中红外和近红外数据融合的香型风格判别

烤烟香型的判别一直是烟草行业的关注焦点。利用中红外和近红外光谱对189份不同香型的烟叶进行分析。分别从中红外谱图数据中提取21个特征波数处以及近红外谱图数据中13个特征波数处的吸光值作为影响因素。通过主成分分析方法分别对选取的中红外、近红外数据进行烟叶清香型、中间香型和浓香型三种香型风格的定性分析。结果表明基于中红外和近红外数据PCA投影图中三种香型混淆严重,区分界面不清晰。随后,将中红外、近红外数据进行融合,将提取的34个特征波数处的吸光值同时代入主成分分析, 得到基于中红外和近红外融合数据的PCA投影图。该投影图可以将不同香型的烟叶明显地区分出来。随后利用后退法和遗传算法对中红外和近红外融合后的34个吸光度值进行变量选择,后退法选择出了24个变量,遗传算法选择出了19个变量。对比34,24和19个变量的烟叶三种香型风格的主成分投影图,遗传算法虽然选择了比较少的变量,但其仍然可以将烟叶进行准确的分类。利用遗传算法对中红外和近红外融合后数据进行变量选择,剔除对烟叶香型分类影响小的因素。最后,利用支持向量机建立烟叶清香型、中间香型和浓香型分类判别模型。该模型的建模结果准确率为92.72%,其中清香型、中间香型和浓香型的准确率分别为93.75%,92.11%和91.84%。内部交叉验证留一法结果准确率为88.74%,其中清香型、中间香型和浓香型的准确率分别为90.63%,86.84%和87.76%。对未知样本预报结果的准确率为86.84%,其中清香型、中间香型和浓香型的准确率分别为88.24%,85.71%和85.71%。无论是建模结果、留一法结果和预报结果其准确率都大于85%。研究结果表明中红外和近红外数据融合可以提供更多的特征信息,利用这些信息可以建立烟叶香型风格的分类判别模型,为烟叶香型风格快速鉴别提供帮助。     

基于烟叶电子鼻-近红外数据融合的支持向量机分类判别烟叶年份

提出了一种基于烟叶近红外光谱(NIR)和烟叶电子鼻(EN)融合数据的烟叶年份判别的支持向量机分类模型。在NIR和EN数据融合的基础上,利用遗传算法来进行变量选择,再建立烟叶年份判别支持向量机模型,所得到的烟叶判别模型在训练集和独立测试集上都具有较高的准确率。建立的烟叶判别NIR-E-SVM模型的建模准确率达到100%,留一法准确率达到98.55%,对未知样本的预报准确率为90%。     

基于烟叶电子鼻-近红外数据融合的支持向量机分类判别烟叶年份（英文）

提出了一种基于烟叶近红外光谱(NIR)和烟叶电子鼻(EN)融合数据的烟叶年份判别的支持向量机分类模型。在NIR和EN数据融合的基础上,利用遗传算法来进行变量选择,再建立烟叶年份判别支持向量机模型,所得到的烟叶判别模型在训练集和独立测试集上都具有较高的准确率。建立的烟叶判别NIR-ESVM模型的建模准确率达到100%,留一法准确率达到98.55%,对未知样本的预报准确率为90%。     

应用近红外光谱和多算法融合方法分析烤烟的香型风格特征

以全国17个主要烤烟产地省份中收集的3 914个烟叶样品的近红外光谱为实验对象,其中浓香型、中间香型、清香型烟叶光谱分别865条、1 403条、1 646条,应用近红外光谱和多算法融合方法分析其香型风格特征。在以产地进行初步划分烟叶香型以及认可过渡型和非典型香型类型的基础上,选取基于主成分及Fisher准则的投影法(PPF)、偏最小二乘判别(DPLS)、支持向量机(SVM)作为单分类器,得到各个算法第1和2判别分析结果;应用PPF-DPLS-SVM融合和各算法第1和2判别分析结果,将预测验证样品的分析结果详细划分为典型、过渡型、非典型香型样品(分别为493,392,115个);其中典型香型烟叶样品的判别准确率达到92.7%,较未进行典型样品划分时PPF,DPLS,SVM单算法的识别准确率分别提高了30.2%,15.4%,16.6%。样品数据来源于全国主要烤烟产地,数据量大,代表性较好,分析结果具有一定普遍性;提出的多算法融合分析方法大幅度提高了通过客观数据判别烤烟香型的准确率;同时,将烤烟香型细划分为典型、过渡型和非典型香型的方式,对烤烟烟叶原料的科学合理利用以及烟叶原料的模块化工业加工等有指导作用。     

