析法(PCA)对化橘红的光谱数据进行降维处理,再结合MLP神经网络对化橘红样品进行判别分析。实验中分别使用多元散射校正(MSC)、标准正态变量校正(SNV)、一阶导(FD)、二阶导(SD)以及Savitzky-Golay(SG)平滑数据预处理方法,并比较他们对鉴别模型的影响。分析结果表明：利用红外光谱法(FTIR/ATR),经由Savitzky-Golay(SG)平滑预处理得到的数据,通过隐层函数为sigmoid的三层MLP模型,能够得到最优正毛化橘红识别率,其结果训练集和测试集的识别率都为100%;利用荧光光谱成像技术,由多元散射(MSC)预处理的结果是最理想的。经过预处理的数据,通过隐层函数为sigmoid函数的三层MLP模型,训练集识别率达到100%,测试集识别率达到96.7%。由此可见,衰减全反射红外光谱法(FTIR/ATR)和荧光光谱成像技术分别与MLP神经网络构建的识别模式,均可对化橘红的判别达到快速、可靠的效果。     

近红外光谱法快速无损识别普通、高油、超高油玉米籽粒

以75粒普通玉米、72粒高油玉米和73粒超高油玉米共计220粒玉米籽粒样品为实验材料,通过玉米籽粒的近红外光谱结合主成分信息提取技术建立了不同油分含量的玉米籽粒样品的BPANN识别模型.为考察模型的实际应用效果,连续10次随机划分样品集,每次在各类别玉米籽粒中随机选取4/5作为建模集,剩余1/5作为预测集,选择光谱信息的第2～15个主成分作为网络输入,样品以3个类别值-1,0,1作为目标输出,10次建模的学习识别率均达到100%.以所建BPANN模型对预测集样品进行分类识别,普通玉米、高油玉米和超高油玉米籽粒平均正确识别率分别为99.33%,97.88%和91.43%,总体正确识别率平均达到95%以上.研究结果表明BP人工神经网络近红外光谱法建立玉米籽粒识别模型可对不同油分含量的玉米籽粒进行快速、无损识别,对于玉米籽粒的选育工作具有一定的指导意义.另外还探讨了选择主成分建模对不同油分含量的玉米籽粒种类识别效果的影响,结果显示具有方差贡献率99%以上的光谱第一主成分参与建模,对模型预测效果有负影响,说明不同主成分包含的区分普通、高油与超高油玉米籽粒的分类信息不同,因此近红外光谱法建立样品分类识别模型时选择不同主成分建模是有必要的.     

概率神经网络在胃镜样品红外光谱检测中的应用

将人工神经网络方法应用于人体胃镜样品红外光谱检测,以克服常规线性判别分析方法的局限性,从而提高了胃镜样品判别的准确率。概率神经网络是一种适用模式分类的径向基神经网络,采用样本的先验概率和最优判定原则对新的样本进行分类,具有识别率高、训练速度快、不会陷入局部极值等优点。文章采用概率神经网络进行胃镜样品红外光谱模式识别,将预处理后的胃镜样品光谱进行主成分分析,将得分值作为输入,建立概率神经网络判别模型。文中选取118例胃镜离体样品进行红外光谱判别分析,其中正常胃组织19例,胃炎组织64例,胃癌35例,选取其中59例样品建立概率神经网络校正模型,其余样品作为预测集来检验模型。实验结果表明,正常、炎症及癌症胃镜样品检测的总体准确率达到81.4%,对胃镜样品的判别取得了较好的结果。     

