基于支持向量机的非线性荧光光谱的识别

提出将支持向量机网络应用于含不同浓度杂质气体的非线性荧光光谱的识别。由于原始光谱数据的光谱通道数目很大,首先用小波变换去噪压缩,然后采用主成分分析方法对光谱信息进行连续两次的特征提取。在保持原光谱数据主要信息基本不变的情况下,将数据维数由3979压缩到514(小波变换)并提取9个主成分。这样,不仅减少了网络的输入维数,而且加快了网络的训练速度。实验结果表明,无论对训练样本还是未学习过的测试样本,其正确识别率均可达到100%。网络的训练和测试速度较快,可以更有效地应用于大气杂质气体的实时监测。     

用于复杂光谱数据压缩的自适应小波算法

对于超短脉冲激光与气体相互作用产生的复杂光谱，提出了基于递归最小方差方法的自适应小波算法，实现了对该类光谱数据的高效压缩. 在对三种气体，共计27组光谱数据进行压缩后，数据由最初的3968个点被压缩成124个点，压缩比为32∶1. 选择其中13组作为样本送入支持向量机神经网络进行训练，用剩下的14组进行检验，正确率为100%. 关键词： 非线性荧光光谱 小波分析 递归最小方差算法 线性神经网络     

应用导数荧光光谱和概率神经网络鉴别合成色素

实验测量了食品色素胭脂红、苋菜红、诱惑红和工业色素苏丹红Ⅳ溶液分别在波长为300,400,440和380 nm的光激发下产生的荧光光谱.对这4种红色素的各8个溶液样本选取60个发射波长值所对应的荧光强度作为网络特征参数,训练、建立概率神经网络.据此,对32个色素溶液样本进行种类识别.为解决原始荧光光谱重叠造成识别准确率不高的问题,应用导数荧光光谱,将二阶导数光谱数据作为网络特征参数,建立网络,进行识别,识别准确率达100%.由此,提出了应用二阶导数荧光光谱结合概率神经网络对合成色素方便、快捷、准确地进行种     

基于荧光光谱和径向基函数神经网络的合成食品色素测定和鉴别

以合成食品色素胭脂红、苋菜红溶液为例,提出了应用荧光光谱结合径向基函数神经网络对合成食品色素溶液进行浓度测定和种类鉴别的方法。应用SP-2558多功能光谱测量系统,测得胭脂红和苋菜红溶液分别在波长为300和400 nm的光激发下产生的荧光光谱。对每个胭脂红溶液样本选取15个发射波长值所对应的荧光强度作为网络特征参数,训练、建立用于浓度预测的径向基函数神经网络。据此,对3种胭脂红溶液样本的浓度进行预测,预测结果相对误差分别为1.42%,1.44%和3.93%。另外,以胭脂红和苋菜红溶液荧光波长值所对应的荧光强度作为特征参数,训练、建立了用于种类鉴别的径向基函数神经网络,进行合成食品色素溶液种类识别,准确率达100%。这些结果表明,该方法方便、快捷、准确度较高,可应用于合成食品色素检测及食品安全监管。     

一种基于可见-近红外光谱快速鉴别茶叶品种的新方法

提出了一种用可见-近红外光谱技术快速无损鉴别茶叶品种的新方法。应用可见-近红外光谱仪测定5个品种茶叶的光谱曲线,用主成分分析法对不同品种茶叶进行聚类分析并获得茶叶的可见-近红外光谱数据的主成分,再结合人工神经网络技术建立模型进行品种鉴别。主成分分析表明,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类茶叶具有较好的聚类作用,可以定性分析茶叶种类。把主成分分析得到的前6个主成分作为神经网络的输入,茶叶品种值作为神经网络的输出,通过5个茶叶品种共125个样本的训练和学习,建立了茶叶品种鉴别的3层BP人工神经网络模型,对未知的25个样本进行鉴别,品种识别准确率达到100%。说明本文提出的方法具有很好的分类和鉴别作用,为茶叶的品种快速鉴别提供了一种新方法。     

基于BP神经网络的血液荧光光谱识别分类研究

光谱技术在生物和医学检测方面具有积极的应用前景。由于血液成分的复杂性和类同性,有关不同动物血液光谱识别分类的技术研究尚未出现较为完善的结论。基于机器学习理论, 以BP神经网络为工具, 建立了对不同动物血液荧光光谱进行特征提取和识别分类的方法。实验采用Cary Eclipse光谱仪分别采集了鸽、鸡、鼠、羊四种动物不同浓度(1%和3%)的全血与红细胞荧光光谱数据(每个类型样本各50组数据);基于移动平滑算法对原始数据进行了平滑处理,以减少实验仪器噪声对特征提取和识别分类的影响;进一步根据血液光谱数据的特性, 该文出了“组合放大”的特征提取方法, 并建立了BP神经网络分类器进行训练和识别。相比于常用的光谱数据(单一)特征, 提出的“组合放大”特征和所设计的BP神经网络能对不同动物、不同类型(全血与红细胞)、不同浓度(1%和3%)的血液荧光光谱实现100%的准确分类, 同时神经网络测试误差均远小于设定的允许误差值。研究的动物血液光谱特征提取及识别技术具有较好的普适性和可靠性, 在农业、食品检查、以及生物医学检测等方面均可发挥重要作用。     

