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。     

红外光谱对三七及其野生近缘种亲缘关系研究

野生近缘种在丰富种质资源以及改善栽培物种品质产量方面具有十分重要的意义和作用。采用傅里叶变换红外光谱对三七及其野生近缘种亲缘关系进行探讨,以期为三七的品种改良及种质资源开发利用提供理论基础。采集三七及其4个野生近缘种(珠子参、屏边三七、越南人参、羽叶三七)、三七总皂苷标准品红外光谱,将三七及其野生近缘种红外光谱进行自动基线校正、平滑、纵坐标归一化、二阶导数预处理,结合主成分分析、偏最小二乘判别分析及系统聚类分析进行亲缘关系研究。结果显示,三七与三七总皂苷标准品红外光谱在3 400,2 930,1 635,1 385,1 075,927 cm~(-1)等附近存在多个共有峰,推测这些共有峰强度与皂苷含量之间有一定关系;三七及其野生近缘种原始光谱较为相似,存在C-H,C=O,O—H,C—N,C—O等官能团吸收峰,不同物种的二阶导数红外光谱指纹区(1 800~500 cm~(-1))具有较大差异,如1 385和784 cm~(-1)等特征吸收峰差异明显;选取指纹区光谱数据进行主成分分析、偏最小二乘判别分析,通过比对两种方法的3D得分图,偏最小二乘判别分析对物种的区分效果优于主成分分析;前6个主成分数据的系统聚类分析表明,三七与越南人参、珠子参亲缘关系较近,与屏边三七、羽叶三七亲缘关系较远。利用傅里叶变换红外光谱结合化学计量学的方法能有效对三七及其野生近缘种进行亲缘关系分析,同时为药用植物种质资源相关研究提供借鉴与参考。     

基于红外光谱的石斛品种判别分析

测试了30个品种206株石斛茎的红外光谱,光谱显示,石斛的主要物质成分为纤维素等多糖物质。用石斛的傅里叶变换红外光谱结合Wilks’Lambda逐步判别分析法对石斛品种进行识别研究,比较分析了不同的光谱范围和不同的训练样本数对识别结果的影响。对1 800~1 250cm-1光谱范围的287个变量进行品种判别分析,每个品种的训练样本分别为2,3,4,5,6个时,对训练样本的回判正确率都是100%;以余下的样本作为测试样本进行品种预测的正确率分别为79.4%,91.3%,93.0%,98.2%,100%。同时对1 800~1 500,1 500~1 250,1 250~600,1 250~950,950~600cm-1等不同光谱范围,按五种不同的训练样本情况,相同的判别分析方法进行判别分析比较,1 800~1 250,1 800~1 500和950~600cm-1光谱范围的变量更适宜进行石斛品种的判别分析;每个品种的训练样本达到3个及以上时,建立的模型判别分析结果较好。结果表明,傅里叶变换红外光谱结合逐步判别分析法对不同品种的石斛进行鉴别,能够较好的识别石斛的品种,为石斛品种的鉴别提供了一种简便、易行的新方法。     

基于FTIR技术和稀疏线性判别分析的秦艽种类鉴别

傅里叶变换红外光谱通常包含有大量的波长变量点,对其进行定性分析需要建立稳健的、可解释性的分类模型。稀疏线性判别分析(SLDA)是一种较为新颖和有效的机器学习算法,常用于高维度、小样本数据的变量筛选和判别分析,SLDA通过在线性判别分析中引入正则项,使分类器训练过程和变量选择过程同时完成,不同判别方向上载荷系数的稀疏性则增强了模型的可解释性。采集甘肃不同产地的秦艽样本94个,其中麻花秦艽(Gentiana straminea Maxim)30个,黄管秦艽(Gentiana officinalis)28个,大叶秦艽(Gentiana macrophylla Pall)36个,利用傅里叶变换红外光谱法获得所有样本的光谱图。取其中70个样本构成训练集,剩余24个为测试集。使用训练集建立SLDA模型,对2个判别方向上不为0的载荷系数个数进行网格化寻优,得到了最优的参数空间。利用建立的SLDA模型对测试样本进行预测,其分类准确率达到100%,实现了对三种秦艽的快速、准确鉴别。实验结果表明,与PLS-DA方法相比,SLDA模型在分类准确率、稀疏性及可解释性方面均具有一定优势,是一种新颖、有效的光谱定性分析方法。     

