基于近红外光谱技术的钢结构防火涂料品牌鉴别方法研究

为了实现钢结构防火涂料在流通使用领域中不同品牌的现场快速鉴别, 提出了一种用近红外光谱技术快速鉴别钢结构防火涂料品牌的方法。运用光栅扫描型近红外光谱仪器, 通过近红外漫反射光谱获取不同品牌钢结构防火涂料的光谱曲线, 并对光谱数据进行标准正态变量变换(standard normal variate transformation, SNV)、Norris二阶求导等优化处理。利用主成分分析法(principal component analysis, PCA)对钢结构防火涂料品牌进行聚类分析, 前五个主成分的累积方差贡献率已达到99.791%, 以PC1, PC2和PC3×10的得分值对所有建模样品在三维空间作图, 对不同品牌的钢结构防火涂料具有很好的聚类作用。利用5个品牌的各25个样品建立校正模型, 用余下5个品牌的各5个样品, 共计25个样品进行外部验证, 通过未知样品光谱的主成分得分值计算其与校正模型中每个品牌的马氏距离值, 实现未知样品的品牌鉴别。建立的定性分析模型对未知样品的外部验证正确率达到100%。说明该分析方法能够快速准确的鉴别钢结构防火涂料品牌, 并为市场规范提供技术参考。     

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。     

可见-近红外漫反射光谱技术对羊毛和羊绒的鉴别研究

应用可见-近红外漫反射光谱技术对甘肃不同地区的130个羊毛和羊绒样品进行定性鉴别研究。结果表明：采用主成分-马氏距离聚类判别分析法,羊毛和羊绒样品界线;主成分回归分析技术结合多元离散校正、一阶导数等预处理方法,以及最佳主成分因子为8、不确定因子为1.00等参数,建立的定性鉴别模型预测性能较好,外部验证正确率为100%。说明利用可见-近红外漫反射光谱定性分析技术可以快速鉴别羊毛和羊绒。     

基于近红外光谱判断分析煤种的鉴别研究

煤种信息为煤炭质量评价、进出境税收征管提供技术支撑。传统煤种鉴别方法需测定煤炭样品干燥无灰基挥发分、低煤阶煤透光率、粘结指数、恒湿无灰基高位发热量等指标,能耗大,检测周期长,不利于口岸快速通关。基于不消耗化学试剂、快速、低成本等优势,采用近红外光谱鉴别煤种受到广泛关注,但目前还未有针对全球不同产地来源煤炭的煤种鉴别应用,煤炭近红外光谱特征与煤种的相关关系仍有待挖掘。采集了来自澳大利亚、俄罗斯、印度尼西亚等9个国家410批进口煤炭代表性样品,涉及褐煤、烟煤和无烟煤3个煤种,对比分析了不同煤种煤炭样品的漫反射近红外光谱特征,发现不同煤种煤炭样品近红外光谱在吸光度、光谱斜率、特征峰上存在差异。结合样品成分信息、X射线衍射、近红外光谱进行数据挖掘,发现近红外光谱吸光度与煤炭中固定碳含量呈正相关,光谱斜率与煤炭芳构化呈负相关,煤炭芳构化增加导致长波长方向的吸收系数增大,光谱斜率变小,光谱特征吸收峰主要为水分和有机物质含氢基团的特征信息,特征峰强度取决于煤炭中水分和挥发分含量。采用主成分分析（PCA）进行数据降维,光谱变量从1 557个降到394个,对前10个主成分进行逐步判别,筛选出PC1,PC2,PC3,PC4,PC6,PC7,PC8,PC9和PC10代替原始数据作为模型输入变量,建立煤种鉴别的Fisher判别分析模型,建模样品验证准确率为98%,交叉验证准确率为97.8%,测试样品验证准确率为99.1%。PCA载荷图表明：PC1和PC2主要与煤炭挥发分含量相关,其次是水分含量。判别函数1（57.7%）与PC1的相关性最强,判别函数2（42.3%）与PC2的相关性最强,说明不同煤种中挥发分含量和水分含量的差异是近红外光谱进行煤种鉴别的内在依据。     

基于光谱技术鉴别机油品种的新方法

提出了一种用可见-近红外透射光谱技术快速鉴别机油品种的新方法,应用可见-近红外光谱仪测定三种机油的光谱曲线,然后用主成分分析法对不同品种的机油样本进行聚类分析,并获取机油可见-近红外光谱的特征信息,再结合多类判别分析技术建立机油占占种鉴别的模型.对经过预处理的光谱数据进行主成分分析.结果表明,以样本在第一主成分和第二主成分卜的得分做出的二维散点图,对不同种类机油具有很好的聚类,能定性区分不同种类机油;经过主成分分析得到的前8个主成分的累积可信度已达95.38%,说明这8个变量能够代表绝大部分原始光谱的信息.从180个样本中随机抽取150个样本用于建立多类判别分析品种鉴别模型,余下的30个样本用于验证.对未知的30个样本进行品种预测,准确率为100%.证明本方法具有明显的分类和鉴别作用,为不同品种的机油鉴别提供了一种新方法.     

