可能模糊鉴别C均值聚类的茶叶FTNIR分类研究

茶叶傅里叶近红外光谱(FTNIR)中含有茶叶的有机物化学成分信息,不同品种茶叶的化学成分和含量都有差异,所以利用傅里叶近红外光谱进行茶叶品种分类是可行的。由于茶叶近红外光谱数据具有维数高,有波峰和波谷,光谱重叠交错等特点,所以准确分类光谱数据存在困难。为此,提出一种可能模糊鉴别C均值聚类(PFDCM)算法,将模糊线性判别分析(FLDA)引入到可能模糊C均值聚类(PFCM)算法中,在模糊聚类过程中FLDA可提取茶叶近红外光谱的鉴别信息和进行数据空间的转换。PFDCM在对茶叶光谱进行模糊聚类后得到的模糊隶属度和典型值可实现茶叶近红外光谱的准确聚类,具有聚类速度快,准确率高等优点。由于PFDCM的典型值没有隶属度之和为1的约束条件,因而PFDCM在聚类含噪声的光谱数据方面优于模糊C均值聚类(FCM)。采集岳西翠兰,六安瓜片,施集毛峰和黄山毛峰四种茶叶共260个样本,采用AntarisⅡ型傅里叶近红外光谱仪采集茶叶的傅里叶近红外光谱。光谱波数范围为10 000～4 000 cm~(-1),实验所得近红外光谱为1 557维的高维数据。首先,将光谱数据用多元散射校正(MSC)进行预处理以减少光谱散射和噪声影响和增加信噪比;其次,用主成分分析法(PCA)降低光谱数据空间的维数,经过PCA处理后光谱数据维数为7;然后,用线性判别分析(LDA)提取光谱数据中的鉴别信息并将光谱数据空间的维数进一步降低到3维;最后,分别用FCM,可能模糊C均值聚类(PFCM)和PFDCM进行数据的聚类分析,实现茶叶品种的准确分类。实验结果:权重指数m=2.0,η=2.0, FCM, PFCM和PFDCM聚类算法的聚类准确率分别为93.60%, 93.02%和98.84%; FCM收敛时共迭代25次,而PFCM和PFDCM收敛时分别迭代8次和23次;模糊聚类收敛所消耗的时间, FCM最少,而PFDCM最多。FTNIR技术结合MSC, PCA, LDA和PFDCM提供了一种实现茶叶品种准确鉴别的分类模型。     

茶叶傅里叶近红外光谱的混合模糊极大熵聚类分析

茶作为世界最受欢迎的三大饮料之一,不仅能够提神醒脑,而且还有帮助消化和降低血压等作用。随着人们对茶叶品质要求的日益提高,需要对不同品种的茶叶实现准确的鉴别分析以防止茶叶市场里茶叶品牌名不副实和以次充好等现象的发生。为实现对茶叶快速精准的鉴别分析,设计了一种综合采用傅里叶近红外光谱和新的模糊极大熵聚类（FEC）分析算法的茶叶品种鉴别系统。传统模糊极大熵聚类分析在聚类含噪声数据时,聚类结果往往容易出现错误,即FEC对噪声数据敏感。为解决这个问题,在FEC分析算法的基础上引入可能C均值聚类分析（PCM）,提出了一种混合模糊极大熵聚类（MFEC）分析算法。MFEC可通过迭代计算得到模糊隶属度值,能实现对含噪声的茶叶傅里叶近红外光谱数据的准确聚类分析。首先,使用傅里叶近红外光谱仪（Antaris Ⅱ型）采集岳西翠兰、六安瓜片、施集毛峰三种安徽茶叶的傅里叶近红外光谱数据,光谱波数范围为10 000~4 000 cm-1。其次,对采集到的光谱数据使用多元散射校正（MSC）进行预处理,预处理后先用主成分分析（PCA）将光谱数据维数降至10维,然后再用线性判别分析（LDA）对降维后的近红外光谱数据进行特征提取。最后,通过混合模糊极大熵聚类分析和传统的模糊极大熵聚类分析对三种茶叶的光谱数据进行聚类分析,并对两种聚类分析算法得到的聚类准确率、收敛速度等进行对比分析。实验结果表明：混合模糊极大熵聚类（MFEC）分析算法与传统的模糊极大熵聚类（FEC）分析算法相比较,在相同的权重指数m下MFEC具有更高的聚类准确率。在m=2条件下,MFEC的聚类准确率达到了100%,而传统的模糊极大熵聚类在相同条件下聚类准确率仅为37.98%。MFEC收敛过程中仅需迭代10次即可达到收敛,而FEC需要迭代100次,因此MFEC可以更高效的进行模糊聚类分析,MFEC相比于FEC聚类性能具有明显的优越性。通过傅里叶近红外光谱技术,混合模糊极大熵聚类分析结合PCA与LDA算法构建的茶叶品种鉴别系统能够高效快速的完成对岳西翠兰、六安瓜片、施集毛峰三种茶叶的准确分类,为茶叶检测领域提供了一种创新的方法与设计思路,具有一定的理论价值和良好的市场应用前景。     

