光学仪器 光学分析仪器

TH744.412006032749神经网络模型在LED便携式近红外整粒小麦成分测量仪上的建立=Building artificial neural network model onportable NIRintegrity wheat component measuring appara-tus[刊,中]/吉海彦(中国农业大学信息与电气工程学院.北京(100094)),闻明…∥光谱学与光谱分析.—2006,26(1).—57-59采用三层反向传播人工神经网络,在LED便携式近红外整粒小麦成分测量仪上,建立了测定整粒小麦中粗蛋白含量的定量分析模型。给出了LED便携式近红外整粒小麦成分测量仪的结构框图、光路结构图及所采集的整粒小麦样品光谱图。简介了人工…     

基于LED的便携式近红外整粒小麦成分测量仪的研制

采用最新集成芯片和软件设计 ,研制出以近红外LED为光源的整粒小麦成分快速分析的仪器 ,为小麦成分的现场检测提供了一个经济、快捷的便携式设备。该测量仪由近红外LED光源、窄带干涉滤光片、菲涅尔透镜、硅光电池检测器、单片机系统及校准模型等组成。与其他近红外仪器相比 ,该测量仪具有体积小、结构简单、低功耗、抗震动等特点。同时介绍了该测量仪的硬件设计 ,软件设计 ,对小麦蛋白质的建模和预测应用实例等。该测量仪可在粮库甚至田间现场对整粒小麦成分进行无损检测     

栽培和野生中药材灯盏花的近红外光谱鉴别模型

分别在2台傅里叶变换近红外光谱仪上采集了43个栽培和野生中药材灯盏花样品的近红外漫反射光谱,提取光谱信息的15个主成分,方差贡献率达到99%以上。以20个灯盏花样品作为建模集,15个主成分作为网络学习输入层的15个节点,在2台仪器上用2套光谱分别建立了识别栽培和野生灯盏花样品的BP-神经网络模型,并对预测集的23个样品用于实际鉴别分析。两台仪器上的建模集样品模型回代正确识别率均为100%,预测集样品的正确识别率分别为100%和95.7%,结果表明,利用近红外光谱法进行栽培和野生中药材灯盏花的快速鉴别是可行的。     

近红外漫反射光谱法测定整粒小麦单株蛋白质含量

应用近红外漫反射光谱技术(波长为1 100～2 498 nm,分辨率为2 nm),以整粒小麦为材料建立适合于小麦单株分析的蛋白质含量分析系统。首先选取籽粒蛋白质含量具有梯度差异的小麦样品,然后对样品扫描得到原始光谱信息,通过散射校正及数学处理来消除原始光谱噪声,最后分别采用多元线性回归、主成分分析法和偏最小二乘法法建立回归方程。结果表明,优化各项参数后,光谱经过标准乘性散射校正和一阶导数处理后,回归分析采用修正的偏最小二乘法(MPLS)得到的定标模型效果最佳。最终得到的预测方程定标相关系数(RSQ)、交叉验证标准误差(SECV)、交叉验证相关系数(1-VR)分别为0.94,0.42,0.87。数学模型经过验证样品集检验,预测相关系数达到0.88。该模型达到了快速、无损分析单株小麦的要求,非常适合于品质育种的早代选择。     

近红外光谱的李果实褐变鉴别方法研究

在采后冷藏过程中,李果实很容易发生褐变,这是影响其品质的重要因素之一。有关李果实褐变的传统检验手段绝大多数为破坏性检验,且主观性强、一致性差。为此,使用了近红外光谱的方法来实现对李果实褐变和非褐变的无损、快速鉴别。采集4 000～12 500 cm-1波长范围内的124个李果实样品(褐变样品70个,非褐变样品54个)的近红外漫反射光谱,基于主成分分析的马氏距离判别分析和反向传播人工神经网络定性鉴别模型,通过比较和考察上述模型对褐变样品和非褐变样品识别的准确程度,筛选出能够有效鉴别李果实褐变的新方法。结果表明：在对样品全波段光谱数据做主成分分析后,以前10主成分得分作为输入变量所建立起来的马氏距离判别分析和反向传播人工神经网络模型均能够对李果实褐变与否进行有效识别,且后者判别效果更佳,其校正集和预测集的判别正确率分别为100%和97.56%,对非褐变样品和褐变样品的判别正确率分别达到100%和98.57%。因此,采用近红外光谱分析技术并结合化学计量学方法能够对李果实是否褐变进行快速、无损、有效的鉴别。     