LIBS中药材石斛等级识别研究

石斛是一种常用的中药材,经常使用新鲜的或干燥的茎条入药,有益胃生津、滋阴清热的效果。近年来,药理学研究探索出石斛具有抗白内障、抗氧化、抗肿瘤、提高免疫力的作用,其在许多病例中疗效显著,引起了国内外学者的关注,然而不同时间采集的石斛中氨基酸、微量元素等含量各不同,其对应药用价值,价格也不同,因此石斛价格等级分辨的研究具有重要意义。为快速鉴别不同价格、不同药效的石斛,研究了随机森林分类模型结合激光诱导击穿光谱技术(LIBS)对石斛价格等级进行分析建模。选取5个等级的石斛样品进行建模,为了对样品进行精确稳定分析,所有石斛样品均通过粉碎压片减小实验误差。采用1 064 nm波长的Nd∶YAG脉冲激光器作为激发光源,设置激光脉冲能量50 mJ,探测延时1μs,采集五个等级石斛样本的光谱数据,每个等级的样本采集40组光谱,共200组数据,并采用归一化处理,使所有的光谱数据转换到-1~1之间。采用归一化处理后的光谱数据进行主成分分析,通过主成分分析获得前7个主成分的得分矩阵,其累计解释95.24%的光谱信息。将选取的7个主成分作为输入,建立波段为220~880 nm的随机森林鉴别模型。并将石斛样本编号打乱,任意选取50%的光谱数据作为训练集,剩下50%的光谱数据作为测试集,默认决策树个数ntree为500,分裂属性集中属性个数mtry为5,建立模型对不同等级的石斛进行分类。等级一、二、三、四、五的识别率分别为95.45%, 100%, 78.26%, 94.12%和85%,平均识别率为90.57%。为提高识别率,研究了不同的ntree和mtry对分类模型的影响,利用袋外数据误差率估计对随机森林的两个参数进行了优化。选择ntree为300,mtry为1,等级一、二、三、四、五的识别率分别为100%, 100%, 92.31%, 100%和90%,平均识别率为96.46%,识别率提高了5.89%。综上所述,采用LIBS技术结合优化后的随机森林模型鉴别石斛等级具有一定的可行性,为未来快速鉴定不同价格的石斛等级分类提供了可行性的判别系统。     

嗓音多频带非线性分析的声带病变识别

提出了一种嗓音多频带非线性分析的声带病变识别方法,以提高声带病变嗓音的识别率。首先采用Gammatone听觉滤波器组对嗓音信号进行滤波,求取每个频带下的最大李雅普诺夫指数;对映射到核空间的数据采用高斯最大似然度准则优化核函数,然后采用优化核主成分分析算法实现特征抽取。识别实验表明,多频带最大李雅普诺夫指数的识别率比传统的MFCC和最大李雅普诺夫指数分别有6.52%和8.45%的提高,且采用优化核主成分分析算法比传统核主成分分析算法有更好的抽取效果.将多频带非线性分析和优化核主成分分析算法结合,识别率提升至97.82%。      

Logistic回归算法结合近红外光谱对子宫内膜癌组织切片分类的研究

子宫内膜癌是一种常见的妇科癌症。实验将Logistic回归作为一种建模方法引入到子宫内膜癌分类诊断模型中。77个样本通过主成分判别分析和支持向量机判别分析进行降维,应用拉丁配分方法选择训练集和测试集并确定Logistic回归模型参数。结果表明,Logistic回归模型不仅能够对样本进行正确的分类,而且能将样本的分类归属趋势与临床诊断结果很好的一致。主成分判别分析结合Logistic回归有望发展为一种近红外光谱检测癌症组织的新方法。     

基于可见-近红外光谱技术的葡萄酒真伪鉴别的研究

研究收集了不同品牌的90个葡萄酒样品,为了消除各光谱基线不同带来的影响,对所有光谱曲线都进行了一阶求导,以一阶导数谱线作为有效数据,通过独立主成分(PC)分析可知,前两个主成分的贡献率达到80%以上,主成分聚类使得真伪葡萄酒样品明显分为两类;以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型,该模型对葡萄酒样品的预测识别率达到100%。研究表明,可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、无损鉴别葡萄酒真伪提供一种准确可靠的新方法。     

基于可见光-近红外光谱的煤岩识别方法实验研究

以淮南矿区谢桥矿和潘二矿的煤和岩石样本为研究对象,通过地物光谱仪采集样本反射率光谱曲线,同时检测样本氧化物含量、水分、灰分及挥发分含量,将样本的反射率光谱曲线和样本成分含量分别作为自变量,样本类别“煤”和“岩石”两种矿物类型作为因变量,建立煤和岩石识别模型对煤和岩石进行二分类。该研究主要采用三种模型,分别为主成分分析结合支持向量机(PCA-SVM)、主成分分析结合BP神经网络(PCA-BP)模型和核主成分分析结合支持向量机(KPCA-SVM)模型。结果表明,基于可见光近红外光谱的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为95.5%,验证平均精度约为90.56%;基于样本成分的三个模型中,核主成分分析结合支持向量机模型的识别精度最高,建模平均精度为98.5%,验证平均精度约为95%。     