模糊非相关鉴别C均值聚类的茶叶傅里叶红外光谱分类

茶是一种让人喜爱的健康饮品,不同品种的茶叶其功效和作用是不相同的。研究出一种可靠、简单易行、分类速度快的茶叶品种鉴别方法具有重要的意义。在模糊非相关判别转换(FUDT)算法和模糊C均值聚类(FCM)算法的基础上提出了一种模糊非相关鉴别C均值聚类(FUDCM)算法。FUDCM可以在聚类过程中动态提取光谱数据的模糊非相关鉴别信息。用FTIR-7600型傅里叶红外光谱分析仪分别采集优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰三种茶叶的傅里叶中红外光谱,波数范围为4 001.569～401.121 1 cm-1。先用多元散射校正(MSC)进行光谱预处理,然后用主成分分析法(PCA)将光谱数据降维到20维,再利用线性判别分析(LDA)提取光谱数据中的鉴别信息。最后分别运行FCM和FUDCM进行茶叶品种鉴别。实验结果表明：当权重指数m=2时,FCM的聚类准确率为63.64%,FUDCM的聚类准确率为83.33%;FCM经过67次迭代计算实现了收敛,而FUDCM仅需17次迭代计算就可以实现收敛。用傅里叶红外光谱技术结合主成分分析、线性判别分析和FUDCM的方法能快速、有效地实现茶叶品种的鉴别分析,且鉴别准确率比FCM更高。     

基于可见/近红外光谱与化学计量学的杏品种无损鉴别方法

新疆南疆是全国杏种植面积最大的地区,杏品种繁多。在杏果品市场中,不同品种杏的品质和价格差异较大,以次充好、品质参差不齐等现象严重制约了新疆杏果业的发展。为探究利用可见/近红外光谱快速检测杏品种的可行性,基于样品的可见/近红外光谱与化学计量学方法,对新疆南疆地区的6个品种杏进行定性判别分析,建立一种杏品种的无损鉴别方法。采用光谱仪采集6个品种杏(“黄杏”、“橄榄杏”、“小白杏”、“小米杏”、“库买提杏”、“小吊干杏”)在350～1 000 nm(VIS/NIR)和1 000～2 500 nm(NIR)两个范围内的光谱数据,去除原始光谱首端的噪声后,对保留的光谱使用Savitzky-Golay(SG)卷积平滑和多元散射校正(MSC)处理以消除光谱存在的干扰信息,采用主成分分析(PCA)、竞争性自适应重加权算法(CARS)、随机蛙跳(RF)、连续投影算法(SPA)对原始光谱降维,结合线性判别法(LDA)、朴素贝叶斯(NB)、 K最近邻(KNN)和支持向量机(SVM)对全光谱和降维后光谱建模对比。结果表明：基于全光谱数据建立的模型有较为准确的分类结果,在VIS/NIR范围,SVM模型分类正确率...     