基于主成分分析和支持向量机的木材近红外光谱树种识别研究

为了探究一种新型高效的树种鉴别方法,以桉木、杉木、落叶松、马尾松和樟子松近红外光谱数据为研究对象,分别建立了基于主成分分析和支持向量机的木材树种定性识别模型。在主成分识别模型中,样本光谱数据经过预处理后绘制了其二维和三维主成分得分图,可以看出：主成分分析得分图能有效区分五种木材树种,且三维得分图比二维得分图更能直观、清晰展示树种之间的差异,表明主成分分析在可视化层面上可对小样本树种进行有效判别。在支持向量机识别模型中,分别建立了以遗传算法和粒子群算法为代表的智能算法优化支持向量机树种识别模型,结果显示,遗传算法-支持向量机模型的交叉验证最佳判别准确率为95.71%,测试集预测准确率为94.29%,算法用时134.08 s;粒子群算法-支持向量机模型的交叉验证最佳判别准确率为94.29%,测试集预测准确率为100.00%,算法用时19.98 s,表明基于智能算法支持向量机树种识别模型能够实现对木材树种的有效鉴别。该研究对近红外光谱分析技术在木材科学领域的应用进行了有益探索,为木材树种的快速识别提供了新方法。     

基于卷积神经网络的烟叶近红外光谱分类建模方法研究

卷积神经网络(CNN)在图像分类识别领域应用广泛,但其在近红外光谱分类中的研究还未见报道,对基于CNN的近红外光谱分类建模方法进行了研究。针对近红外光谱数据的特点,提出了一种改进的卷积神经网络建模方法,对CNN经典模型LeNet-5所做改进：①将方形矩阵卷积核改为适用于一维近红外光谱的向量卷积核;②简化网络结构,将LeNet-5结构中C5,F6及输出层改为单层感知机。同时,采用隔点采样的方法对近红外光谱降维,加快收敛速度;并对卷积核尺寸对建模结果的影响进行了研究。以我国东北、黄淮、西南三大烤烟产区的600个中部烟叶样本的近红外光谱为实验对象,建立烟叶产区分类NIR-CNN模型。该模型对训练集和测试集的判别准确率为98.2%和95%。实验结果表明,应用卷积神经网络可对近红外光谱数据准确、可靠地判别分类;烟叶产区NIR-CNN建模方法可为卷烟企业烟叶原料科学合理利用提供指导,为维护卷烟产品的质量稳定有重要意义;基于卷积神经网络的近红外光谱判别方法也可推广到其他农产品的分类应用中。     

基于红外与近红外光谱的烟叶部位识别

以烟叶样品的红外及近红外光谱为基础,采用基于主成分分析的马氏距离判别模型,研究了不同类型仪器、建模区间、模型参数及光谱预处理方式对烟叶部位识别准确率的影响。结果表明根据红外和近红外光谱均可对烟叶部位进行良好识别,近红外光谱因包含的样品信息更为丰富,可以得到比红外光谱更好的识别效果。其中仪器A的二阶导数光谱给出的烟叶部位识别准确率最高,可达94.11%;仪器B的一阶导数及SNV光谱给出的烟叶部位识别准确率次之,为88.24%;Nicolet公司的Antaris360傅里叶红外仪的一阶导数光谱给出的烟叶部位识别准确率为82.35%。对于同一仪器,最佳建模区间及主成分个数随样本情况及光谱预处理方式而变。     

