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。     

基于近红外和中红外光谱数据融合以及竞争自适应重加权采样方法对甲维盐制剂中活性成分的测定

农药活性成分的快速测定已经成为农药质量监控的一个大趋势. 通过融合甲维盐制剂近红外和中红外得光谱数据,旨在用数据融合的方法建立一种快速可靠的测定甲维盐制剂活性成分的方法. 采用了将偏最小二乘回归法与数据融合相结合,以及用竞争自适应重加权采样法来选择偏最小二乘回归中的有效变量的方法. 与近红外和中红外各自建立的模型相比,数据融合在吸取了近红外光谱和中红外光谱相互补充的信息后,具有协同效应的模型效果有了很大的提高. 同时,证实了竞争自适应重加权采样法在建模过程中是一个使得模型更加简单高效的有效的变量选择技术. 研究结果表明在吸收了不同来源的多种信息之后的数据融合是一种能提高模型效果的很有效的建模方法. 数据融合策略的可行性使得测定低浓度(0.1％～1.0％)样品能获得更好的结果,而且结合了变量筛选算法的对近红外和中红外光谱的数据融合,是一个很有前景的测定商业农药制剂中有效成分的方法. 最后建立了一种基于近红外光谱和中红外光谱数据融合来测定商业甲维盐制剂的有效成分的方法.     

基于近红外和中红外光谱数据融合以及竞争自适应重加权采样方法对甲维盐制剂中活性成分的测定（英文）

农药活性成分的快速测定已经成为农药质量监控的一个大趋势。通过融合甲维盐制剂近红外和中红外得光谱数据,旨在用数据融合的方法建立一种快速可靠的测定甲维盐制剂活性成分的方法。采用了将偏最小二乘回归法与数据融合相结合,以及用竞争自适应重加权采样法来选择偏最小二乘回归中的有效变量的方法。与近红外和中红外各自建立的模型相比,数据融合在吸取了近红外光谱和中红外光谱相互补充的信息后,具有协同效应的模型效果有了很大的提高。同时,证实了竞争自适应重加权采样法在建模过程中是一个使得模型更加简单高效的有效的变量选择技术。研究结果表明在吸收了不同来源的多种信息之后的数据融合是一种能提高模型效果的很有效的建模方法。数据融合策略的可行性使得测定低浓度(0.1%~1.0%)样品能获得更好的结果,而且结合了变量筛选算法的对近红外和中红外光谱的数据融合,是一个很有前景的测定商业农药制剂中有效成分的方法。最后建立了一种基于近红外光谱和中红外光谱数据融合来测定商业甲维盐制剂的有效成分的方法。     

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。     

基于可见/近红外光谱技术的番茄叶片灰霉病检测研究

利用可见/近红外光谱技术对感染灰霉病的番茄叶片感染程度进行了检测.提出了主成分分析结合BP神经网络的数据处理方法.采用主成分分析进行数据的降维,减少了计算量,提高了建模精度.通过主成分分析中的载荷值,定性地分析了不同波段对病害程度检测的重要性.将得到的最主要的几个主成分输入BP神经网络进行建模,预测结果显示,当主成分数为8,隐含层结点数为11的时候,病害程度的检测模型对未知样本预测的相关系数达到0.930,SEP为0.068 7,模型具有良好的检测效果.说明基于光谱技术和化学计量学方法的灰霉病检测模型具有很好的检测能力,为光谱技术应用于病害检测提供了新的方法.     

深度信念网络的近红外光谱分析建模方法

近红外光谱是一种快速、无损的定量分析工具,现如今已广泛的应用在各个行业中。近红外光谱分析技术应用的关键就在于如何建立一个有效而又精确的模型。目前常用的定量分析方法大多为浅层模型,深度信念网络(DBN)是一种基于概率的深层模型,可以自动学习输入的有效特征表示,且只要设置最后隐层输出节点数低于输入光谱维度,在对光谱数据完成特征提取的同时即可实现降维。对于近红外光谱样本量大、变量多、维度高等问题,提出一种基于深度信念网络的近红外光谱建模方法,定量分析物性浓度。该方法以近红外光谱数据作为输入信号,首先对多层受限玻尔兹曼机(RBM)进行无监督学习,实现光谱自身特征的提取;然后利用目标理化值对网络进行微调得到最优模型参数。在建立DBN校正模型的基础下对其进行改进,建立DBN-PLS校正模型。通过建立DBN近红外光谱校正模型、 DBN-PLS近红外光谱校正模型,验证了DBN建模和DBN-PLS建模的可行性,并引入决定系数(R~2)和均方误差(MSE)两个模型评价指标,对比分析了传统BP建模和DBN建模的精度。分析结果表明,相较于传统定量分析方法建模,利用DBN方法建模和DBN-PLS方法建模可以提高预测精度。     