应用可见/近红外光谱进行黄酒品种的判别

为了实现对黄酒品种的快速判别,采用可见/近红外光谱对不同品种的黄酒获取光谱曲线,然后采用主成分分析方法对光谱数据进行聚类分析,并将其提取的主成分作为BP神经网络的输入值,建立了黄酒品种鉴别模型。该模型将前6个主成分作为神经网络的输入变量,加速了神经网络的学习速度,提高了模型的预测精度。随机选取每个品种的15个黄酒样本,共45个样本组成预测集,剩余的145个黄酒样本组成训练集建立训练模型,并用预测集样本对其进行验证。将品种鉴别的偏差标准定为±0.1,结果表明,只有1个未知样本超出偏差范围,该方法的品种鉴别正确率为97.78％,获得了满意的结果。说明文章提出的方法具有很好的分类和鉴别作用,为黄酒品种的快速鉴别提供了一种新方法。     

基于RBF神经网络的较低浓度下同步荧光光谱的溢油鉴别

针对海面溢油样品的含量难以确定,同时考虑到海水掺杂及风化等问题的影响,提出了在较低非线性浓度范围内采集溢油嫌疑样品的同步荧光光谱,获取其训练样本集,利用主成分分析法(Principal com-ponent analysis,PCA)提取其特征光谱,结合径向基函数(Radial basis function,RBF)神经网络对肇事样本和嫌疑样本进行模式识别的方法。通过对相近油源原油样品分类识别研究表明:该方法仅需单次对肇事样本同步光谱测量,再借助数据分析,就可以很好区分相近油源溢油样品,外扰对识别率影响也不大。RBF神经网络算法识别率在92%左右。该结论对海洋环境中溢油的实时检测及油指纹数据信息库的建立有重要意义。     

近红外光谱技术的乳粉品牌溯源研究

采用近红外光谱漫反射模式,结合简易分类技术(soft independent modeling of class analogy, SIMCA)对不同品牌乳粉进行了分类溯源研究。实验共采集了四种不同品牌乳粉,包括光明乳粉54组,荷兰乳粉43组,雀巢乳粉33组以及伊利乳粉8组共138组样品的近红外光谱,通过对预处理后的训练集全谱段数据变量进行主成分分析,得出前三个主成分的累积方差贡献率为99.07%。利用SIMCA类建模法建立的乳粉主成分回归模型对预测集乳粉进行分类,研究结果表明,光明乳粉、荷兰乳粉、雀巢乳粉的识别率分别为78%, 75%, 100%,拒绝率分别为100%, 87%, 88%。因此,近红外光谱结合SIMCA建立的模型具备较好的乳粉品牌溯源能力,为快速、准确鉴别乳粉品牌提供了新思路。     

基于光谱技术的杨梅汁品种快速鉴别方法的研究

为了实现杨梅汁品种的快速无损鉴别,提出了一种用可见和近红外光谱技术快速鉴别杨梅汁品种的新方法。首先采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为9。完成特征提取后,将这9个主成分作为神经网络的输入变量,建立了三层BP神经网络,实现类别预测的同时也完成了数学建模与优化分析工作。3个品种的杨梅汁样本数均为20,共计60个样本。在神经网络学习中,将其分成训练集样本51个和预测集样本9个。对9个未知样本进行预测,准确率为100％。说明本文提出的基于光谱技术和模式识别的方法具有很好的分类和鉴别能力。     