近红外光谱法与循环伏安电化学法联用进行葡萄酒品种溯源研究

提出一种将循环伏安电化学法和近红外光谱法联立,用PLS-DA的D-S证据理论融合二者信息进行葡萄酒品种溯源研究的方法。分别采集来自不同产区的三类不同品种的171个干红葡萄酒样品的循环伏安曲线和近红外透射光谱。用PLS-DA法分别建立循环伏安电化学法和近红外光谱法的判别模型,以此为证据;用两个证据的D-S合成规则实现近红外判别结果与循环伏安法判别结果的重新决策。融合后的结果为：多产区不同品种葡萄酒溯源模型的建模集准确率为95.69%,检验集准确率为94.12%;单一产区不同品种葡萄酒溯源模型的建模集准确率为99.46%,检验集准确率为100%;判别结果都比融合前单一循环伏安电化学法和近红外光谱法的判别准确率得到了提高。实验结果表明, 该方法具有较高的溯源识别准确度, 可以快速准确地对待测葡萄酒品种进行定性检测。     

田间原位光谱的鲜烟叶成熟度判别模型的研究

在田间原位对烟叶成熟度进行判别,能够有效减少由于对成熟度判断错误而导致的烟叶损失率升高、质量下降的问题,而传统的人眼结合叶龄的田间成熟度判别方法缺少客观性,因此提出采用光谱特征参数结合支持向量机的方法对田间原位烟叶成熟度进行判别。以专家评定并在田间原位进行测量的五个成熟度等级共351个烟叶反射光谱作为试验样品,五个成熟度等级分别为M1,M2,M3,M4,M5。通过对反射光谱的分析发现,不同成熟度烟叶的光谱在可见光波段能够得到区分,而在近红外波段区分不明显,因此在可见光波段进行分析建模。分别采用可见光范围内的连续光谱(350～780 nm)、特征波段(496～719 nm)、光谱特征参数(绿峰幅值、绿峰位置、红边幅值、蓝边幅值、红边面积、蓝边面积、红边位置、蓝边位置)作为输入变量,采用支持向量机方法(supportvector machine,SVM)建立烟叶成熟度判别模型。结果表明,应用可见光光谱特征参数作为输入变量所建立的模型的正确识别率达到98.85%,而应用可见光连续谱、可见光特征波段作为输入变量的正确识别率分别为90.80%和93.10%。因此使用可见光光谱特征参数建立支持向量机的鲜烟叶成熟度判别模型对田间原位烟叶成熟度进行判别是可行的。     

基于LIBS技术对岩石识别的数据降噪方法

利用激光诱导击穿光谱技术进行原岩分类与识别存在可重复性差,数据残差值高等问题,导致其分类识别准确率较低.针对此问题,提出了一种基于格拉布斯准则法的异常值判别方法,该方法可以有效替换残差值较大的数据,从而降低分类识别算法过拟合的概率.使用线性判别分析法、随机森林分类法、支持向量机三种分类识别算法对岩石的LIBS光谱进行识别.在数据降噪前,三种方法的识别准确率为:线性判别分析法79.6%、随机森林分类法75.2%、支持向量机94.5%,而数据降噪后的识别准确率为:线性判别分析法92%、随机森林分类法97%、支持向量机99.4%.     

近红外光谱法结合支持向量机测定天然牛黄粉中人工牛黄的掺入量

提出了应用近红外漫反射光谱技术结合支持向量机测定天然牛黄粉中人工牛黄的含量的方法。以傅里叶变换近红外光谱仪(4 000 ～10 000 cm-1)为试验仪器,以含有不等量人工牛黄的天然牛黄粉(天然牛黄的质量分数范围为 0%～100%)作为校正样品,对光谱数据进行平滑、求导和小波压缩,结合支持向量机,建立了测定天然牛黄粉中人工牛黄含量的模型。试验结果为: 预测相对误差的平方和可达 0.001 35。研究表明：近红外漫反射光谱法结合支持向量机可以测定天然牛黄粉中人工牛黄的掺入量,结果可靠, 可用于天然牛黄粉的质量控制。     