近红外光谱的古筝面板用木材等级识别研究

目前民族乐器古筝面板用板材的等级主要依靠乐器技师凭借个人经验进行判断,此方法受限于有丰富经验的技师且容易受其主观判断影响。针对此现状,以用于制作古筝面板的泡桐木材为实验样本,提出了一种利用近红外光谱结合改进的BP神经网络方法,实现快速识别古筝面板用板材的不同等级。近红外光谱可以表征丰富的物质结构与组成信息,并且测量仪器成本较低,附件形式多样化,所以针对泡桐板材的近红外光谱实验分析有实用意义首先进行光谱去噪,消除系统误差等以提高光谱分辨率,根据均方根误差与信号平方和作为多种预处理方法评价指标,选取一阶导数为本实验最终预处理方式,15为合适的滤波去噪窗口大小,然后通过主成分分析法压缩数据以及马氏距离法剔除建模集异常样本,从而建立更具代表性的建模集。然后通过聚类分析无监督学习方法进行板材等级分析,证明板材分级的可行性。由于H₂O在近红外光谱区域具有较大吸收,根据实验光谱分析结果,不考虑其基频振动波段5 396.0～4 978.0 cm-1区域和第一泛音振动波段6 800～7 000 cm-1区域,仅考虑剩余近红外光谱波段信息,将不同光谱信息波段组合,共七种组合波段区域作为神经网络模型的输入,进行面板板材等级识别模型实验。对传统的BP神经网络模型作改进。BP神经网络中学习率的设置采用自适应学习率优化策略,弥补传统神经网络训练速率慢等劣势。同时采用交叉熵函数作为代价函数,从而加快权重的更新速度。选取Relu函数作为输入层与隐藏层之间的传递函数,提高了模型训练速度,有效防止过拟合的发生。选取Softmax函数作为最后一层的传递函数,以此减少复杂计算,构成该研究最终BP神经网络模型。选取不同数量的主成分变量所能提取的光谱信息量不同,通过不断增加主成分个数和调整参与模型的光谱波段区间,调整BP神经网络模型的输入,当主成分个数为11和光谱区间为10 000～7 000和4 976～4 000 cm-1时,未知样本识别率达到99.7%,所选光谱区间涵盖C-H等基团全部特征信息。研究结果表明,近红外光谱结合神经网络可以对不同等级的泡桐木材进行有效的识别,降低人工检测误差,缩短板材分级时间,更好地满足乐器市场需求。     

基于PNN网络和Freeman链码的抽油机井工况诊断

利用概率神经网络(PNN)对抽油机井工况进行诊断,建立了抽油机井工况诊断的概率神经网络模型。对示功图提取特征值的质量好坏直接影响识别效率和可靠性,提出了用Freeman链码对等效的电流示功图提取特征参数,进行预处理,建立抽油机典型工况的链码特征样本库。将Freeman链码作为特征向量,利用MATLAB对网络进行训练。结果表明,Freeman链码能够有效的识别各种典型工况示功图,并且该概率神经网络学习速度快、诊断准确率高,可用于抽油机井工况的实时监测和诊断。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

水质痕量石油类污染物分类识别方法

基于水质中石油类污染物的强荧光特性,构建了荧光检测实验系统,分别以50种不同浓度的汽油、柴油、煤油和机油的水溶液为测量样本,分析了其荧光特性.由于四者荧光峰位置相似,很难直接识别,提出了一种运用神经网络进行模式识别的新方法,将主成分分析法(PCA)和可拓神经网络(ENN)相结合对输入矢量进行降维并进行分类识别.结果表明,该方法与ENN和PCA-BP算法相比,迭代数由265降低到60;识别离差平方和由0.236 5降到0.014 5;识别效率由72.50%提升到96.25%;识别精度可达10-6级别.PCA-ENN算法具有较高的识别精度和识别效率,同时也可用于水质中其它痕量有机物质的光谱识别.     

用于光谱分类的光谱峰谷沿匹配算法

针对超短脉冲激光与气体相互作用产生的非线性荧光光谱的特点,提出了一种新的光谱去噪、特征提取、特征匹配的有效方法.通过对三种气体不同浓度的荧光光谱进行小波压缩去噪,得到5层664个小波系数,重构后获得除噪效果满意而特征信息保持不变的光谱.对重构后的光谱进行光谱峰/谷沿相似度的分析,构造了三种气体的特征谱.在此基础上,经对三种气体光谱进行特征峰/谷沿的匹配分析,提出一种利用同种物质不同浓度下的光谱总体相似度来构造标准特征谱新方法,通过与标准特征谱的匹配分析得到分类结果.实验结果表明,该算法的分类结果受浓度变化影响小,对低至0.05%浓度条件下的全部27条光谱均获得100%的分类识别结果.     

