应用可见-近红外光谱技术快速无损鉴别婴幼儿奶粉品种

为了快速无损鉴别婴幼儿奶粉品种,提出了结合偏最小二乘(PLS)法和人工神经网络(ANN)综合预测婴幼儿奶粉品种的新方法。获取婴幼儿奶粉样本在400～1 000 nm波段的漫反射光谱,采取平均平滑法和多元散射校正(MSC)进行预处理,用PLS建立校正模型进行模式特征分析及主成分的提取。经过交互验证法判别,提取7个主成分作为神经网络的输入变量,奶粉的品种值作为输出,建立了三层BP神经网络。9个典型品种的婴幼儿奶粉各取样本30个,共计270个作为训练集。随机抽取的各个品种的10个样本,共90个作为预测检验样本,结果表明,90个未知样本的品种预测准确率为100％。说明提出的方法具有很好的分类和鉴别作用,为婴幼儿奶粉的品种快速无损鉴别提供了一种新方法。     

用人工神经网络方法测量生物组织光学参数γ

提出了一种利用亚扩散空间分辨漫反射预测生物组织约化散射系数μ_s'和相函数参量γ的人工神经网络方法 .采用蒙特卡罗方法得到光子经生物组织漫反射的数据样本,利用这些数据样本训练反向传播神经网络,用于从亚扩散散射光中预测γ的信息.为了解决同时预测μ_s'和γ两个参数时会产生较大误差的问题,分段数据训练两个BP网络,依次识别μ_s'和γ.研究发现3.64l_(th)(l_(th)表示平均输运自由程)是对γ的不敏感点,可用该点附近的数据样本训练网络用于预测μ_s',用2l_(th)范围内的数据样本训练网络用于预测γ.蒙特卡罗仿真结果表明,在1.3≤γ≤1.9范围内,预测结果与真实值的相对均方根误差在1%以内.与现有的测量方法相比,所提的人工神经网络方法更加简单,且提高了预测精度.     

基于枸杞红外光谱人工神经网络的产地鉴别

应用红外光谱技术,快速鉴别枸杞药材产地。利用傅里叶变换红外光谱, 测定了45个来自青海省不同产地的枸杞样品的红外光谱。以常规预处理方法和小波变换对红外光谱原始数据进行了预处理。对比常用的窗口移动平滑预处理、标准正态变换以及多元散射校正, 小波变换是一种有效实用的光谱预处理方法。为了提高神经网络的训练速度, 在利用人工神经网络建立模型之前, 通过小波变换的方法对光谱变量进行了压缩, 同时对建立的模型的相关参数进行了详细的讨论。结果表明,红外光谱数据压缩到原来的1/8,其分析精度与原始光谱数据基本相当。以压缩了的光谱数据作为反向传播(BP)网络的输入变量,产地类别作为神经网络的输出变量,建立3层人工神经网络。其中隐含层神经元个数为5个,输出层神经元个数为1个。隐层的传递函数是tansig,输出层传递函数是purelin,网络训练函数trainlm,权阈值的学习函数是learngdm。net.trainParam.epochs=1 000,net.trainParam.goal=0.001。对10个未知枸杞产地类别进行了预测,预测结果准确率达100%。实验表明, 建立的模型能够正确地对枸杞样品快速地进行产地鉴别。红外光谱法结合人工神经网络可作为中药材产地分类鉴别的一种新的现代化方法。     

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。     

基于可见-近红外反射光谱技术的葡萄品种鉴别方法的研究

提出一种利用可见-近红外反射光谱技术快速无损鉴别葡萄品种的新方法.采用主成分分析法对三个葡萄品种的光谱进行聚类分析.结果表明, 黑提葡萄能够被区分.进一步采用人工神经网络技术对马奶子和木拉格两种葡萄进行品种鉴别.以前10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神经网络模型.结果显示, 这两个品种的识别准确率达到98.28 %, 结果优于簇类独立软模式(SIMCA).同时提出葡萄品种鉴别的四个敏感波段: 452、493、542和668 nm.基于敏感波段光谱的BP神经网络预测准确率为97.41%.说明采用可见-近红外光谱分析技术结合主成分分析和人工神经网络的方法能够快速无损鉴别葡萄的品种, 为葡萄品种的鉴别提供了一种新方法.     