模糊线性判别QR分析的茶叶近红外光谱鉴别分析

不同品种茶叶因其所含的有机化学成分不同,其效果也会有差别。所以,寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。近红外光谱(NIR)分析是一种无损检测技术,能很好的鉴别茶叶品种。使用NIR光谱仪采集茶叶的NIR数据。为了对包含噪声信号的茶叶近红外光谱进行准确鉴别,提出了一种模糊线性判别QR分析的新方法,可以对茶叶近红外光谱进行准确分类。通过使用模糊线性判别分析(FLDA)将由主成分分析(PCA)压缩的茶叶近红外光谱数据进行降维,由模糊线性判别分析得出的特征向量构建鉴别向量矩阵,对鉴别向量矩阵进行矩阵的QR分解,得到新的鉴别向量矩阵。经过模糊线性判别QR分析后使用K近邻算法进行分类,具有准确率高等优点。以岳西翠兰、六安瓜片、施集毛峰和黄山毛峰四种茶叶为研究样本,每类65个,茶叶样本总数为260个。采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理,采用多元散射校正,由于采集到的茶叶光谱数据存在散射干扰。以此得到的近红外光谱数据的维数为1557维,通过主成分分析压缩数据集的维数,使得光谱数据集的维数达到7维。经压缩过后的光谱数据集中的鉴别信息再...     

基于堆栈压缩自编码的近红外光谱药品鉴别方法

由于近红外光谱在药品鉴别应用中具有分析速度快、样品无损、可现场检测等突出优点，目前已在众多领域中广泛应用。但近红外光谱存在信噪比低，吸收强度弱且谱峰重叠等缺点，无法从光谱中直接得到定性/定量的物质信息，因而近红外光谱分析技术常作为一种间接分析技术，并且光谱的化学计量学建模方法成为近红外光谱分析的核心内容。深度学习是机器学习的一个新的分支，并已经成功运用于多个领域。深度学习的网络结构和非线性的激活能力，使其模型特别适合高维、非线性的大规模数据建模。为进一步丰富近红外光谱建模方法，并提高近红外光谱分析技术的回归精度或分类准确率，将深度学习方法应用于近红外光谱分析，发展新的建模方法十分必要。面向近红外光谱定性分析技术，提出一种基于堆栈压缩自编码网络(SCAE)光谱定性分析方法，并应用于多类别药品的光谱分析，以区分或鉴别不同厂家生产的同种药品。压缩自编码网络(CAE)以自编码网络(AE)为基础，进一步加入雅克比矩阵作为约束项。自编码网络最初是用实现数据降维，以学习数据内部特征，而雅克比矩阵包含数据在各个方向上的信息，将其作为AE的约束项则可使提取到的特征对输入数据在一定程度下的扰动具有不变性，从而提高AE提取特征的能力。SCAE是一种由多层CAE构成的神经网络。前一层CAE的隐藏层作为后一层CAE的输入层，网络的全部参数是通过采用逐层贪婪的训练方式来获取的，训练结束后将所有网络视为一个整体，通过反向传播算法进行微调，最后使用Logistic/Softmax分类器进行定性分析。实验数据均为中国食品药品检定研究院采集，以头孢克肟胶囊作为二分类实验数据，硝酸异山梨酯片作为多分类实验数据。通过Bruker Matrix光谱仪测定每个样本在不同波长下的吸光度值得到其光谱曲线，再通过OPUS软件消除漂移等因素对光谱样本之间产生的偏差。接下来通过实验确定约束项雅克比矩阵的系数λ为0.003之后建立模型。建模过程分为五个阶段，分别为： 预处理阶段，预训练阶段，微调阶段，测试阶段和对比阶段。为了验证SCAE在分类准确性、算法稳定性和建模时间等方面的性能，与BP神经网络、SVM算法、稀疏自编码(SAE)和降噪自编码(DAE)开展对比实验研究。分类准确性方面，在不同的训练集与测试集的比例下，SCAE均有最佳的分类准确性与算法稳定性。建模时间方面，由于SVM算法不需要预训练和特征提取，所以运行时间方面比其他算法有大的优势，但是SCAE建模速度优于除SVM之外的其他对比算法。综合而言，使用SCAE进行药品鉴别有效可行。     