近红外漫反射光谱法快速鉴别石斛属植物

通过采集15种石斛171份样品的近红外漫反射光谱,结合化学计量学统计分析方法建立预测模型,对不同种石斛进行快速无损鉴别。应用Hotelling T2对随机抽取的5份样品的近红外光谱进行稳定性分析,结果表明,样品的近红外光谱具有较好稳定性。设计正交试验L24(2×4×3×8),对光程类型、光谱波段、导数和平滑四个因素进行优化处理。利用主成分分析对正交试验结果进行分析,结果显示,选择6 500～4 000cm-1的光谱波段,采用多元散射校正、二阶导数和Norris平滑对光谱预处理,提取的主成分数为7时,光谱判别正确率为100%。将正交试验优化条件作为偏最小二乘法判别分析的输入值,随机选取123份样本作为校正集建立预测模型,其余48份样本为预测集,评估预测模型的性能。结果表明,该模型前3个主成分累积贡献率为99.36%,设定鉴别标准偏差为±0.1时,该方法的正确识别率为97.92%,获得满意的结果。该方法的建立为不同种石斛的快速鉴别提供了一种新的方法,同时为药用植物的鉴别提供参考。     

秸秆热值近红外光谱模型的外部验证结果间的统计比较分析

从全国24个省(市)收集到222个秸秆样品,包括172个稻秸样品和50个麦秸样品。采用近红外光谱技术,结合主成分回归、偏最小二乘回归和改进的偏最小二乘回归建立了秸秆热值的定量分析校正模型。近红外光谱模型的建立与优化过程中使用了不同的散射校正方法和光谱导数处理来帮助改善模型精度。对得到的54个模型采用统计学的方法分析外部验证的结果,通过比较外部验证的系统偏差(Bias)和Bias校正的预测标准差(SEP(C)),考察了不同光谱预处理和回归方法对秸秆热值的近红外模型预测性能的影响。结果表明:近红外光谱技术能够快速、准确地分析秸秆的热值,模型的SEP(C)在134～178 J·g-1之间;对外部验证结果的统计分析,能够有效地选择较好的建模方法,确定较优模型。     

基于近红外光谱和化学计量学的驴肉鉴别方法研究

驴肉具有极高的食用价值,资源的缺乏使其价格持续走高,由此引发的欺骗和掺假亟待解决。选取了不同部位(脖子、肋板、后墩和腱子)的驴肉样品(n=167)及牛肉(n=47)、猪肉(n=51)和羊肉(n=32)样品在4 000~12 500cm-1光谱范围上建立了驴肉的近红外光谱鉴别模型。比较了马氏距离判别分析、簇类独立软模式分类法、最小二乘-支持向量机方法分别结合平滑(5点、15点及25点)、一阶和二阶微分、多元散射校正和标准归一化的光谱预处理方法对肉块样品及大中小三个不同粉碎粒径(7,5,3mm)肉糜样品的分类模型结果发现,原始光谱前11个主成分得分作为输入的马氏距离判别及前6个主成分作为输入的最小二乘-支持向量机肉块样品分类模型较优,校正集和预测集正确率分别为100%和98.96%;原始光谱前5个主成分作为输入的LS-SVM大粒径肉糜样品分类模型结果较优,校正集和预测集判别正确率为100%和97.53%;原始光谱前8个主成分得分作为输入的簇类独立软模式分类法中粒径肉糜样品分类模型结果较优,校正集和预测集的判别正确率均为100%;而对于小粒径肉糜样品,原始光谱前7主成分输入的马氏距离判别和前9主成分输入的簇类独立软模式分类法模型均得到了校正集和预测集100%的判别正确率。以上模型中的驴肉样品均得到了100%的判别正确率。研究结果表明,使用近红外光谱分析技术结合化学计量学方法鉴别驴肉是可行的。     

