葡萄浆果糖度可见/近红外光谱检测的研究

针对可见/近红外光谱与水果糖度存在非线性相关的特点,利用漫反射光谱测定方法获取了葡萄浆果的可见/近红外光谱,提出了应用偏最小二乘（PLS）结合人工神经网络（ANN）建立葡萄浆果糖度的预测模型,利用偏最小二乘法（PLS）对原始光谱数据进行处理,得出交叉检验的最佳主因子数为3,并将3个主因子的得分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,用优化的BP神经网络模型对预测集样本进行预测。PLS-ANN模型对样本的预测模型检验参数r2为0.908,RMSEP为0.112,Bias为0.013,好于只使用PLS模型的预测模型检验参数r2为0.863,RMSEP为0.171, Bias为0.024。结果表明,利用近红外光谱技术无损检测葡萄浆果糖度等内部品质是可行的,为今后进一步分析建立浆果内部品质预测模型奠定了基础。     

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。     

基于偏最小二乘增量式神经网络的近红外光谱定量分析模型

提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传播神经网络(BPNN),不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘(PLS)回归,所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值,且自变量的主成分个数作为隐层的节点数。当获得新的样本时,对新数据与历史负荷矩阵组合后进行PLS回归,将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值,接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光谱数据上测定后比较。对于烟气中二氧化碳浓度的预测,所提模型的预测均方根误差(RMSEP)分别降低了27.27%,58.12%,19.24%和14.26%;对于烟气中一氧化碳浓度的预测,所提模型的RMSEP分别降低了20.65%,24.69%,18.54%和19.42%;对于烟气中甲烷浓度的预测,此模型的RMSEP分别降低了27.56%,37.76%,8.63%和3.20%。实验结果表明,所提模型不仅通过PLS对BPNN结构和初始权重的优化,使模型具有较强的预测能力,而且能在已建模型信息的基础上,不访问旧数据而用新增样本即可完成自身的增量式更新,从而使模型具有较好的稳健性和泛化性。     

径向基神经网络结合近红外光谱技术分析安络小皮伞发酵组分的研究

采用径向基神经网络(RBFNN)结合近红外光谱(NIRS)技术建立一种分析安络小皮伞发酵菌丝体中甘露醇、多糖和腺苷三种组分的定量分析模型。收集164个安络小皮伞液体发酵菌丝体样本的近红外光谱数据,采用常规方法分别测定样本中甘露醇、多糖和腺苷的含量。在应用蒙特卡罗偏最小二乘法(MCPLS)识别异常样本、确定校正集样本数量的基础上,以逼近度(Da)为评价指标,采用可移动窗口径向基神经网络(MWRBFNN)筛选特征波长变量,筛选最佳光谱预处理方法、隐含层节点数(NH)等模型参数。建立甘露醇、多糖和腺苷组分定量分析模型,最佳RBFNN-NIRS模型中校正集和预测集样本实验测定值与预测值间相关系数分别为0.9274、0.9009、0.9440和0.9354、0.9018、0.8847,表明模型具有很好的拟合度和预测性能。     

近红外光谱技术结合RCA和SPA方法检测土壤总氮研究

基于近红外光谱技术结合连续投影算法和回归系数分析对检测土壤总氮含量进行研究。采集农田土壤样本近红外光谱数据,土壤样本数量共394个。由于原始光谱数据量大,在500～2 500 nm光谱波长范围基础上,为简化模型,在原始光谱基础上采用连续投影算法和回归系数分析提取特征变量,以两种变量选择方法提取的特征变量作为输入,分别采用偏最小二乘回归(PLS)、 多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)建模方法建立总氮预测模型,共建立了9个预测模型,最优预测集的决定系数为0.81,剩余预测偏差RPD为2.26。研究表明,基于连续投影算法和回归系数分析选择的特征波长可以应用于近红外光谱检测土壤总氮含量,同时可以大大简化模型,适合开发便携式土壤养分检测仪。     