云计算的蚕豆虫害可见-近红外光谱分类

利用蚕豆叶片可见-近红外反射光谱结合导数光谱对健康、少量、大量虫害三种等级的实验样本进行光谱特征分析,并选择虫害检测最优波段。采用Hadoop,Spark和VMWare虚拟机搭建云计算平台,使用MLlib机器学习库实现人工神经网络(ANN)和支持向量机(SVM)分类算法,并对三种等级蚕豆叶片全波段和最优波段光谱进行分类建模与预测。结果表明ANN虫害光谱分类模型准确率优于SVM虫害光谱分类模型,并且在云平台上运行效率更高,同时全光谱波段的预测准确性高于最优波段。通过扩展光谱数据集,云计算技术在光谱数据挖掘中的计算效率有显著提升。云计算分类检测可以为作物生物胁迫光谱识别提供新的技术和方法。     

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%。     

近红外光谱的北方寒地土壤含水率预测模型研究

我国北方寒地温差大,土壤温差对近红外光谱测量土壤墒情有较大影响。针对这一问题,以北方寒地土壤为研究对象,探究大范围温度胁迫下（-20～40 ℃）土壤的近红外光谱与土壤不同含水率之间的关系预测模型方法。选取黑龙江八一农垦大学农学院试验基地中的黑土,经烘干、过筛等操作处理后配置含水率范围在15%～50%内八种不同湿度的土壤样品,建立北方寒地土壤大范围温度胁迫下土壤的近红外光谱信息与含水率之间的定量预测模型。在全波段光谱数据的基础上,结合五种不同光谱信号预处理方法,采用BP神经网络算法、优化支持向量机算法（SVM）、高斯过程算法（GP）三种智能算法建立北方寒地土壤近红外光谱与含水率的预测模型并验证模型的效果。利用69组数据进行训练建模, BP神经网络相关参数设置为学习速率0.05,最大训练次数设置为5 000,隐层单元数确定为20;SVM采用径向基函数,并利用leave-one-out cross validation确定了最佳惩罚参数为0.87,使模型预测的准确性提高;高斯过程算法内部采用马顿核。模型的定量评估采用决定系数(R2)和均方根误差（RMSE）。结果表明,在建立的全部BP神经网络模型中,效果最佳的为S_G-BP神经网络模型,模型的R2为0.960 9,RMSE为2.379 7;在SVM模型中SNV-SVM模型的效果最好,模型的R2为0.991 1,RMSE为1.081 5;在GP模型中S_G-GP模型的效果最好,模型的R2为0.928,RMSE为3.258 1,综上基于SNV预处理的SVM模型训练效果最优。利用剩余的35组光谱数据作为预测集验证模型性能,经模型对比分析发现基于SVM算法的预测模型效果优于其他两种算法,其中基于S_G的SVM模型效果最优,其预测模型的R2和差RMSE分别为0.992 1和0.736 9。综合建模集与预测集的参数最终确定基于S_G的SVM模型为最佳模型。此模型可以作为大范围温度胁迫条件下（寒地）的土壤含水率有效预测方法,为设计优化适宜寒地便携式近红外土壤含水率快速测量仪提供科学依据。     