近红外光谱逆回归降维定量分析模型

在近红外光谱定量分析中,由近红外光谱数据的高维特点引起的复共线性,是利用化学计量方法建模经常遇到的问题,可利用一种新的逆回归方法处理这一问题.该方法首先利用自变量X和因变量Y的相关性质降维,找到真正与回归函数有关的X的线性组合,再利用新找到的低维变量估计回归函数.文中以103个玉米样品为实验材料,随机选择其中70个玉米...     

近红外光谱法测定缓释制剂中冰片释放量

利用近红外光谱技术与化学计量学方法建立了冰片缓释样品近红外光谱与冰片浓度之间的定量模型,以实现冰片释放量的快速测定.配制与缓释制剂具有相同物质体系的的冰片醇水溶液,获取其近红外光谱,采用偏最小二乘法(PLS)建立冰片含量预测模型并考察了图谱类型、建模样品浓度及建模区间对校正模型和预测结果的影响.结果表明采用原始近红外光谱,在5 314～7 032cm-1区间,将样品按照中高浓度、低浓度范围建模可以获得最佳校正结果与预测结果.最后采用所建的中高浓度区模型测定了冰片包合物在醇水体系中冰片含量,实现了对缓释制剂冰片累加释放量的快速测定,可为冰片缓释制剂的研发快速提供评价数据.     

可见光/近红外光谱技术快速测定橙汁柠檬酸含量

为了快速无损测定橙汁的柠檬酸含量,提出了一种用可见光/近红外光谱技术进行检测的新方法.选用高效液相色谱法作为光谱柠檬酸测定的标定方法.采用平滑点数为5的移动平滑法对原始光谱进行预处理消除噪声.由于采集的光谱数据量非常大,为了减少建模时间,建模之前采用小波变换对经过预处理的大量光谱数据进行降维压缩,并在Matlab7.01中通过自编程序实现此变换.利用光谱专用分析软件Unscrambler 9.5,对压缩后的新变量进行分析,建立偏最小二乘(PLS)校正模型.考虑到不同小波基及分解尺度对数据压缩的影响,采用预测平方和PRESS值最小的评价标准,选择最佳的小波基Db4及分解尺度5.用于本实验的样本总数为40,其中30个样本进行建模,10个用于预测.用校正集相关系数(r)和标准偏差(SEC)作为校正模型的评价指标,预测结果采用预测相关系数(r)和预测标准偏差(SEP)来评定.文章将基于小波变换的PLS模型与直接建立的PLS模型进行了比较,偏最小二乘法结合小波变换的模型预测相关系数为r=0.901,预测标准偏差SEP=0.937;而由PLS建立的模型其预测相关系数r=0.849,预测标准偏差SEP=1.662.由此可见,由偏最小二乘法结合小波变换所得模型效果优于单独使用偏最小二乘法的结果.     

蒙特卡罗无信息变量消除方法用于近红外光谱预测果品硬度和表面色泽的研究

近红外光谱(NIRS)分析方法用于梨的硬度和表面色泽的无损快速定量分析,提高了分析方法的预测精度,消除无信息建模变量对模型稳定性的影响.分别采用蒙特卡罗无信息变量消除(Monte Carlo uninformative variables elimination,MC-UVE)和基于小波变换(wavelet trans...     