肿瘤组织傅里叶变换红外光谱诊断方法的比较研究

在前期的肿瘤组织红外光谱诊断方法研究中,采用水平衰减全反射(ATR)红外光谱诊断法在多种肿瘤组织样品中取得了与病理诊断很好符合的实验结果;针对文献报道中多采用的显微红外光谱法,文章对同一肿瘤组织样品应用两种方法采集红外光谱,比较测量条件及光谱诊断结果,研究结果表明ATR法主要测量了整块组织的光谱信息,避免了组织结构不均一,微区采样扫描取点少对光谱诊断结果的影响,获得的光谱可以为临床应用提供判断依据。     

红外光谱和逐步判别分析法应用于油菜籽的研究

用傅里叶变换红外光谱(FTIR)和逐步判别分析法对油菜籽的品种和产地进行鉴别研究。测试了来自5个产地17个油菜籽品种188份油菜籽皮样品的红外光谱,按产地和品种选择训练样本,每个品种选择5份为训练样本,剩下的作为测试样本,选择1 800～950 cm-1范围的光谱信息,在SPSS20.0的判别分析模块中采用逐步法,Fisher线性判别准则,分别建立油菜籽品种和产地的鉴别模型来判别样品的品种和产地;比较了逐步判别分析中五种筛选建模信息的算法所建立的模型对实验样品品种和产地的鉴别效果。基于油菜籽皮红外光谱信息的品种判别分析,五种筛选变量的算法所建立的模型都能较好的识别油菜籽的品种,“Wilks’ Lambda”法所建模型的识别效果最好,判别正确率为97.9%。基于油菜籽皮红外光谱信息的产地判别分析,五种筛选变量的算法所建立的产地判别模型也都能较好的识别油菜籽的产地,“Unexplained variance”法所建模型的识别效果最好,判别正确率为98.4%。研究结果表明,基于油菜籽皮中红外光谱信息的品种和产地判别分析,有望成为油菜籽品种和产地鉴别的方法。     

阵列相关系数比对法在中药鉴别中的应用研究

中药材红外光谱具有“指纹”性,通过对红外特征吸收谱图的比对可达到区分和鉴别药材的目的。该研究用Visual Basic 6.0设计了中药材红外光谱阵列相关系数比对软件,建立了300多种中药药材的红外光谱数据库,将未知药材的红外光谱与数据库中药材的红外光谱进行比对,它能依11个波段两光谱相关系数的大小自动找到与库中最相似的光谱的药材,从而达到鉴别未知药材的目的。研究结果表明：在光谱数据库所包含的药材范围内,指定阵列相关系数的阈值,抓住特征波段光谱的比对,可避开CO₂和H₂O等外界因素对谱图的干扰,使比对结果准确可靠。该法有望成为中药材快速鉴别的一种常规手段。     

不同花期八宝景天花的红外光谱鉴别

利用衰减全反射(ATR)结合二维红外光谱技术对不同花期(9月份和10月份)八宝景天花分别进行活体检测,凭借红外光谱具有的指纹特征性,构建新鲜八宝景天花样本的红外指纹图谱。结果表明:不同时期八宝景天红外光谱中,酯类特征吸收峰(1 732cm-1)和多糖类成分吸收峰(900~1 100cm-1)之间的相对吸收峰强度和峰面积有所差异;二维红外光谱中差异更加明显。红外光谱为不同时期鲜花活体鉴别提供了一种新的方法。     

傅里叶变换红外测定氧化淀粉的羧基含量初探

采用傅里叶变换红外测试氧化淀粉中的羧基含量,以国标法测得的羧基含量为纵坐标,谱图中羰基吸光度与C—H键吸光度比值为横坐标绘制得到标准曲线。对未知氧化淀粉产物进行红外测试,得到吸光度比值通过标准曲线方程,计算其羧基含量,得到的羧基含量与采用国标法测试的羧基含量进行对比,误差在2%～4%之间。为了提高实验的准确度,选取标样绘制标准曲线时,必须保证待测氧化淀粉的羧基含量在标准曲线计算的极限值范围之内,且偏离标准曲线的极限值。与国标法测试羧基含量相比,采用红外测试,方法简单易操作,效率高,准确度好。因此采用红外光谱测试方法对氧化淀粉的羧基含量的预测具有一定重要意义。     