基于无监督可能模糊学习矢量量化的近红外光谱生菜品种鉴别研究

为解决模糊学习矢量量化(FLVQ)对噪声数据敏感问题,在无监督可能模糊聚类(UPFC)基础上提出一种无监督可能模糊学习矢量量化(UPFLVQ)算法。UPFLVQ用UPFC的隶属度和典型值来更新学习矢量量化网络的学习速率,计算类中心矢量。UPFLVQ 属于无监督机器学习算法,适用于无学习样本情况下的样本分类。研究了UPFLVQ用于近红外光谱生菜品种鉴别的可行性。采用FieldSpec@3型便携式光谱分析仪获取波长范围为350～2 500 nm的三种生菜样本的短波近红外光谱和长波近红外光谱,然后采用主成分分析(PCA)进行近红外光谱的维数压缩,取前三个主成分,累计可信度达97.50%,将2151维的近红外光谱压缩为三维数据。再运行模糊C-均值聚类(FCM)至迭代终止,并以FCM的类中心作为UPFLVQ的初始聚类中心,最后运行UPFLVQ得到隶属度和典型值以实现近红外光谱的生菜品种鉴别。同时,运行UPFC进行近红外光谱的生菜品种鉴别。实验结果表明：UPFLVQ和近红外光谱技术相结合的模型具有检测速度快,鉴别准确率高,对生菜不造成损坏等优点,可实现不同品种生菜的鉴别。UPFLVQ是将UPFC和FLVQ相结合的聚类算法,利用UPFLVQ建立近红外光谱的生菜品种鉴别模型时无需学习样本,适用于线性可分的数据聚类,为快速和无损地鉴别生菜品种提供了一种新的方法。     

Gath-Geva联合模糊聚类的生菜近红外光谱聚类分析

生菜的新鲜程度是影响生菜品质的最重要因素之一,其主要取决于生菜的储藏时间,因此,对不同储藏时间的生菜进行准确鉴别具有重要研究价值。由于不同储藏时间生菜的近红外光谱数据具有差异性的特点,因而使用近红外为不同储藏时间的生菜进行鉴别分类是可行的。通过将联合模糊C均值聚类（allied fuzzy c-means, AFCM）中的欧式距离测度替换为指数距离测度从而提出了一种GG联合模糊聚类（Gath-Geva AFCM, GGAFCM）分析算法。GGAFCM通过迭代计算得到模糊隶属度值和典型值,再结合近红外光谱实现了对不同存储时间生菜的高效精准鉴别。以新鲜的生菜样本作为研究对象,使用傅里叶近红外光谱仪（Antaris Ⅱ型）每隔12 h对生菜样本采集漫反射光谱数据,光谱的波数范围介于10 000~4 000 cm-1之间。首先,通过主成分分析（principal component analysis, PCA）对采集到的1 557维生菜近红外光谱数据进行数据压缩将其降至22维,然后通过模糊线性判别分析（fuzzy linear discriminant analysis, FLDA）对降维后的近红外漫反射光谱数据的鉴别信息进行提取。设定鉴别向量数为2,即通过FLDA将22维的生菜近红外光谱数据转换为了2维数据。最后将模糊C均值聚类（fuzzy c-means, FCM）的聚类中心作为GGAFCM和AFCM的初始聚类中心,通过运行FCM,GGAFCM和AFCM完成对不同储藏时间生菜的鉴别分类,并对三种模糊聚类算法得到的聚类准确率、模糊隶属度、迭代次数进行分析。实验结果表明：在初始化条件相同的情况下,采用的GGAFCM算法与FCM和AFCM算法相比具有更高的鉴别准确率。在m=2的情况下,GGAFCM的鉴别准确率达到了95.56%,而AFCM的聚类准确率为91.11%。GGAFCM迭代4次达到收敛,而AFCM与FCM均需要8次迭代计算才能达到收敛。基于近红外光谱技术,通过GGAFCM结合PCA与FLDA算法可以高效快速且无损的完成对储存时间不同的生菜的准确鉴别分类,为生菜储存时间的准确、快速鉴别提供了实验依据和参考方法,具有一定的实际应用价值。     