基于可见-近红外光谱技术的葡萄酒真伪鉴别的研究

研究收集了不同品牌的90个葡萄酒样品,为了消除各光谱基线不同带来的影响,对所有光谱曲线都进行了一阶求导,以一阶导数谱线作为有效数据,通过独立主成分(PC)分析可知,前两个主成分的贡献率达到80%以上,主成分聚类使得真伪葡萄酒样品明显分为两类;以前四个主成分作为BP神经网络的输入建立了一个三层人工神经网络的识别模型,该模型对葡萄酒样品的预测识别率达到100%。研究表明,可见-近红外透射光谱结合主成分分析建立的BP神经网络模型能为快速、无损鉴别葡萄酒真伪提供一种准确可靠的新方法。     

基于主成分分析和支持向量机的山羊绒原料品种鉴别分析

提出了一种用近红外光谱技术快速无损鉴别羊绒原料品种的新方法。山羊绒的外观形态和品质特征随着山羊绒原料的品种不同有很大的区别,快速、有效、正确地鉴别山羊绒纤维,对山羊绒及其制品的生产与交易具有重要的意义。应用可见/近红外光谱漫反射技术测定各种山羊绒原料的光谱曲线,用主成分分析法对不同品种山羊绒原料进行聚类分析并获取山羊绒原料的近红外指纹图谱,再结合支持向量机技术进行品种鉴别。用主成分1,2和3对所有建模样本的得分值做出的得分图,分析聚类效果,将主成分分析得到的10个主成分作为支持向量机的输入,应用数据挖掘新方法—支持向量机对山羊绒原料品种进行鉴别。通过对5个山羊绒原料品种共100个样本的训练,对未知的75个样本进行鉴别,建立了山羊绒原料品种鉴别的支持向量机的分类模型,并对比了四种核函数的支持向量机的分类性能,结果表明,具有高斯核函数的支持向量机对山羊绒原料的鉴别准确率达到100%。说明文章提出主成分分析结合支持向量机的数据挖掘方法具有很好的分类和鉴别作用,为山羊绒原料的品种快速鉴别提供了一种新方法。     

应用近红外光谱快速鉴别酸奶品种的研究

提出了一种用近红外光谱技术快速鉴别酸奶品种的新方法。首先应用光谱仪获得5种典型酸奶品种的光谱曲线,用主成分分析法对5种酸奶品种进行聚类分析,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,主成分1和主成分2的累积可信度已达98.96%,前7个主成分的累积可信度达到99.97%。以每一个样品的前7个主成分作为神经网络的输入,品种类型作为神经网络的输出,建立三层BP人工神经网络模型。每个品种各27个样本,5个品种共135个样本用来建立神经网络模型,余下每个品种各5个共25个用于预测。建模品种的拟合率和预测品种的识别率均为100%。说明该方法能快速无损的检测酸奶品种,为酸奶的品种鉴别提供了一种新方法。     

基于主成分分析和神经网络的近红外光谱苹果品种鉴别方法研究

提出了一种用近红外光谱技术快速鉴别苹果品种的新方法,首先用主成分分析法对苹果品种进行聚类分析并获取苹果的近红外指纹图谱,再结合人工神经网络技术进行品种鉴别。主成分分析表明,主成分1和主成分2的累积可信度已达98％,以主成分1和2对所有建模样本的得分值做出的得分图,对不同种类苹果具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于苹果品种敏感的特征波段,用特征波段图谱作为神经网络的输入建立三层BP人工神经网络模型。每个品种各25个苹果共75个用来建立神经网络模型,余下的共15个用于预测。对未知的15个样本进行预测,品种识别准确率达到100%。说明文章提出的方法具有很好的分类和鉴别作用,为苹果的品种鉴别提供了一种新方法。     

基于光谱技术的桔子汁品种鉴别方法的研究

为了实现桔子汁不同品种的快速光谱鉴别,首先采用主成分分析法对光谱数据进行聚类分析,从定性分析的角度得到四种不同品种桔子汁的特征差异。同时将小波变换用于对大量光谱数据的压缩, 并结合RBF神经网络建立桔子汁品种鉴别的定量分析模型。该模型将小波压缩后的数据作为神经网络的输入向量,建立径向基函数RBF神经网络。4个品种共240个样本用来建立RBF神经网络的训练模型,剩余的60个样本用于预测。预测结果表明,小波变换结合RBF神经网络的桔子汁品种鉴别的准确率达到100%。说明文章提出的基于光谱技术的鉴别方法具有很好的分类能力,它为桔子汁品种的快速鉴别提供了一种新方法。     