基于希尔伯特-黄变换的近红外脑功能成像信号分析

近红外光谱技术(Near-infrared spectroscopy,NIRS)已被广泛应用于无损大脑功能检测,然而传统时频分析方法并不适用于非稳态、非线性的血氧信号。在视觉刺激实验中,采集被试前额叶的血氧信号,分别比较了傅里叶谱分析法、小波谱分析法和希尔伯特黄变换(Hilbert-Huang transform,HHT)方法在近红外脑功能成像信号分析中应用的结果。实验表明基于希尔伯特黄变换的谱分析方法优于其它两种方法,并且使近红外光谱研究可以采用事件相关设计的实验,为形成近红外光谱信号分析的标准方法开辟了新的途径。     

非线性流行降维与近红外光谱分析技术的大米贮藏期快速判别

提出一种基于流行降维的近红外光谱技术快速判别大米贮藏期的新方法。采用近红外光谱仪获取陈年米和新米的反射光谱特征曲线,利用直接正交信号矫正法(direct orthogonal signal correction,DOSC)对原始光谱进行预处理,滤除光谱数据中与因变量Y矩阵无关的信号,以消除无关信息对后续特征变量建模精度的影响。采用Durbin-Watson和Run测试法定性分析光谱数据结构的非线性性,并利用增强偏残差图(augmented partial residual plot)定量分析大米光谱曲线的非线性程度。分别采用线性流行降维法包括主成分分析法(PCA)和多维尺度分析法(MDS)以及非线性流行降维法包括等距映射法(ISOMAP)、局部线性嵌入法(LLE)和拉普拉斯特征映射法(LE)提取预处理后光谱数据的本征变量,并结合核偏最小二乘方法(KPLS)建立本征变量与贮藏时间属性之间的耦合模型。实验用陈年米和新米的样本数均为200个,随机将训练集和测试集样本划分为300个和100个。通过比较各个模型的预测结果得出,基于ISOMAP非线性降维法提取的40个本征变量建立的回归模型预测效果最好,预测相关系数(R2P)、预测均方根误差(RMSEP)和预测相对分析误差值(RPD)分别为0.917,0.187和2.698。实验结果说明提出的方法对于大米贮藏期具有很好的鉴别能力,该研究为今后大米贮藏期的快速无损检测提供了科学的手段。     

小波分析的茶鲜叶全氮含量高光谱监测

茶是世界上最受欢迎的饮料之一,而氮素（N）是影响茶叶品质的主要成分之一,因此快速准确地估算N素含量至关重要。由于测定N含量的化学方法繁琐耗时,利用高光谱对茶鲜叶中N含量进行预测,利用连续小波转换（CWT）提取的小波系数,探究CWT不同分解层数对于N素含量的估测能力,并讨论了不同波长选择算法所建模型的预测效果。首先,采集广东省英德市茶园的151个茶鲜叶样品高光谱数据,将获得的原始光谱通过卷积平滑（SG）、去趋势（Detrending）、一阶导数（1st）、多元散射校正（MSC）和标准正态变量变换（SNV）五种预处理方法进行预处理并作为参考。其次,采用连续小波对原始光谱进行初步处理生成多尺度小波系数,并进行相关性分析, 分别利用连续投影算法（SPA）、竞争性自适应加权采样法（CARS）和变量组合集群分析（VCPA）方法进一步优化CWT变换后光谱数据的变量空间,最后,以特征变量为输入使用PLSR建立了N素定量监测模型,并对比不同尺度不同方法估算N素的效果。结果表明,连续小波分析方法可有效提升茶鲜叶光谱对N素含量的估测能力,明显优于常规光谱处理方法。经连续小波分解后,对茶鲜叶N素的预测能力随分解尺度的增加整体呈逐步降低的趋势,其中在1~6尺度连续小波变换后的光谱与茶鲜叶N素存在良好的相关性,表明小尺度的连续小波分解可有效应用于茶鲜叶N含量的监测。基于CWT（1）-VCPA方法建立的模型精度最高,且变量数相比于全波段减少了99.34%,其建模与预测R2达到0.95和0.90,相比于传统光谱处理方法,精度提升了11% ,证明CWT-VCPA可以有效降低光谱维度并大幅提升模型精度。实现了茶叶N素含量的高效量化预测,为评估茶叶的其他成分提供了可靠技术参考。     