茶叶傅里叶红外光谱的可能模糊K调和均值聚类分析

茶叶的品种不同,其有机化学成分含量往往不同,其功效也是不尽相同的,因此,研究出一种简单、高效、识别率高的茶叶品种鉴别技术方法是十分有必要的。中红外光谱技术是一种快速检测技术,在用中红外光谱仪采集得到的茶叶中红外光谱中含有噪声信号。为了对含噪声茶叶中红外光谱的准确分类以实现茶叶品种分类,将可能模糊C-均值聚类(PFCM)思想应用到K调和均值(KHM)聚类,设计出一种可能模糊K调和均值(PFKHM)聚类算法,计算出PFKHM的模糊隶属度、典型值和聚类中心。可能模糊K调和均值聚类能有效解决K调和均值聚类的噪声敏感性问题。用傅里叶红外光谱分析仪(FTIR-7600型)分别对三种茶叶(优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰)进行扫描以获取它们的傅里叶中红外光谱。光谱波数区间是4 001.569～401.121 1 cm-1。先采用主成分分析法(PCA)将光谱数据压缩到20维,再采用线性判别分析(LDA)将光谱数据压缩到两维并提取鉴别特征信息。最后分别用K调和均值聚类和可能模糊K调和均值聚类实现茶叶品种分类。实验结果：当权重指数m=2,q=2和p=2时,KHM具有91.67%的聚类准确率,PFKHM聚类准确率达到94.44%;KHM迭代12次达到收敛,而PFKHM迭代11次就可以达到收敛。采用傅里叶红外光谱技术检测茶叶,用主成分分析和线性判别分析压缩光谱数据,再用可能模糊K调和均值聚类进行品种分类可快速、准确地实现茶叶品种的鉴别。     

基于潜在语义分析与NIR的中药材分类研究

基于近红外光谱(NIR)和潜在语义分析(LSA)方法,对5种典型壮阳中药材进行分类鉴别研究。利用潜在语义分析对光谱预处理后的5种壮阳中药材光谱数据进行特征提取和鉴别分类后,将经光谱预处理和主成分分析(PCA)提取特征后的光谱特征数据分别带入K近邻(KNN)、BP神经网络(BP-ANN)和偏最小二乘支持向量机(LSSVM)三种典型的分类模型进行分类,并将结果与潜在语义分析模型结果进行对比。在4119.20~9881.46cm-1波数范围内,NIR光谱数据经多元散射校正(MSC)预处理后,代入潜在语言空间维数为3时所建立的LSA分类模型,训练集和测试集准确率均达到了100%。结果表明,在壮阳类中药材的近红外光谱分析鉴别中,潜在语义分析可以作为一种全新的提取光谱信息并分类的方法,具有较好的运用前景和实际意义。     

一种添加历史数据的近红外光谱特征提取方法研究

针对近红外光谱定性分析中,增加新的品种进行建模时,原有模型识别效果不够稳定的问题,提出一种在建模样本的基础上添加同类物质的历史光谱数据的特征提取方法,首先采集建模样本的近红外光谱数据,然后添加同种物质样本的历史近红外光谱数据,再对所有近红外光谱数据进行预处理,其次对所有样本数据进行偏最小二乘(PLS)特征提取得到偏最小二乘空间,并只将建模样本数据向构建的偏最小二乘空间进行投影,最后将投影后的建模数据进行正交线性判别分析(OLDA)特征提取。以玉米种子近红外光谱为研究对象,分别对建模数据添加历史近红外光谱以及不添加历史近红外光谱两种情况进行特征提取,并通过仿生模式识别(BPR)方法构建模型进行验证,实验结果表明,添加历史近红外光谱构建偏最小二乘空间的特征提取方法相对于不添加历史近红外光谱的方法,首先在增加建模集品种数量时,原有的品种识别率基本不变;其次在相同PLS维数时,所建模型对不同时间采集的测试集识别效果基本一致,证明了该方法可以提高模型稳健性。在实际应用中就可以在品种鉴别软件中将特征提取维数设置为固定值,免除了品种鉴别软件的用户在增加建模集品种时为了保证最优识别效果重新选定最优PLS参数的麻烦。     