深度自编码器的近红外光谱转移研究

近红外光谱分析中多变量校准模型的建立依赖于校准建模的光谱样本。然而,近红外光谱测量环境的变化会导致同一被测物的光谱样本的偏移。为了削减光谱偏移后重新建立校准模型的成本,提出一种基于深度自编码器(DAE)的非线性光谱转移方法,以端到端的形式实现不同测量环境之间的光谱转移,避免已有的线性光谱转移方法在非线性偏移光谱时效果不佳的情况。该方法在操作前不需要对光谱进行预处理和特征提取等操作,可以实现原始光谱之间的转移,是首个端到端的非线性光谱转移方法。为了实现光谱空间的有效转移,设计了一种基于条件概率和参数最大似然法的误差函数惩罚项,结合梯度反向传播算法优化深度自编码的网络参数。为了验证该方法的有效性,引入两个公共的近红外光谱数据集,分别是药片数据集和玉米数据集。利用本方法进行光谱转移的过程主要有:根据Kennard-Stone(KS)算法分别将两个数据集划分为校准集、验证集和测试集;用校准集中的光谱样本输入深度自编码器,根据设计的误差函数求出误差,并用反向传播法迭代训练网络参数,直至模型最优;将预测集样本输入训练好的DAE转移模型,可以发现转移后的光谱与相应的目标光谱谱线基本重合,这说明该设计的转移模型的有效性。最后,为了进一步验证本方法的优越性,将该方法与经典的线性转移算法光谱空间变换(SST)和分段直接标准化(PDS)进行比较。这三种算法得到的转移光谱分别作为测试样本,输入已建立的偏最小二乘(PLS)多变量校准模型,通过比较预测均方根误差(RMSEP),可以发现该方法在多变量校准模型中的预测结果的均方根误差均小于SST和PDS,分别提高了5.7%和10.1%,表明由非线性深度自编码器转移的光谱样本具有高效和实用的特点。     

应用可见-近红外光谱技术进行白醋品牌和pH值的快速检测

提出了一种基于可见-近红外透射光谱技术快速判别白醋品牌和测定pH值的方法。应用可见-近红外透射光谱获取不同品牌白醋的透射光谱曲线,并对获得的原始光谱数据进行平滑、变量标准化以及一阶导数等预处理,然后利用主成分分析对原始光谱数据进行聚类分析,根据主成分的累计贡献率选取主成分数,并将所选取的主成分作为三层BP神经网络的输入。通过定标集样本对BP神经网络进行训练,得到三层优化神经网络结构：5输入层节点,6隐含层节点和2输出层节点,各层传递函数均采用Sigmoid函数。利用该模型对预测集样本进行预测。实验结果表明在阈值设定为±0.1的情况下该模型对预测集样本品牌鉴别准确率达到了100%,pH预测值与实际测量值偏差小于5%,得到了理想的结果。所以利用可见-近红外光谱技术结合主成分分析和神经网络算法能够快速准确的判定白醋品牌和pH值。     

净信号的局部建模算法及其在近红外光谱分析中的应用

提出了一种基于净信号分析的局部建模算法,以克服光谱定量分析中样本间差异性过大和样本待测性质与光谱之间存在非线性等问题。首先利用净信号分析方法得到校正样本和待测样本的净信号,然后用待测样本净信号和校正样本净信号之间的欧式距离作为样本相似性判据,选取一定数量的与待测样本最相似的校正样本组成局部校正子集,建立局部PLS回归模型。针对一组猪肉近红外光谱数据集的实验结果表明,该方法的预测精度显著优于全局建模方法和基于光谱欧式距离的局部建模方法。     

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。     

基于Elman网络的近红外光谱技术多组分定量分析研究

研究了Elman神经网络(反馈神经网络,Recurrent Network)在近红外光谱定量分析中的应用。以饲料样品为实验材料,采用Elman网络建立了饲料中苯丙氨酸(Phe)、赖氨酸(Lys)、酪氨酸(Tyr)和胱氨酸(Cys)四种氨基酸含量的近红外光谱定量分析模型。用偏最小二乘法(partial least squares ,PLS)将原始数据压缩为主成分,取前3个主成分的12个吸收峰值输入Elman网络,网络中间层神经元个数为47。Elman网络模型对样品4个氨基酸含量的预测决定系数(r2)分别为0.960,0.981,0.979,0.952。表明所建Elman网络预测模型通过近红外光谱能够较准确预测饲料中苯丙氨酸、赖氨酸、酪氨酸和胱氨酸四种氨基酸的含量,为通过近红外光谱技术进行多组分定量分析提供了新思路。     

A data augmentation approach to train fully convolutional networks for left ventricle segmentation

Left ventricle (LV) segmentation plays an important role in the diagnosis of cardiovascular diseases. The cardiac contractile function can be quantified by measuring the segmentation results of LVs. Fully convolutional networks (FCNs) have been proven to be able to segment images. However, a large number of annotated images are required to train the network to avoid overfitting, which is a challenge for LV segmentation owing to the limited small number of available training samples. In this paper, we analyze the influence of augmenting training samples used in an FCN for LV segmentation, and propose a data augmentation approach based on shape models to train the FCN from a few samples. We show that the balanced training samples affect the performance of FCNs greatly. Experiments on four public datasets demonstrate that the FCN trained by our augmented data outperforms most existing automated segmentation methods with respect to several commonly used evaluation measures.     