近红外光谱丸剂关键辅料炼蜜水分的快速测定

用近红外光谱法实现嫩，中，老三种炼蜜含水量的快速测定及不同炼制程度蜂蜜的快速分级。过程化控制是中药质量稳定的关键因素，但由于检测手段的滞后而无法实现，因而影响中药质量。蜜丸是具广阔应用市场的剂型；炼蜜工艺是影响蜜丸质量的关键工序；在炼蜜过程中，蜂蜜从嫩蜜炼制到中蜜仅需几至几十秒，变化迅速，传统检测手段不能对蜂蜜炼制过程进行实时监测，进而无法保证炼蜜质量的均一性。力求采用近红外光谱法（NIRS）对炼蜜过程进行实时检测，准确控制嫩蜜、中蜜的炼制程度，并对其含水量进行定量测定。实验通过Rudolph折光仪测定不同炼蜜的含水量，并快速测定样品的近红外光谱，结合偏最小二乘法（PLS）建立并优化88批炼蜜水分的定量模型，利用校正模型决定系数（R2）、校正模型均方根误差（RMSEE）；内部交叉验证决定系数（R2），内部交叉验证均方根误差（RMSECV）；预测模型的相关系数（r）、预测均方根误差(RMSEP)对校正模型进行评价，其中RMSECV主要用来筛选建立模型的最佳主成分数，RMSEE和RMSEP分别对所建立校正集和验证集进行误差分析。同时采用鉴别分析法建立定性模型用来区分炼蜜等级。经不断优化，图谱经矢量归一化法（SNV）预处理后，在7 201.2~5 446.2 cm-1波段内选取9个主成分建立水分模型。建立的最佳模型中，校正集R2, RMSEE分别为99.43，0.299，内部交叉验证R2，RMSECV分别为99.05，0.348；预测集R2，RMSEP分别为98.19，0.347；定量模型显示，NIRS可快速、准确、无损的对炼蜜含水量进行测定。同时按照含水量测定结果对炼蜜嫩、中、老3个等级进行划分，进而采用鉴别分析法对炼蜜进行定性分析，结果显示嫩、中、老3种炼蜜有明显的聚类现象，表明因子化法是鉴别炼蜜程度的一种有效方法；综上所述，NIRS可望实现对炼蜜过程实时监测，准确控制嫩蜜，中蜜的炼蜜程度并对炼蜜含水量进行快速实时定量测定，为不同炼蜜等级划分提供参考，保证炼蜜质量的均一性，最终保证蜜丸质量的稳定性。     

小波变换近红外光谱结合径向基神经网络快速分析异福片

应用小波变换(WT)处理近红外漫反射光谱结合径向基神经网络(RBFNN)建立快速分析异福片中利福平和异烟肼含量的模型(WT-RBFNN)。用小波变换的低频系数作为RBFNN的输入节点,研究了网络参数包括隐含层神经元数和径向基宽度(SC)对模型的影响。与经典的RBFNN和PLS相比较表明,WT-RBFNN模型压缩了原始光谱,除去了噪音和背景的影响,拟合效果很好。优选的WT-RBFNN模型对校正集样品中利福平、异烟肼的交互验证均方根误差(RMSECV)分别为0.006 04和0.004 57;对预测集样品预测均方根误差(RMSEP)分别为0.006 39和0.005 87。同时预测集样品中利福平和异烟肼与RP-HPLC测定结果的回归系数(r)分别为0.995 22和0.993 92,相对误差在2.300%以下。这些结果显示了该方法建模的稳健性和模型的预测精度均很高,同时此方法具有非破坏、无污染、可在线检测等优点,对替代常规药物分析方法有重要的意义。     

快速稳健偏最小二乘回归及其在近红外光谱分析中的应用

现代近红外光谱,作为一种间接分析技术,将建立校正模型,实现对未知样本的定量分析.针对近红外光谱分析灵敏度低、抗干扰性差的弱点,构建一种快速稳健的偏最小二乘回归(RRPLSR)算法.它运用峭度法快速识别离群点,排除它们后,再实施偏最小二乘回归,消除复共线性,建立稳健可靠的定量校正模型.将RRPLSR方法实际应用于鱼类物质的近红外光谱数据分析,实现脂肪含量的定量检测,效果良好.与已有的其他方法相比,它能准确识别离群点,所建模型预测性能良好,且计算省时,效率高,适用于快速检测.     