近红外透射光谱结合判别分析方法在汽车制动液品牌与新旧鉴别中的应用研究

采用近红外透射光谱研究了汽车制动液品牌及新旧的鉴别。采集宝马(BMW),丰田(Toyota),沃尔沃(Volvo)以及嘉实多(Castrol)四种品牌的汽车制动液全新样本以及用过的样本的透射光谱。分别对每一种品牌下全新与用过汽车制动液样本的光谱数据进行主成分分析(PCA),主成分得分图表明不同品牌制动液以及该品牌下全新样本以及用过的样本能够被较好的区分,其光谱特性存在差异。基于主成分载荷(Loadings)进行特征波数选择,偏最小二乘判别分析(PLS-DA),线性判别分析(LDA),簇类独立软模式法(SIMCA),k最邻近分类算法(KNN),随机森林(RF),误差反向传播人工神经网络(BPNN),径向基神经网络(RBFNN),极限学习机(ELM),支持向量机(SVM),最小二乘支持向量机(LS-SVM)等判别分析方法用于建立基于特征波数的判别分析模型,判别模型的建模集和预测集判别正确率均略低于或达到了100%。与其他三种品牌汽车制动液相比,嘉实多全新样本与用过样本的差异较小,KNN与LS-SVM模型的建模集正确率均低于100%。结果表明,近红外透射光谱结合特征波长选择以及判别分析模型对不同品牌制动液以及同一品牌下全新样本以及用过的样本进行识别是可行的,为开发在线或便携式仪器提供理论支持。     

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。     

基于核的k-最近邻在水下目标识别中的应用*

针对水中目标特征类型多、非线性强的特点,本文将K-KNN应用于水中目标识别。该方法采用PCA对特征矩阵进行降维,利用Kernel技巧将降维后的特征映射到高维空间进行KNN分类识别,并讨论了邻近点个数K对试验结果的影响。实际试验数据验证结果表明：与传统的KNN和BP神经网络分类器相比,K-KNN分类器的综合性能更优。     

多波长激光诱导荧光麦卢卡蜂蜜掺杂分类识别

麦卢卡蜂蜜产自新西兰,具有很强的抗菌及抗氧化作用,其售价较高,近年来掺假事件时有发生,利用激光诱导荧光技术对掺杂糖浆的麦卢卡蜂蜜进行分类识别研究。选用266,355,405和450 nm四种常用激光作为激发源,选择三种品牌的新西兰进口麦卢卡蜂蜜（编号A,B,C）中掺杂烘焙糖浆作为实验样品,掺杂比例为0%～90%,间隔10%;每个激发波长下每种样本溶液重复测试60次,共7 200组数据。光谱数据首先进行荧光波段截取、平滑及归一化等预处理;然后随机选取80%的数据做训练集,20%的数据做测试集;对训练集数据使用主成分分析（PCA）结合线性判别分析（LDA）做数据降维;最后对降维后的数据分别建立K最近邻（KNN）和支持向量机（SVM）分类模型,对测试集数据进行分类识别,重复进行50次随机分组及分类识别后对得到的分类识别率求平均值及标准差。实验分析结果表明,激发光波长对最终识别结果影响较大,266 nm激发的荧光光谱分类识别正确率最高,三种麦卢卡蜂蜜掺杂溶液的分类识别率均能达到98.5%以上,最高能达100%;355和405 nm激发的分类识别效果次之,所有样品的分类识别率均大于92%;而450 nm激发的荧光光谱分类识别率最低,不同样品的分类识别率均低于66%。因此,后续分类算法的比较仅使用266,355和405 nm激发的荧光光谱数据,分析结果表明,KNN算法的分类效果要优于SVM算法,不同激发波长下三种蜂蜜掺杂溶液的分类识别率均是KNN算法更高,且对266 nm激发的三种蜂蜜掺杂样品,KNN算法的分类识别率比SVM算法要高1%以上。实验结果表明,使用激光诱导荧光技术对掺假麦卢卡蜂蜜进行分类识别是可行的,对于掺杂糖浆的麦卢卡蜂蜜,在使用的所有组合中,266 nm激发结合PCA-LDA降维和KNN分类算法的分类识别率最高,分类效果最好,可用于掺假麦卢卡蜂蜜的快速准确鉴别。     

KNN结合PCA在激光诱导荧光光谱识别矿井突水中的应用

矿井突水的迅速识别与分类对于井下水灾防治工作有着重要的意义。提出一种KNN结合PCA运用在激光诱导荧光光谱快速识别矿井突水水源中的新方法。利用激光器发射激光通过可浸入式探头射入水样,得到四种突水水样共80组荧光光谱数据,再分别对每组数据进行预处理,处理后的数据中每种水样取15组数据作为训练集,共60组,其余20组作为预测集。利用主成分分析(PCA)对数据进行处理,之后在主成分分析的基础上利用KNN算法进行分类识别。实验过程中,各预处理方法在主成分个数为2的情况下,进行KNN算法分类的正确率都达到100%。     