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。     

基于三维荧光谱特征分析的油种鉴别技术的研究

介绍了运用神经网络进行模式识别的基本原理,将主成分分析法和BP神经网络相结合,提出矿物油三维荧光谱鉴别方案,并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量,组成原始特征向量,采用主成分分析法进行预处理,而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数,消除了各输入变量的相关性,同时简化了网络结构,提高了程序运行的速度.通过实例进行了分析,结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别,同时该系统也可用于其它物质的光谱识别技术领域.     

CNN在煤矿突水水源LIF光谱图像识别的应用

煤矿突水类型的快速识别在矿井安全生产中意义重大,煤矿突水激光诱导荧光(LIF)光谱的识别方法,需要对光谱曲线进行预处理和特征提取,其过程较复杂,对此,提出了一种卷积神经网络(CNN)快速识别矿井突水类别的方法。根据煤矿矿井水层的分布特点和最常见煤矿突水类型,选取三种原始水样以及由原始水样混合的两种混合水为实验材料,利用LIF技术快速获取五种水样的200组荧光光谱曲线图,灰度化后输入CNN算法,其中150组光谱曲线图用于CNN的训练,剩余50组用于训练好的模型测试。模型测试中,CNN算法对实验水样光谱曲线图的识别率为100%,实验结果表明,CNN算法不仅能省去煤矿突水光谱图像识别中的数据处理和特征提取工作,而且还能快速有效的识别矿井突水类型。     

常见食用油和煎炸食用油的激光诱导荧光光谱特性

为了实现地沟油的快速检测,利用激光诱导荧光探测技术搭建了食用油类快速检测系统。对多种食用油和煎炸食用油(地沟油的一种)进行了光谱采集,建立了多种食用油和煎炸食用油的荧光光谱数据库,发现煎炸食用油的特征荧光光谱与常见食用油之间存在较大差异,在此基础上利用主成分分析法和BP神经网络实现了油类识别、地沟油的快速检测,总体识别率高达97.5%。实验证明激光诱导荧光光谱技术具有快速非接触和灵敏度高等优点,与BP神经网络相结合能够实现油类的快速识别,成为地沟油快速检测的一种新方法。     

三维荧光光谱结合Zernike图像矩快速鉴别掺伪芝麻油

为了实现对掺伪芝麻油的快速鉴别,应用FS920荧光光谱仪测定样品的三维荧光光谱数据。将三维荧光光谱图视为灰度图,在没有任何预处理的前提下,直接应用Zernike图像矩提取三维光谱灰度图的特征信息,然后采用类平均法对特征信息进行聚类分析,从定性角度实现掺伪芝麻油的鉴别,并解析其组成成分。最后应用广义回归神经网络(GRNN)对掺伪样本的成分进行定量分析。聚类分析能够以很高的辨识率来识别掺伪芝麻油,并能够正确解析其组成成分。定量模型预测了2组掺伪样本中各成分的相对体积,其平均相对误差分别为2.23%,8.00%,9.70%和9.70%。分析结果表明,Zernike矩能够有效提取光谱的特征信息,光谱数据的Zernike矩特征结合聚类分析以及GRNN模型能够获得良好的定性和定量分析结果,为掺伪芝麻油的鉴别提供了一种新的方法。     

基于神经网络模式识别的糖尿病无创风险评估方法研究

晚期糖基化终末产物在人体皮肤组织中的浓度与高血糖水平密切相关,且具有自发荧光特性。使用自行研制的光学无创检测装置对人体皮肤组织的自体荧光光谱进行测量,建立神经网络模式识别模型对检测对象患有糖尿病的可能性进行风险评估。利用检测装置获取荧光光谱后对光谱数据进行主成分分析,选取前4个主成分作为光谱的特征,建立一个具有4个输入层节点、6个隐层节点、1个输出节点的神经网络模式识别模型。选取在安徽省立医院测量的487例对象数据训练该模型,以70%数据作为训练集,15%数据作为验证集,15%数据作为测试集。模型可给出测试对象罹患糖尿病的风险,或直接给出是否糖尿病的判断。结果显示该模型的受试者工作特性曲线的线下面积为0.81,标准误差为0.02;以模型输出0.5为分类界限时的敏感性为72.4%,特异性为77.6%,整体准确率为74.9%。本研究首次提出使用皮肤组织自体荧光结合神经网络模式识别模型对糖尿病进行无创风险评估,实验结果表明该方法的筛查效果优于目前常用的空腹静脉血浆血糖值法和糖化血红蛋白法。     

飞秒激光空气等离子体发射光谱的实验研究

对强飞秒激光聚焦在空气中所激发的等离子体的发射光谱进行了实验研究.结果表明,光谱特征表现为短波段(截至波长为340 nm)强烈的连续谱和长波段(波长在800 nm附近)强度相对较低的线光谱.在脉冲宽度(50 fs)保持不变而不断调节激光脉冲能量时,等离子体光谱形状的特征基本相似;当激光脉冲能量(1 mJ)保持不变而脉冲宽度从50 fs增加至500 fs和1 ps时,连续谱的峰值(500 nm)显得格外突出,并开始呈现出线光谱特征. 关键词： 飞秒激光 激光空气等离子体 发射光谱 线光谱