PCA和SPA的近红外光谱识别白菜种子品种研究

为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。     

基于近红外光谱和仿生模式识别玉米品种快速鉴别方法

文章提出了一种采用近红外光谱快速鉴别玉米品种的新方法,并对不同品种的玉米种子建立了相应的鉴别模型。对7个玉米品种共140个样本,通过近红外光谱仪扫描获得4 000～12 000 cm-1波段范围内的光谱数据。为了消除噪声、提高数据处理效率,对原始数据进行了归一化预处理,采用固定尺寸移动窗口渐进因子法(fix-sized moving window evolving factor analysis)寻找特征波段,使用主成分分析(PCA)方法得到能反映玉米种子99.96%光谱信息的5个主成分,进而利用仿生模式识别(biomimetic pattern recognition)方法建立玉米品种的鉴别模型。对于每个品种中的20个样本,随机挑选10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120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99.1%的情况下,对第一测试集中的样本取得了94.3%的平均正确识别率。该方法具有较高的鉴别准确度,可以作为一种快速无损的玉米品种鉴别方法。     

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。     

基于可见-近红外光谱的可乐品牌鉴别方法研究

提出了一种采用可见-近红外光谱分析技术快速鉴别可乐品牌的新方法。采用美国ASD公司的便携式光谱仪对三种不同品牌的可乐进行光谱分析,各获取55个样本数据。将样本随机分成150个建模样本和15个预测样本,采用平均平滑法和标准归一化方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据。将建模样本的主成分数据作为BP网络的输入变量,可乐品牌作为输出变量,建立三层人工神经网络鉴别模型,并用模型对15个预测样本进行预测。结果表明,预测准确率为100%,实现了可乐品牌快速、准确的鉴别。     

应用近红外光谱技术快速检别酱油品牌的研究

提出了一种采用近红外光谱快速鉴别酱油品牌的新方法,对不同品牌的酱油建立相应的指纹模型。对市场上8种典型品牌的酱油,通过近红外透射获取光谱曲线,选择了其中噪声较小的7 625～3 684 cm-1共3 942个波段作为建模分析数据。为了减少原始数据量,提高数据处理效率,对原始数据进行了多项式平滑拟合等预处理,采取主成分分析法,得到能反映酱油99.99%光谱信息的8个主成分。由这8个主成分得到的得分图,可以区分其中某几个品牌,但是不能做到区分全部品种,因此选取了人工神经网络进行了进一步信息提取与种类判别。将8个主成分作为人工神经网络的输入,对应的酱油品牌作为输出,通过不断调整参数,建立了最优的BP神经网络。8个品牌共242个样本作为建模学习样本,每个品牌各10个共80个样本作为检验样本。结果表明,在0.98的置信区间里取得了98.75%的识别正确率,为不同等级和品牌的酱油鉴别提供了一种新的方法。     

近红外光谱技术的乳粉品牌溯源研究

采用近红外光谱漫反射模式,结合简易分类技术(soft independent modeling of class analogy, SIMCA)对不同品牌乳粉进行了分类溯源研究。实验共采集了四种不同品牌乳粉,包括光明乳粉54组,荷兰乳粉43组,雀巢乳粉33组以及伊利乳粉8组共138组样品的近红外光谱,通过对预处理后的训练集全谱段数据变量进行主成分分析,得出前三个主成分的累积方差贡献率为99.07%。利用SIMCA类建模法建立的乳粉主成分回归模型对预测集乳粉进行分类,研究结果表明,光明乳粉、荷兰乳粉、雀巢乳粉的识别率分别为78%, 75%, 100%,拒绝率分别为100%, 87%, 88%。因此,近红外光谱结合SIMCA建立的模型具备较好的乳粉品牌溯源能力,为快速、准确鉴别乳粉品牌提供了新思路。     

基于可见/近红外光谱的水稻品种快速鉴别研究

提出了一种应用可见/近红外光谱技术与化学计量学相结合的快速、无损鉴别稻谷品种的新方法。收集了5个品种水稻共150个样本作为实验样本,通过可见/近红外光谱仪扫描这些样本获得了从350 nm到1 075 nm波长范围的光谱信息。将样本的光谱信息进行小波分解以消除高频噪声。将去噪声后的光谱数据经主成分分析压缩成数目较少的新变量(主成分),压缩得到的前4个主成分能够解释99.891%的原始光谱信息。将前4个主成分作为BP神经网络的输入,不同水稻品种值的二进制代码值作为BP神经网络的输出,建立稻谷品种的模式识别模型。模型的预测误差阈值是0.2,模型是3层网络结构,各层的节点分别是4,9和3。150个样本被随机的分成包含100个样本的建模集和50个样本的预测集。结果表明,预测未知的50个样本的正确率达到96%。说明该方法具有较高的鉴别准确度,为稻谷品种的快速无损鉴别提供了一种新的方法。