基于Bootstrap-SVM在小样本条件下光谱定量分析研究

提出了一种在小样本条件下建立光谱定量分析的新方法-Bootstrap-SVM模型。以道路沥青为研究对象,共收集29个来自6个不同单位的沥青样本,利用所提方法建立了沥青针入度定量分析模型。Bootstrap-SVM由Bootstrap重抽样、噪声注入及SVM三个步骤组成。为了对比所提方法的优势,对比了目前常用的PLS模型以及SVM模型。研究结果表明Bootstrap-SVM,PLS,SVM预测均方根误差分别为0.773 5,2.889,1.784 4,所提方法预测精度最好,为小样本条件下光谱定量分析提供了一种新的有效方法。     

特征根回归法近红外光谱定量分析研究

本文以大豆样品为实验材料，研究了特征根回归法近红外光谱定量分析。用40个大豆样品的近红外光谱数据建立了测定大豆蛋白质含量的特征根回归模型，预测另外32个大豆样品的蛋白质含量，结果同PLS回归方法进行了比较，表明特征根回归模型可用于生物样品的近红外光谱定量分析。特征根回归法是对PCR建模方法改进的又一种化学计量学定量分析校正方法，该方法在对样品光谱提取主成份时考虑了待分析组分的作用，因此所建立的定量分析模型有好的分析效果。研究结果进一步表明，以样品近红外光谱建立定量分析模型，提取主成份时充分考虑被定量分析成份的作用是完全必要的。     

卷积神经网络和近红外光谱的土壤pH值预测

土壤pH值是影响土壤养分转化和土壤肥力的关键因素,使用近红外光谱技术对土壤pH值进行检测可为土壤资源的开发利用提供重要依据。卷积神经网络作为深度学习在人工智能方面的典型算法,由于其结构具备“局部感知,权值共享”的能力,因此不仅能够对复杂的光谱数据进行特征抽取,还能够减少网络的训练参数,提高网络的运算效率。将卷积神经网络用于近红外光谱的建模分析,并提出一种基于一维卷积的卷积神经网络和近红外光谱的土壤pH值预测方法。网络由Python语言调用Tensorflow工具包搭建而成,其结构由输入层、卷积层、池化层以及全连接层四部分组成。以欧洲统计局在2008年-2012年开展的土地利用及覆盖面积统计调查所收集的矿物质土壤光谱样本数据集为研究对象,为消除光谱中存在的基线漂移,提高信噪比,对原始可见光近红外光谱（400～2 500 nm）进行一阶导数和Savitzky-Golay平滑处理。在模型训练过程中,随机选取15 000个样本作为训练集,剩余的2 272个样本作为测试集,探讨不同的卷积层个数及训练迭代次数对模型性能的影响,并采用ReLU激活函数及Adam优化器防止模型出现梯度消失现象,提高模型的稳定性,之后通过分析模型的拟合优度和运算成本确定模型的最佳性能,最后将网络模型与传统的BP和PLSR模型进行对比。结果显示,当模型迭代次数为2 500次,卷积层个数为4层时,模型达到最佳状态,模型对训练集的均方误差从1.898降到了0.097;模型对测试集的拟合优度为0.909,分别比BP和PLSR模型高0.117和0.218。使用卷积神经网络可以对土壤近红外光谱的内部特征信息进行抽取,从而实现对大面积土壤pH值的高效准确预测。CNNR模型可对农作物的合理栽种及精准施肥提供指导,从而达到土壤结构稳定和可持续发展的目的。基于卷积神经网络的近红外光谱回归方法也可以推广到其他土壤信息研究。     