集成学习结合波长选取的有机物红外光谱定量回归方法研究

研究集成学习方法在有机物红外光谱定量分析中的应用及特征波长选取方法对红外光谱集成学习建模效率和预测精度的影响。以柴油红外光谱的十六烷和总芳香烃含量为研究对象,首先采用极端随机森林(ERT)、线性核支持向量机(LinearSVM)、径向基核支持向量机(RBFSVM)和多项式核支持向量机(polySVM)作为基学习器,LinearSVM作为元学习器建立两层Stacking集成学习框架,分析比较单个基学习器与集成学习对柴油红外光谱的定量回归预测精度,与偏最小二乘(PLS)定量回归模型相比,Stacking集成学习模型对柴油光谱的两种有机物含量的预测精度均有提升,其中十六烷含量的ERT模型预测结果最优(r=0.848, RMSEP=1.603, RDP=2.627),总芳香烃含量的Stacking模型预测结果最优(r=0.991, RMSEP=0.526, RDP=9.243);进一步利用组合偏最小二乘(SiPLS)和连续投影算法(SPA)对红外光谱进行特征波长选取,利用优选出的红外光谱特征波长建立集成学习定量回归模型,其中十六烷含量的SiPLS-ERT模型预测结果最优(r=0.893, RMSEP=1.013, RDP=3.051),芳香烃含量的SiPLS-Stacking模型预测结果最优(r=0.998, RMSEP=0.354, RDP=11.475),且模型平均训练时间较全光谱训练时间减少50%以上,建模速度明显提高。研究结果表明,特征波长结合集成学习定量回归建模能够用于有机物红外光谱的定量分析中,与传统定量回归方法相比,该方法的建模效率和预测精度均有较大提高,为进一步研究机器学习在光谱定量分析中的应用提供相关方法支持。     

灰度关联分析结合支持向量机用于近红外光谱研究

灰度关联分析是通过关联度的计算来理清系统中各因素之间的主次关系,找出影响较大的因素。简述了灰度关联分析的基本原理,并利用其对180个烟草样品的近红外谱进行了谱区优化,选取其中120个样品用于建模,另外60个样品用于模型检验。进一步利用偏最小二乘法和径向基支持向量机法分别建立了烟草样品的总糖、还原糖、烟碱及总氮的定量分析模型。结果表明,将灰度关联分析与支持向量机法联合用于烟草近红外光谱四个组分的定量分析,其模型的泛化能力和预测精度均有较明显的提高,从而能够有效地提高建模效率。     

近红外特征光谱的羊肉TVB-N浓度预测模型

为提高生鲜羊肉储存期内（4,8和20 ℃环境）挥发性盐基氮（TVB-N）的近红外光谱（NIR）检测的稳定性和准确性,选取特征光谱和预测模型是关键步骤。以121个羊肉样品为实验对象,采集生鲜羊肉680~2 600 nm波段的近红外光谱。以多元散射校正（MSC）、标准正态变换（SNV）等散射校正方法,Savitzky-Golay卷积平滑（SGS）、移动平均平滑（MAS）等平滑处理方法,以及归一化（Normalization）、中心化（Centering）、标准化（Autoscaling）等尺度缩放方法分别预处理光谱数据后建立偏最小二乘法（PLS）预测模型。比较发现SGS处理的光谱建模效果最好。利用蒙特卡洛采样（MCS）法及马氏距离法（MD）消除了羊肉光谱的5个异常数据。运用光谱-理化值共生距离（SPXY）算法划分总样本的75%（87个）为校正集样本,剩余29个为验证集样本,利用竞争性自适应重加权法（CARS）、无信息变量消除法（UVE）、改进的无信息变量消除法（IUVE）和连续投影算法（SPA）提取特征光谱得到的波长个数分别为14,713,144和15。将全光谱和4种方法提取的特征波长作为输入变量建立预测模型,CARS提取的波长所建立模型的性能优于UVE、IUVE和SPA提取的波长所建立模型的性能,表明CARS方法可以有效简化输入变量并提高预测模型的性能。改进后得到的IUVE法相比于UVE法,筛选出的波长数更少且模型性能有所提升。以提取的特征波长建立PLS,支持向量机（SVM）和最小二乘支持向量机（LS-SVM）预测模型,SVM模型得到最优的校正集预测结果,其中CARS-SVM预测模型的校正决定系数（R2_C）和校正均方根误差（RMSEC）分别为0.939 1和1.426 7,最优的验证集预测效果为LS-SVM预测模型得到,其中IUVE-LS-SVM预测模型的验证决定系数（R2_V）和验证均方根误差（RMSEV）分别为0.856 8和1.886 2。基于近红外特征光谱建立简化、优化的生鲜羊肉储存期TVB-N预测模型,为实现快速无损检测生鲜羊肉中的TVB-N浓度提供技术支持。