利用少量波段近红外光谱图像鉴定玉米种子纯度

为实现玉米杂交种的自动化快速分选,提出了应用少量近红外波段光对玉米种子进行成像,获取种子光谱图像并提取纹理特征来鉴定玉米杂交种纯度的方法。采集5个玉米品种的母本和杂交种在4个短波近红外波段的透射光谱图像和4个中波近红外波段的反射光谱图像,采用白板标定校正光谱图像,运用中值滤波、大津法去除噪声,从背景中分割出种子,应用灰度分布统计,灰度共生矩阵提取纹理特征,对同一粒种子拼接其在各波长处的特征数据,应用主成分分析和正交线性判别分析降维并获得子空间的最佳可分性,使用支持向量机建立透射和反射光谱图像纯度鉴定模型。透射和反射模型对5个玉米品种平均正确鉴别率均在85%以上。表明利用少量波段的近红外光谱图像鉴定玉米杂交种纯度是可行的。     

高光谱成像技术鉴别菠菜叶片农药残留种类

利用高光谱成像技术无损鉴别菠菜叶片农药残留种类。采用高光谱成像仪采集900~1 700 nm波段内的光谱数据,采用多元散射校正对光谱数据进行预处理。利用主成分分析对不同种类菠菜样品的光谱数据进行分析,结果表明主成分分析能在可视化层面对不同种类的农药残留菠菜样品进行有效判别。另外,将卡方检验特征选择算法分别与支持向量机、朴素贝叶斯、决策树和线性判别分析算法结合,并采用10-fold交叉验证评价方法,筛选出最佳波段和最优判别模型（线性判别模型）。筛选出的8个特征波长为1 439.3,1 442.5,1 445.8,1 449,1 452.3,1 455.5,1 458.7,1 462 nm,模型的预测准确率达到0.993且10次交叉验证的标准差为0.009。结果表明,基于高光谱成像技术能准确地识别菠菜叶片上的农药残留种类。     

模糊协方差学习矢量量化的茶叶品种分类研究

茶叶是全球最受欢迎饮品之一,且具有丰富的营养价值,但目前市面上的茶叶鱼龙混杂,难以辨别。因此,快速准确的分类方法对茶叶进行鉴别具有重要的研究意义。由于大多数化合物基频吸收带均出现在波长为2 500～25 000 nm的中红外区域,茶叶的中红外光谱中含有大量关于茶叶品种的特征鉴别信息,利用这一显著特点可以对其进行分类。提出模糊协方差学习矢量量化(FCLVQ),该算法在GK(Gustafson-Kessel)聚类的基础上,引入学习向量量化(LVQ)中学习速率的概念,用以控制模糊类中心的更新速率。FCLVQ结合中红外光谱,通过不断迭代计算样本模糊隶属度值和模糊聚类中心,实现对茶叶的快速精准分类。选取市场上的峨眉山茶叶、优质竹叶青茶叶、劣质竹叶青茶叶作为实验对象。将实验对象分为3组(每个品种各1组),每组32个,共计96个样本。利用FTIR-7600型傅里叶红外光谱分析仪分别采集每组样本的中红外光谱数据,每组样本采集三次,取其平均值作为样本的红外光谱数据。首先,由于原始光谱含有噪声数据,故使用多元散射校正(MSC)作降噪预处理;其次,由于光谱数据维数高达1 868维,采用主成分分析(PCA)将...     