Feature fusion of palmprint and face via tensor analysis and curvelet transform

In order to improve the recognition accuracy of the unimodal biometric system and to address the problem of the small samples recognition, a multimodal biometric recognition approach based on feature fusion level and curve tensor is proposed in this paper. The curve tensor approach is an extension of the tensor analysis method based on curvelet coefficients space. We use two kinds of biometrics: palmprint recognition and face recognition. All image features are extracted by using the curve tensor algorithm and then the normalized features are combined at the feature fusion level by using several fusion strategies. The k-nearest neighbour (KNN) classifier is used to determine the final biometric classification. The experimental results demonstrate that the proposed approach outperforms the unimodal solution and the proposed nearly Gaussian fusion (NGF) strategy has a better performance than other fusion rules.     

基于高光谱的工夫红茶发酵品质程度判别方法

发酵作为影响红茶品质形成的重要流程,发酵品质程度的判断主要基于人工经验,难以实现准确客观的评价。该研究主要针对于工夫红茶发酵工序,以不同发酵时序下的样品为对象,利用高光谱检测技术并结合化学计量学方法,对制备的不同发酵程度的样本进行无损检测和智能判别。首先利用高光谱成像仪（400～1 000 nm）采集工夫红茶发酵样品的高光谱数据,并根据气温、茶叶嫩度、萎凋情况、揉捻过程、发酵叶颜色及香气等现场生产信息,将6个不同发酵时序下的样本,根据发酵程度依次划分为3类（轻度发酵、适度发酵、过度发酵）。为了降低采集高光谱信息时因培养皿中发酵叶的不平整而产生的散射现象对光谱数据的影响,选取标准正态变量变换算法（standard normal variate,SNV）与多元散射校正算法（multiplicative scatter correction,MSC）对全波段光谱进行预处理,将预处理后的光谱数据进行主成分分析（principal components analysis,PCA）,分别得到前3个主成分的三维载荷图,根据样本在图中的空间分布特征,因而选择效果较好的SNV预处理方法。以全波段光谱最优主成分作为模型输入量,建立邻近算法(K-nearest neighbor,KNN)、随机森林（random forests,RF）、极限学习机（extreme learning machine, ELM）判别模型,识别率分别为63.89%,94.44%和86.11%,结果表明,非线性模型（RF、ELM）识别率较高,其中RF模型性能优于ELM模型。为比较基于全波段与特征波长建立的工夫红茶发酵品质程度模型判别效果,采用连续投影算法（successive projections algorithm,SPA）提取31个特征波长进行PCA降维处理,以特征波长最优主成分作为模型输入量,构建SPA-KNN,SPA-RF和SPA-ELM判别模型,识别率分别为83.33%,91.67%和91.67%。通过SPA对变量筛选后,SPA-KNN和SPA-ELM模型性能明显提高,SPA-RF模型识别准确度略有下降。与特征波长建立的模型相比,全波段建立的RF模型性能最佳,对工夫红茶轻度发酵、适度发酵、过度发酵的判别率分别达到了100%,83.33%和83.33%。研究结果为推进红茶智能化、数字化加工的实现,提供了理论基础和科学依据。     

基于Adaboost及高光谱的生菜叶片氮素水平鉴别研究

为了便于经济合理的生菜施肥,研究一种生菜叶片氮素水平智能鉴别方法。在温室大棚内无土栽培不同氮素水平的生菜样本,在特定生育期,采集各类氮素水平生菜样本,利用FieldSpec○R 3型光谱仪采集生菜叶片高光谱数据。由于原始高光谱数据存在噪声且冗余性强,利用标准归一化(SNV)对原始高光谱数据进行降噪处理,再利用主成分分析方法(PCA)对高光谱数据进行特征提取。分别利用K最近邻(KNN)和支持向量机(SVM)对降维后的光谱数据进行分类研究,由于自适应提升法(Adaboost)能提升弱分类器分类性能,将其分别引入到KNN和SVM两种分类器中,提出了Adaboost-KNN和Adaboost-SVM两种集成分类算法。分别利用上述四种分类算法对相同测试样本数据进行分类鉴别。结果表明,KNN,SVM,Adaboost-KNN和Adaboost-SVM四种算法的分类正确率分别为74.68%,87.34%,100%和100%,其中所提出的Adaboost-KNN与Adaboost-SVM分类效果都很好,且Adaboost-SVM分类算法的稳定性最好。因此,Adaboost-SVM算法适合作为基于高光谱的生菜氮素水平鉴别的建模方法,并且也为其他作物营养元素无损检测提供了一种新的方法。     