近红外光谱和特征光谱的山茶油掺假鉴别方法研究

山茶油素有"东方橄榄油"美誉,实现掺假山茶油的鉴别具有重要实用价值,采用近红外光谱技术对掺有葵花油的山茶油进行检测。分别以1%,5%,10%为梯度制备掺假比例不同的山茶油样品,并根据掺假比例将其分为A组(0%~5%)和B组(6%~10%)共11个样品,C组(15%~40%)6个和D组(50%~100%)6个样品。将每个掺假样品充分混匀后再分为9份,依次采集其1 000~2 500nm范围的吸收光谱,共获得207条光谱曲线。每组样品的光谱数据按2∶1随机分为训练集与验证集。经去除首尾噪声后,通过主成分分析法(principal component analysis,PCA)降维,并利用前四个主成分建立了鉴别山茶油不同掺假等级的主成分-支持向量机判别模型,训练集与验证集的总体判别准确率分别达96.38%和94.20%;进一步,通过对前四个主成分的载荷系数的分析,并结合原始光谱,提取建模过程中权重较大的波长并解析其化学含义,最终确定出五个特征波长:1 212,1 705,1 826,1 905及2 148nm,以此波长重新建立近红外特征光谱山茶油掺假等级判别模型,对训练集与验证集的总体判别准确率也达到了94.20%和92.75%。研究结果表明,利用近红外光谱和特征光谱均能够较好实现山茶油掺假等级的鉴别,同时所建立的近红外特征光谱模型也为设计相应的掺假山茶油实用便携式检测仪器提供了理论基础。     

基于BP-ANN的草莓品种近红外光谱无损鉴别方法研究

研究了使用近红外漫反射光谱对不同品种草莓进行无损鉴别的方法,并分析了各品种草莓品质指标的差异性。在4 545～9 090 cm-1光谱范围比较了反向传播人工神经网络、最小二乘支持向量机及判别分析的分类模型性能,发现拓扑结构为12-18-3的反向传播神经网络模型分类结果最优,校正集和预测集分类正确率分别为96.68%和97.14%,“甜宝”(n=99)、“丰香”(n=100)和“明星”(n=117)样品的单独判别正确率分别为94.95%,97%和98.29%。对三个品种样品的可溶性固形物、可滴定酸、pH值及固酸比品质指标进行了单因素方差分析,发现四个指标含量均存在明显差异,分析成分指标数据的主成分得分发现不同品种草莓存在明显的聚类趋势。结果表明,近红外光谱与反向传播人工神经网络结合可有效鉴别不同品种的草莓,且不同品种草莓化学成分含量的差异为近红外光谱分类提供了理化解释。     

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.     

基于仿生模式识别和近红外光谱的转基因小麦快速鉴别方法

提出了一种采用近红外光谱快速鉴别转基因小麦种子的方法,对不同品种的9个转基因小麦样品种子分别建立了鉴别模型。对9个小麦样品共225个样本,通过近红外光谱仪扫描获得从4 000～12 000 cm-1波段范围的光谱数据。为了消除噪声,对原始数据先进行了归一化预处理;然后使用主成分分析(PCA)方法得到能反映小麦种子97.28%光谱信息的前10个主成分,提高了数据处理效率;最后利用仿生模式识别(biomimetic pattern recognition, BPR)方法建立小麦品种的鉴别模型。对于每个样品中的25个样本,随机挑选15个样本作为训练样本,其余10个样本作为第一测试集,其他品种共200个样本作为第二测试集。在对第二测试集平均正确拒识率达到96.7%的情况下,对第一测试集中的样本取得了95.6%的平均正确识别率。实验结果表明,该方法具有较高的鉴别准确度,可以作为一种快速无损的转基因小麦种子鉴别方法。     