广义模糊K调和均值聚类的近红外光谱生菜储藏时间鉴别

生菜的储藏时间是影响生菜新鲜程度的重要因素。为了快速、无损和有效地鉴别生菜的储藏时间,以欧式距离的p次方代替模糊K调和均值聚类(FKHM)中欧式距离的平方提出了一种广义模糊K调和均值聚类(GFKHM)算法并将该算法应用于鉴别生菜的储藏时间。以60个新鲜生菜样本为研究对象,采用Antaris Ⅱ近红外光谱分析仪每隔12 h检测生菜的近红外漫反射光谱,共检测三次,光谱扫描的波数范围为10 000~4 000 cm-1。首先用主成分分析(PCA)对1 557维的生菜近红外光谱进行降维处理以减少冗余信息,取前20个主成分,经过PCA处理后得到20维的数据。然后用线性判别分析(LDA)提取光谱数据的鉴别信息以提高聚类的准确率,取鉴别向量数为2,则LDA将20维的数据转换为2维数据。最后以模糊C-均值聚类(FCM)的类中心作为FKHM和GFKHM的初始聚类中心,分别运行FKHM和GFKHM计算模糊隶属度以实现生菜储藏时间的鉴别。结果表明,GFKHM的鉴别准确率能达到92.5%,FKHM的鉴别准确率为90.0%,GFKHM具有比FKHM更高的鉴别准确率。GFKHM的聚类中心比FKHM更逼近真实类中心。GFKHM的收敛速度明显快于FKHM。采用近红外光谱技术同时结合GFKHM,PCA和LDA为快速和无损地鉴别生菜储藏时间提供了一种新的方法。     

近红外光谱技术用于豆浆粉品牌与假冒豆浆粉的鉴别

采用近红外光谱分析技术结合化学计量学方法研究对不同品牌的豆浆粉以及假冒的豆浆粉鉴别的可行性。采集不同品牌豆浆粉以及假冒豆浆粉在12 500～4 000 cm-1范围内光谱,并进行不同的预处理。采用偏最小二乘-判别分析(partial least squares-discriminant analysis, PLS-DA)对不同预处理的光谱进行建模比较,去趋势算法(De-trending)预处理光谱与多元散射校正(multiplicative scatter correction, MSC)结合De-trending(MSC+De-trending)预处理光谱的PLS-DA模型预测集判别正确率最高, 均为100%。采用x-loading weights方法分别基于De-trending和MSC-De-trending预处理光谱选择了6个和7个特征波数,并以特征波数分别建立了线性判别分析(linear discriminant analysis, LDA)和误差反向传播神经网络(back-propagation neural network, BPNN)的判别分析模型。结果表明,以所选出的不同的特征波数建立的BPNN判别分析模型取得了最佳的判别效果,建模集和预测集的判别正确率均为100%。采用近红外光谱分析技术可以准确的判别豆浆粉品牌以及假冒豆浆粉产品。     

一种广义噪声聚类的红外光谱茶叶品种鉴别研究

茶叶品种鉴别在茶叶的生产和销售中起着十分重要的作用。深入研究一种方法简单、易于操作、检测速度快的茶叶品种的鉴别方法,对于茶叶产品品种的鉴别有着十分重要的意义。利用红外光谱检测技术结合模糊聚类算法对茶叶品种进行快速鉴别是茶叶品种检测中最有效的和最实用的技术之一。为实现茶叶品种的快速分类,以快速广义噪声聚类(FGNC)为基础,提出一种新的广义噪声聚类(NGNC)。NGNC将FGNC目标函数中的欧式距离的平方扩展为欧式距离的p次方,提高了FGNC的聚类准确率。试验以优质乐山竹叶青、劣质乐山竹叶青和峨眉山毛峰三种茶叶为研究对象,采用FTIR-7600型傅里叶红外光谱仪检测茶叶样本的红外漫反射光谱。首先用主成分分析(PCA)对茶叶的高维红外光谱进行降维处理,然后用线性判别分析(LDA)进行茶叶光谱数据的品种类别信息的提取,最后分别运行FGNC和NGNC两种聚类算法进行茶叶红外光谱的聚类分析。实验结果表明,同FGNC相比较,NGNC具有更高的聚类准确率,更快的收敛速度和更逼近真实的聚类中心。总体而言,采用红外光谱技术检测茶叶样本,同时结合PCA,LDA和NGNC可实现快速、准确地聚类茶叶的红外光谱,能有效地实现茶叶品种的鉴别分析,为实现基于红外光谱和模糊聚类的茶叶品种鉴别分析提供了一种新方法和新思路。     