高光谱和卷积神经网络的大白菜农残检测

针对大白菜农药残留传统化学检测手段存在前期处理过程繁琐、检测周期长等不足,提出了一种快速无损识别大白菜农药残留种类的方法。以1组无农药残留和4组含有均匀喷洒农药（毒死蜱、乐果、灭多威和氯氰菊酯）的大白菜样本为研究对象（药液浓度配比分别为0.10,1.00,0.20和2.00 mg·kg-1）,经12小时自然吸收后,利用高光谱成像系统获取400～1 000 nm高光谱图像,并选取ROI感兴趣区域后经多元散射校正（MSC）预处理;分别采用竞争性自适应重加权算法（CARS）、主成分分析算法（PCA）和离散小波变换（DWT）降维（分别基于db1,sym2,coif1,bior2.2和rbio1.5小波基函数）;最后,将降维后的高光谱数据分别输入卷积神经网络（CNN）、多层感知机（MLP）、K最邻近算法（KNN）和支持向量机（SVM）建立模型并比较。结果显示,CNN,MLP,KNN和SVM算法均在降维算法DWT（小波基函数及变换层数分别为coif1-2,coif1-4,bior2.2-2和sym2-2）取得最优总体精度分别为91.20%,83.20%,66.40%和90.40%,Kappa系数分别为0.89,0.79,0.58和0.88,预测集用时分别为86.01,63.23,20.02和14.03 ms,总体精度和Kappa指标均优于基于CARS和PCA降维算法建模结果。可见,高光谱与离散小波变换和卷积神经网络相融合显著提高分类识别精度,改善“休斯”现象,为实现无损和快速检测识别大白菜农残提供一个新的方法。     

基于双树复数小波变换的微钙化诊断方法

提出一种基于双树复数小波变换的微钙化分类方法.通过提取基于小波和灰度直方图的纹理特征,结合遗传算法进行特征优化,分别用神经网络,支持向量机和KNN分类器进行微钙化的良恶性分类.对三种不同的分类器进行对比,结果表明:KNN分类器取得最好的效果,而支持向量机优于神经网络.KNN分类器对比于神经网络和支持向量机,无需训练,可节约训练时间,最直接地利用了样本和样本之间的关系,减少了类别特征选择不当对分类结果造成的不利影响,可以最大程度地减少分类过程中的误差项.在类别决策时,KNN分类器只与极少量的相邻样本有关,可以较好地避免样本数量的不平衡问题.与传统的小波比较,双树复数小波具有近似平移不变性和正则性,对图像信号具有良好的方向选择性,且冗余度有限,计算量较小.     

近红外高光谱成像的微破损棉种可视化识别

优质棉种是全面推广棉花精量播种技术的基础。采用近红外高光谱成像技术实现微破损棉种可视化识别,为棉种精选设备的研制奠定理论基础。以未破损和微破损两类棉种各540粒作为样本(其中405粒作为建模集,135粒棉种作为预测集),分批采集874~1 734 nm范围的样本高光谱图像,提取光谱数据并去除首尾两端明显噪声保留955~1 659 nm范围内光谱为棉种样本的光谱。首先使用Kennard-Stone(KS)算法进行样本划分,并通过平滑算法Savitsky-Golay(SG)对光谱进行预处理。采用二阶导数光谱(2nd spectra)方法、连续投影算法(SPA)和主成分载荷(PCA-loading)方法分别选取10,14和11个特征波长。基于全部光谱数据和特征波长建立偏最小二乘判别分析(PLS-DA)模型、K最邻近(KNN)模型和支持向量机(SVM)模型,SPA-PLS-DA模型取得了较好的结果,建模集和预测集的鉴别率分别为91.50％和90.33％。基于SPA-PLS-DA模型分别对未破损样本和微破损样本及其混合样本图像进行识别,取得了较好的识别结果,微破损棉种的识别率达90%以上。结果表明,结合近红外高光谱成像和图像处理技术,能够实现微破损棉种的可视化识别。