有监督主成分回归法在近红外光谱定量分析中的应用研究

介绍了运用有监督主成分回归法建立近红外光谱定量分析模型的原理和方法.利用该方法先进行近红外光谱定量分析建模的波长信息选择,达到降低光谱数据维数的目的,然后建立数学模型,并用其分析预测集样品.文中以66个小麦样品为实验材料,随机选择其中40个样品建立小麦样品中蛋白质含量的近红外光谱定量分析模型,首先优选出4个波长点:4 632,4 636,5 994,5 997 cm-1,利用这4个波长点处光谱信息建立主成分回归模型预测26个样品的蛋白质含量,其结果与凯氏定氮法分析结果的相关系数为0.991,平均相对误差为1.5%.该方法从大量光谱数据中筛选出最重要的部分波长信息,实现了"少而精"的波长点选择,对建立抗共线性信息干扰的光谱定量分析模型,同时对指导专用近红外分析仪器设计中波长点的选择等方面都有一定的意义.     

基于不同模型的土壤有机质含量高光谱反演比较分析

以新疆奇台县为研究区域,选取该县40个土壤样本,采用多元线性逐步回归法和人工神经网络法两种方法分别建立了土壤有机质含量的反演模型,并对模型进行了检验。结果发现：不同模型的精度值各异,其拟合效果从高到低依次为人工神经网络(ANNs)集成模型＞单个人工神经网络(ANNs)模型＞多元逐步回归(MLSR)模型。人工神经网络的线性和非线性逼近能力较强,而其集成模型作为提高反演模型精度的重要手段,相关系数高达0.938,均方根误差和总均方根误差最小,分别仅为2.13和1.404,对土壤有机质含量的预测能力与实测光谱非常接近,分析结果达到了较实用的预测精度,为最优拟合模型。     

基于近红外光谱技术与支持向量机的苜蓿秋眠类型测定研究

提出出了一种基于近红外光谱分析技术快速无损测定苜蓿秋眠类型的新方法.应用近红外光谱漫反射技术测定苜蓿样本的光谱并对其进行主成分分析(PCA),根据主成分的累积贡献率选取前10个主成分建立支持向量机(SVM)分类模型,并对其参数及核函数类型进行了详细的分析和讨论.试验结果表明,当c=0.339 2,g=32时,测试集的预测准确率可达98.182%,可以作为初步测定苜蓿秋眠类型的手段之一.同时,与主成分回归分析、偏最小二乘法、BP神经网络、LVQ神经网络等方法相比较的结果表明,PCA-SVM模型可以有效地解决小样本问题,且可以避免陷入局部极小.     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

两种前向神经网络在变压器故障诊断中的应用

针对依靠变压器油中溶解气体分析的传统故障诊断方法存在的不足以及未来智能诊断算法进一步发展的需要,在研究人工神经网络的基础上,介绍了两种前向神经网络在变压器故障诊断中的应用,并用大量的DGA样本数据做了仿真训练。首先讨论了几种常用变压器故障诊断方法的一些缺陷,通过分析现代智能诊断算法的局限性,得出改进人工神经网络的优势。然后结合两种前向神经网络的原理和结构,对变压器内部故障进行了分类和编码。分别设计了相应的故障诊断模型,在MATLAB中做了仿真测试,并给出了仿真程序。仿真结果表明,两种神经网络用于变压器故障识别较为理想,其中PNN网络在样本数量较多时效果更好,有效提高了变压器故障诊断的正确率。     