基于叶绿素荧光光谱和反射光谱的甜瓜种子品种鉴别

甜瓜的品种多样,富含多种营养成分,甜瓜种子品种不纯将对甜瓜生产造成一定危害,研究采用种子的叶绿素荧光光谱结合反射光谱的分析方法鉴别甜瓜种子品种,以甜瓜品种“一特白”、“一特金”、“京蜜7号”、“京蜜11号”、“伊丽莎白”为研究对象。构建了甜瓜种子品种鉴别光谱系统,包括激发光源单元、光谱数据采集单元和数据处理单元,使用该系统获取不同品种甜瓜种子的光谱数据。对光谱数据分别进行一阶导数(first derivative, FD),Savitzky-Golay(SG) 平滑,FD结合SG平滑预处理。采用主成分分析(principal component analysis, PCA)方法降低光谱数据的维数,提取主成分。使用两种不同分组方法将样品按照3∶1的比例分为训练集和验证集,并分别采用Fisher判别和Bayes判别分析方法建立甜瓜种子品种的判别模型。本文比较了仅使用叶绿素荧光光谱与使用叶绿素荧光光谱结合反射光谱建立判别模型的判别结果,结果显示,使用叶绿素荧光光谱结合反射光谱建模的判别结果优于仅使用叶绿素荧光光谱建模的判别结果,Fisher判别分析和Bayes判别分析的验证集样品品种的判别正确率均达到98.0%。研究结果表明,采用叶绿素荧光光谱结合反射光谱鉴别甜瓜种子品种具有可行性。     

主成分分析排序和模糊线性判别分析的生菜近红外光谱分类

贮存时间是影响生菜品质的一项重要因素,传统的贮存时间鉴别方法主要依靠人工经验,但是这种方法的准确率和可信度并不高。研究的目标是建立一种基于模糊识别的模型进行生菜光谱分析以实现生菜贮存时间的鉴别,并与其他鉴别方法作比较。为此,在当地超市购买60份新鲜生菜样品,存放于冰箱中待用。首先,通过Antaris Ⅱ近红外光谱检测仪采集生菜样品的近红外光谱数据,每隔12小时检测一次,每个样本检测重复三次,并取三次平均值作为实验数据。其次,利用多元散射校正（MSC）减少近红外光谱中的冗余信息。为了进一步去除近红外光谱中的无用信息以及简化随后的数据分类过程,分别运用主成分分析（PCA）和排序主成分分析 (PCA Sort)。其中,PCA Sort通过改进对主成分的排序方法能提高分类准确率,同时便于模糊线性鉴别分析（FLDA）进一步提取特征。PCA和PCA Sort的计算仅运用了前15个主成分（能充分反映光谱的主要信息）。最后,利用模糊线性鉴别分析算法（FLDA）和K近邻算法（KNN）进一步分类所得的低维数据。基于PCA和KNN算法的模型鉴别准确率达到43%,而基于PCA,FLDA和KNN算法的模型鉴别准确率可达83%。上述结果说明基于PCA,FLDA和KNN算法的模型鉴别准确率已经得到较大程度提高。当用PCA Sort替代了模型中的PCA算法后,结合FLDA和KNN算法则鉴别准确率达到98.33%。实验结果表明PCA Sort结合FLDA和KNN所建立的模型是有效的生菜贮存时间鉴别模型。     