基于互信息的遗传算法在光谱谱段选择中应用

在近红外光谱分析技术中,建立一个准确、稳健的定量模型至关重要。全光谱建模会增加建模和预测时间,降低模型的稳健性和预测精度,因此有效的变量选择方法对于模型构建至关重要。针对该问题,提出了基于互信息的遗传算法(GAs-MI)对特征变量进行选择,互信息筛选掉大量无关信息和冗余信息,遗传算法进一步选择出高辨别力的特征;并在遗传算法的变异过程中引入Shapley值方法,减少了人为设定参数的随机性。为了验证算法的有效性,选取有代表性的273个烟叶样本为实验材料,随机选择其中182个样本实现对烟叶总烟碱的PLS定量建模,剩余样本作为测试集,以相关系数(R)、交互验证均方差(RMSECV)和预测均方根误差(RMSEP)为模型评价指标。实验结果表明,通过该方法选择的波长建立的模型更加简单、预测能力更强。     

基于Kalman滤波与DBN的油脂中TFAs含量近红外光谱分析

针对油脂脱臭过程中的反式脂肪酸（TFAs）含量控制问题,提出一种基于近红外光谱分析的油脂中TFAs含量快速检测方法。制备含不同TFAs的大豆油脂样本100个,利用气相色谱(GC)法精确测定其TFAs含量,扫描样本近红外光谱,然后利用不同方法对光谱数据进行降噪处理,发现多元散射校正的去噪效果最佳。为了探讨TFAs在近红外区域的吸收特性,采用多种iPLS方法对比分析,筛选出7 258～7 443/6 502～6 691/6 120～6 309 cm-1 TFAs的特征波段,再利用Kalman滤波算法进行特征波长变量的选择,优选出27个TFAs的特征波长变量;采用深度信念网络（DBN）建立校正模型,通过多次对比发现,当隐含层层数为3并且隐含层节点数为50-35-90时,DBN模型性能最佳。最后将DBN模型与PLS方法建立的反式脂肪酸含量回归模型进行对比分析,结果表明：对降噪后的全谱进行建模,DBN模型的预测效果优于PLS,DBN模型预测集R2为0.879 4、RMSEP为0.060 3、RSD为2.18％;对筛选出的特征波段建模,PLS模型的预测效果优于DBN模型;对优选出来的27个特征波长变量建模,DBN的预测效果较好,R2为0.958 4、RMSEP为0.035 0、RSD为1.31％,说明DBN模型的泛化能力更好,并且利用少量的波长变量就能达到较好的预测效果,能够满足实际检测需求,为实现油脂加工过程中TFAs含量的在线检测和调控,生产低/零TFAs油脂产品提供技术支撑。     

小麦PLS近红外定量分析中温度修正的研究

以45个小麦籽粒为实验样品,研究样品温度对小麦PLS近红外定量分析的影响, 并提出引入温度修正量对样品光谱进行修正的方法。采用PLS算法将光谱受温度影响部分剔除后,得到不受温度影响的光谱,再进行模型建立与样品分析。实验结果表明：引入温度修正可以有效的消除温度对模型预测结果的影响,从而提高模型的稳定性及应用范围。     

PLS-BP法近红外光谱定量分析研究

建立BP模型用于近红外光谱定量分析时,为克服所建模型与训练样本集产生“过拟合”,先用线性算法为其压缩训练数据是必要的。目前多采用主成分法(PCA)和逐步回归法(SRA)。主成分法具有极强的压缩数据能力,用它压缩成的主成分输入BP网所建模型的预测精度一般能满足要求,但它处理数据时未考虑输出变量的影响。逐步回归法根据系统输出选择变量,但所选变量具有自相关性,而且与训练集样品的排列顺序有关,很难选出最好的变量,往往难满足预测精度要求。本研究用偏最小二乘法(PLS),根据输出变量将原始数据压缩为主成分,输入BP网并用所建模型预测30个小麦样品的蛋白质含量。结果表明,与PCA-BP模型的预测决定系数(R2)从92.50提高到97.10,训练迭代次数从12 000减少到4 500。     

一种光谱分析中的降维方法

在可见/近红外光谱分析中,提取光谱数据中的有用信息是建立稳健准确模型的前提。ISOMAP是一种有效的提取数据本真维的降维方法,但对噪声和邻域参数都比较敏感。提出了一种改进的ISOMAP有监督降维方法,利用光谱数据本身的相关性指导邻域图的构建,降低对噪声和邻域参数的敏感程度,以正确表达数据的邻域结构。采用该方法对两组光谱数据降维并进行PLS建模,结果表明,改进后的算法消弱了邻域大小的影响,提取出的本真维数更小,同时提高了模型精度。