基于可见光光谱分析的黄瓜白粉病识别研究

白粉病是黄瓜常见病害之一,传播速度极快,严重时可造成黄瓜大量减产,对其进行快速准确识别,对黄瓜白粉病诊断和防治具有重要意义,应用可见光谱技术,结合主成分分析和支持向量机算法,实现对黄瓜白粉病的快速识别。配制白粉病菌孢子悬浮液,并人工接种于科研温室内的黄瓜叶片上,以诱发黄瓜白粉病,待白粉病有一定面积暴发后,利用海洋光学USB2000+型便携式光谱仪对黄瓜叶片光谱信息进行采集,利用五点取样法采集样本,在5个检查点,每点选取2株黄瓜进行调查,每株选取4枚感病叶片,每枚叶片随机选取5个感病区域进行光谱采集,共计采集200个感病叶片光谱样本,同样采集200个健康叶片样本作为对照。通过Ocean Optics Spectra-Suite软件采集漫反射标准白板信息和光谱仪暗电流实现光谱仪校正,调节积分时间、扫描次数以及平滑度等参数来实现光谱曲线平滑处理,以有效抑制光谱噪声,对光谱特征进行分类识别,去掉首尾噪声较大的波段,保留光谱的可见光波段进行研究,最终选取450~780 nm波段范围作为研究对象。利用主成分分析对所研究波段范围内的高维光谱数据（947维）进行降维处理,根据主成分的累计贡献率,选取前5个主成分作为分类模型的输入,以白粉病和健康叶片的判别结果作为输出,利用支持向量机算法,通过对样本的分类学习训练构建黄瓜白粉病和健康叶片的分类识别模型,随机选取120个样本作为训练集用于分类模型构建,其余80个样本作为测试集用于模型检验,并通过选取不同的核函数来获得最优模型。利用混淆矩阵对分类识别模型的准确率进行评价,当选取径向基核函数时,分类识别模型对黄瓜健康叶片和白粉病叶片的识别准确率最高,分别为100%和96.25%,总准确率为98.125%,具有较高的准确率。结果表明,利用可见光光谱信息并结合主成分分析和支持向量机算法,可以实现对黄瓜白粉病的快速准确识别,为黄瓜病害诊断提供了方法和参考依据。     

数据驱动模型的血液物种光谱检测技术

介绍一种基于光谱检测和数据驱动模型的非接触式血液物种识别技术。选取了4个物种(猴144,大鼠203,狗133,人169)共计649个血样作为原始样本。超连续谱激光光源的波长范围是450～2 400 nm。分别采集抗凝管盛装血液样本的后向散射可见光谱(294～1 160 nm)和十个不同空间位点的前向散射近红外光谱(1 021～1 757 nm),将十一条光谱数据顺序连接为一维数据作为每个样本的原始数据。利用主成分分析法对数据集进行特征信息提取,保留原始差异信息量的99.99%,同时将数据量压缩为原始数据量的1.5%,提高分类识别的运算效率。对不同数量的训练集和验证集进行训练预测实验表明,十折交叉验证的识别误差率随着样本数量的增加而降低,样本库规模的增大可以提高识别的精确度。由于数据驱动模型是基于机器学习算法的数据流处理模型,因而可以采用多种不同的分类算法实现。通过比较人工神经网络、支持向量机、偏最小二乘回归、多元线性回归、随机森林和朴素贝叶斯的识别效果可以发现,不同算法的识别效果具有类别差异性,即各个算法的正确识别率排序在不同的物种中是有差异的。因而实际应用中,在选择数据驱动模型时,除了需要考虑算法的整体识别率之外,当对部分类别的识别效果有额外要求时,还应该考虑算法本身的类别差异性。     

应用可见-近红外光谱技术快速无损鉴别婴幼儿奶粉品种

为了快速无损鉴别婴幼儿奶粉品种,提出了结合偏最小二乘(PLS)法和人工神经网络(ANN)综合预测婴幼儿奶粉品种的新方法。获取婴幼儿奶粉样本在400～1 000 nm波段的漫反射光谱,采取平均平滑法和多元散射校正(MSC)进行预处理,用PLS建立校正模型进行模式特征分析及主成分的提取。经过交互验证法判别,提取7个主成分作为神经网络的输入变量,奶粉的品种值作为输出,建立了三层BP神经网络。9个典型品种的婴幼儿奶粉各取样本30个,共计270个作为训练集。随机抽取的各个品种的10个样本,共90个作为预测检验样本,结果表明,90个未知样本的品种预测准确率为100％。说明提出的方法具有很好的分类和鉴别作用,为婴幼儿奶粉的品种快速无损鉴别提供了一种新方法。     

基于DPLS特征提取的LDA方法在玉米近红外光谱定性分析中的应用

提出了一种基于DPLS+LDA的玉米近红外光谱定性分析新方法.该方法在训练时,首先用包含30个玉米品种每个品种20个近红外光谱样本的训练集进行DPLS回归,确定最佳DPLS主成分数为28;然后对训练集光谱进行DPLS特征提取后再进行LDA分析,确定最佳LDA主成分数为26,并提取LDA特征.识别时,测试样本经过DPLS...