近红外光谱的不同产地柑橘无损鉴别方法

柑橘是世界第一大水果。不同产地的柑橘内部品质和价格有所不同,但其外观差别较小,外行人较难通过肉眼实现准确鉴别分析。DNA标记法与仪器分析操作复杂、成本较高,且对样品具有破坏性,无法实现快速无损分析,影响了产品的二次销售。近红外光谱技术是一种快速无损的新型检测手段,可以用于不同产地农产品的鉴别分析。由于柑橘皮对光谱的干扰较大,导致现阶段柑橘产地无损鉴别研究匮乏。此外柑橘体积较大,因此需要对光谱采样点进行优化。为此,基于近红外光谱技术与化学计量学方法,提出了一种用于不同产地柑橘无损鉴别的新方法。使用近红外光谱仪得到了120个来自云南、湖南、广西武鸣、广西来宾的沃柑漫反射光谱数据。采用单一和组合光谱预处理方式以消除光谱中的多种干扰;采用主成分分析方法对数据进行降维处理,并以此作为输入值结合Fisher线性判别分析方法构建柑橘产地鉴别模型,并与主成分分析模型进行对比。此外,考察了不同光谱采样位置（赤道线4个采集点、果梗部以及果顶部）对结果的影响。结果表明：主成分分析方法结合优化光谱预处理的方法不能实现不同产地柑橘的准确鉴别分析,最优鉴别率仅为5%;而采用主成分分析-Fisher线性判别分析方法,利用赤道线4个点的平均光谱结合去偏置校正或多元散射校正预处理方法可实现不同产地柑橘的100%鉴别分析;采用主成分分析-Fisher线性判别分析对6个点的平均光谱数据进行处理时,采用原始光谱便可实现不同产地柑橘的100%鉴别分析。为此,通过对光谱预处理方法以及光谱采集点的优化,利用主成分分析-Fisher线性判别分析方法即可建立准确的柑橘产地鉴别模型,为不同产地柑橘的快速鉴别提供了新途径,为后续各种柑橘类水果的鉴别分析提供了参考。     

基于近红外光谱检测技术鉴别洋槐蜜中掺入大米糖浆的可行性研究

利用近红外光谱技术(near infrared spectroscopy,NIR)并结合化学计量学方法鉴别洋槐蜜中掺入大米糖浆的可行性研究。以来自不同蜂场的20个洋槐原料蜜样品与大米糖浆混合成7个不同浓度梯度(10∶0,9∶1,7∶3,1∶1,3∶7,1∶9,0∶10 g·g-1)共121个样品为研究对象,利用近红外光谱仪和光谱处理软件分别不同浓度梯度的对掺假样品进行光谱扫描和数据转换,并进行主成分分析(PCA),结合典型判别分析进行区分。结果表明,经过主成分分析后,前2个主成分的得分累计贡献率达97.23%,但掺假样品在第一、第二主成分得分散点图的区域划分不明显。用典型判别分析进一步判别,所有样本均得到准确的判别,准确率为100%,6个典型判别函数中前两个判别函数的累积贡献率达到91.6%,同时在第一类和第二类典型判别函数的分组图中,不同浓度梯度的掺假蜂蜜能够被较好的判别。表明该方法能够快速、有效鉴别大米糖浆在洋槐蜂蜜中的掺假,具有一定可行性和实用性。     

基于可见近红外光谱分析技术的马铃薯品种鉴别方法

基于可见-近红外光谱分析技术,提出了一种快速鉴别马铃薯品种的方法。以三种不同品种共计352个样本的马铃薯作为主要研究对象,随机将其分为建模集(307个样本)和预测集(45个样本)。对其中的建模集样品进行可见-近红外光谱分析,将获取的光谱图像通过多元散射校正(MSC)和窗口大小为9的Savitzky-Golay(S-G)一阶卷积求导方法预处理,消除颗粒大小、表面散射及光程变化对漫反射光谱影响,降低原始光谱曲线的随机噪声影响。然后用偏最小二乘法(PLS)对数据进行降维、压缩,使用主成分分析方法(PCA)获得的前4个主成分累计贡献率达到96%以上,并从前4个主成分图谱中提取20个吸收峰作为输入变量,经过试验,得到一个20(输入)-12(隐含)-3(输出)结构的3层BP神经网络。最后利用该模型对预测集样本进行品种鉴别,识别正确率达到100%。此方法能较为快速、准确地鉴别马铃薯的品种,为马铃薯品质检测与鉴别提供了新思路。