基于近红外光谱的粳稻种子快速鉴别方法研究

黑龙江省是我国最大的粳稻产区和商品粮生产基地。水稻种植过程中，选择合适的水稻品种是实现高产的关键环节。在农业生产中，水稻品种的选择受多方面因素影响，一般说来，同一积温带所种植的不同水稻品种在外观上差别不大，甚至没有差别，很难通过肉眼观察进行准确区分。为了快速鉴别肉眼不便区分的不同类别粳稻种子，提出了一种基于近红外光谱技术的粳稻品种快速无损鉴别方法。以黑龙江垦区大量种植的3种不同品种的粳稻种子（垦粳5号、垦粳6号和绥粳4号）作为研究对象，每个品种选取40个样本，其中30个样本做为建模集，10个样本作为预测集，扫描获取全部120个样本的近红外光谱数据。对原始光谱数据（11 520～4 000 cm-1）两端进行裁剪，选取吸光度较强的8 250～5 779cm-1范围内的光谱数据进行研究。首先建立参照模型，即直接对光谱数据建立BP模型1, 同时光谱数据经过一阶导数和Savitzky-Golay平滑预处理后建立BP模型2。模型1的分类正确率为93.3%，预测集均方根误差RMSEP=0.232 8，迭代时间t=3 882.9 s。模型2的分类正确率为100%，RMSEP=0.070 6，迭代时间t=954.5 s。比较两种模型的评价参数RMSEP发现FD+SG预处理可以提高模型的预测能力，但是由于两种模型未进行降维处理，数据量过大，模型的输入节点过多，迭代时间太长，不利于实际应用。因此利用小波变换多分辨率的特点对数据进行降维处理，采用预测集残差平方和Press值作为评价指标，在多个小波类别和参数中选取分解尺度为5的sym2（symlet2）小波对光谱数据进行压缩和降维处理，将光谱数据由601维降到21维。以小波变换结果作为神经网络输入，建立模型3，并与模型1比较，模型3的分类正确率为93.3%, RMSEP=0.225 0, 迭代时间t缩短至198.9 s，比较结果显示小波降维可以减少神经网络的输入，简化神经网络的结构，从而提高迭代速度，但对提高模型的预测能力效果不明显。上述三种模型比较结果表明，FD+SG预处理可以提高模型的预测能力，小波降维可以提高模型的迭代速度，综合上述三种模型的比较结果分析，最终建立“FD+SG+小波降维”的21输入、15个隐层、3个输出的神经网络鉴别模型4，其分类正确率达100%，RMSEP=0.029 3, 迭代时间为98.8 s，表明模型4能够完全实现对三种不同水稻品种的快速、准确、无损鉴别。因此，所提出的基于近红外光谱的小波降维和反向传播人工神经网络鉴别模型的方法完全可以用于粳稻种子的快速无损鉴别，同时也为其他农作物种子的快速鉴别提供了参考。     

最小相关系数的多元校正波长选择算法

在近红外光谱的定量分析中,由于仪器的精密程度越来越高,采集的光谱数据通常具有很高的维度。因此,波长选择对于剔除噪声及冗余变量,简化模型,提高模型的预测性能是必不可少的。近红外光谱特征波长选择方法众多,但变量间的多重共线性问题仍是导致模型效果较差的一个关键问题。变量间共线性可以通过相关系数进行分析,当相关系数高于0.8,表明存在多重共线性。据此,以变量间相关系数为选择标准,提出一种以所选变量之间共线性最小化的波长选择方法,称之为最小相关系数法(MCC)。该方法以光谱数据的相关系数矩阵为基础,挑选出与其他波长相关系数平均值和标准差均较小的波长为候选建模波长集合,使得集合内波长之间线性相关性最小,进而消除模型变量之间共线性。然后通过标准回归系数优选对因变量影响较大的波长,获得预测模型。为了验证所提出算法的有效性,对该方法进行了测试。利用两组公开的近红外光谱数据集（柴油数据集、土壤数据集）,通过MCC算法进行波长选择,并与常用的几个波长选择方法,如：连续投影算法(SPA)、竞争性自适应重加权采样法(CARS)、随机蛙跳算法(RF)、迭代保留信息变量法(IRIV)进行比较。实验结果表明,MCC算法获得了良好的预测性能,MCC算法的预测精度相比于SPA,CARS和RF三种算法具有明显的优势,而MCC算法的预测精度与IRIV算法不相上下。因此,最小相关系数法可实现高效降维,提高模型的预测精度,是一种有效的波长选择算法。