可见/近红外光谱快速测定土壤中的有机碳含量和阳离子交换量

为实现土壤中有机碳(TOC)含量和阳离子交换量(CEC)的快速检测, 对300个土壤样品的可见/近红外光谱数据进行了分析。使用快速独立分量分析(FastICA)算法对光谱数据矩阵进行分解, 得到独立成分和相应的混合系数矩阵, 再利用误差反向传播算法(back-propagation, BP)构造三层神经网络结构。为了克服传统BP神经网络结构难以确定和易于陷入局部极小点的缺点, 采用遗传算法优化BP神经网络结构和初始权值, 得到ICA-GA-BP模型。利用此模型对土壤中TOC含量和CEC进行预测, 根据预测相关系数(R2)和预测标准偏差(RMSEP)来评价预测模型的性能, 表明该模型对TOC含量和CEC测定的相关系数R2均达到0.98以上。说明文章提出的ICA-GA-BP建模方法具有很好的预测效果, 为土壤品质的鉴别提供了一种新方法。     

主成分分析结合BP神经网络对短程生物脱氮中氮的近红外光谱研究

为实现高效短程生物脱氮及氨氮和亚硝酸盐氮的快速检测,采用主成分分析结合BP神经网络的方法建立短程生物脱氮工艺中氨氮和亚硝酸盐氮的近红外光谱定量分析模型(BP神经网络模型)。工艺运行结果表明：原水经过好氧阶段氨氮从45.3 mg·L-1下降到2.7 mg·L-1,亚硝酸盐氮从0.01 mg·L-1上升到19.6 mg·L-1,硝酸盐氮受到抑制;在缺氧段亚硝酸盐氮从19.6 mg·L-1下降至1.2 mg·L-1,系统实现了良好的短程生物脱氮效果。水样原始光谱主成分分析表明：前13个主成分代表了原始光谱数据的信息,其累计贡献率达到95.04%,排除了冗余信息且大大降低了模型的维数,光谱数据矩阵从192×2 203减少到192×13,大大降低了运算量并提高了模型的精度。BP神经网络模型校正结果显示：BP神经网络模型对氨氮、亚硝酸盐氮校正时的决定系数(R2)分别达到0.950 4和0.976 2,校正均方根误差(RMSECV)分别为0.016 6和0.010 9。BP神经网络模型预测结果显示：BP神经网络模型对氨氮、亚硝酸盐氮预测输出与期望输出之间的决定系数(R2)分别为0.974 0和0.981 4,预测均方根误差(RMSEP)分别为0.033 7和0.028 7,模型预测效果良好。研究表明,BP神经网络模型可以通过快速测定水样的近红外光谱数据预测短程生物脱氮工艺中氨氮和亚硝酸盐氮浓度,并根据氨氮和亚硝酸盐氮浓度变化及时、灵活地控制工艺的运行,为生物脱氮提供快速有效的检测技术和科学依据。     

径向基函数神经网络和近红外光谱用于大黄中有效成分的定量预测

采用近红外光谱(NIRS)法和人工神经网络定量预测大黄样品中４种有效成分的含量,包括：蒽醌及其单糖甙类、水溶性蒽甙类、芪芪甙类、鞣质及其有关化合物。在1 100～2 500 nm波长范围内扫描大黄粉末样品,采用径向基函数神经网络(RBFNN)建立了近红外光谱与HPLC分析值之间的校正模型。上述四类化合物的交叉验证均方差(RMSECV)分别为2.572,0.442,2.794,9.438;预测均方差(RMSEP)分别为4.598,8.657,0.458 6,5.106。该方法快速,无损,结果令人满意,可作为中药材复杂体系中化学组分定量测定的方法。     

基于彩色扫描仪的图像光谱重构

针对彩色扫描仪的特点,采用主元分析法(PCA)和反向传播(BP)人工神经网络(ANN)相结合的方法对图像光谱重构进行研究。选择IT8.7/2标准色卡作为训练样本,将该色卡中的另一组色靶作为检验样本以讨论不同网络结构以及不同主元数和训练样本数对光谱重构的影响,再以自然色系统(NCS)色卡为检验样本来分析不同种类的训练和检验样本与光谱重构性能的关系。实验结果表明,采用3-14-6网络结构和6个主元数是最佳选择,训练样本和扫描目标之间的一致性是基于彩色扫描仪图像光谱重构的关键所在。