人工神经网络对VOCs的自动识别

利用人工神经网络(ANN)对严重混叠的傅里叶变换红外光谱图进行了定性和定量解析。通过大量模拟数据训练神经网络后,引用了新的评价标准——逼近度来选择最优网络模型。利用此优化网络对两类光谱图进行了解析,考察了网络的泛化能力。结果表明：该网络不仅能够对两组分同时存在时的样本进行准确解析,而且对于未知单组分光谱图,也能够进行准确鉴别和定量分析。可见, 该研究为人工神经网络在单组分和多组分未知物的定性和定量分析方面提供了一种新思路。     

基于近红外光谱技术和人工神经网络的玉米品种鉴别方法研究

提出了一种采用近红外光谱技术结合人工神经网络对玉米品种进行鉴别的方法。在3 800～10 000 cm-1(波长1 000～2 632 nm)范围内采集四种玉米单粒完整籽粒的近红外漫反射光谱,经Savitky-Golay平滑和多重散 射校正预处理后,对数据进行主成分分析,再结合人工神经网络技术进行品种鉴别。主成分分析表明,前8个主成分的累积贡献率达到99.602%。以前8个主成分作为网络输入,品种类型作为输出,建立三层LMBP神经网络模型。每个品种 各取30粒共120个样本用于建模,10粒共40个样本用于预测。模型对建模集120个样本鉴别率为100%,对预测集40个样本的鉴别率为95%。实验结果说明该方法能快速无损地鉴别玉米品种,为玉米的品种鉴别提供了一种新方法。     

夸克胶子喷注的人工神经网络识别研究

为了将人工神经网络用于高能物理中对喷注的分类识别,用从高能正负电子对撞的蒙特卡洛模拟中得到的不对称三喷注事件中的夸克喷注和胶子喷注的平均多重数、平均横动量和两类喷注所对的夹角的平均值作为输入BP神经网络的3个特征参量,对2?.5—2?2?.5GeV能区的8个能量间隔进行等精度的训练.用训练好的神经网络模型对不对称三喷注事件中的夸克喷注和胶子喷注样本进行检验判定,并对混合喷注样本进行分类识别.所得结果表明,有望将人工神经网络用于高能正负电子对撞产生的喷注的分类分析.     

可见-近红外光谱用于鉴别山羊绒与细支绵羊毛的研究

近红外光谱作为快速、无损的检测技术,近年来在国内外越来越受到广泛关注。针对山羊绒与细支绵羊毛的可见／近红外光谱的特点,提出了应用主成分分析(PCA)结合人工神经网络（ANN）进行山 羊绒与细支绵羊毛的鉴别,并建立了羊毛、羊绒分析模型。应用可见／近红外反射光谱获取山羊绒与细支绵羊毛的光谱曲线,利用主成分分析对原始光谱数据进行处理,根据主成分的累计贡献率99.8%选 取主成分数6,并将所选取的6个主成分作为三层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,用优化的BP神经网络模型对预测集样本进行预测。实验结果表明,16个未知样本的鉴别全部 正确,表明可见／近红外光谱结合主成分分析和神经网络技术对山羊绒与细支绵羊毛进行快速鉴别是可行的。     

基于主成分分析和人工神经网络的激光诱导击穿光谱塑料分类识别方法研究

研究了人工神经网络在激光诱导击穿光谱(LIBS)塑料分类识别方面的应用。选用七种常见的塑料作为实验样品,获得每种样品的170组LIBS光谱数据,利用主成分分析获得前五个主成分的得分矩阵。用每种塑料样品的130组光谱数据的主成分得分矩阵作为训练集,建立反向传播(BP)人工神经网络模型。将其余40组主成分得分作为测试数据输入训练好的模型进行分类识别,其识别准确度达到97.5%。实验结果表明,通过采用主成分分析与BP人工神经网络相结合的方法,可以很好地进行塑料激光诱导击穿光谱的分类识别,对塑料的回收利用有重要价值。     

基于白术FTIR的径向基函数神经网络鉴别研究

为了鉴定白术及其伪品,采用径向基函数神经网络(RBF)分别测试了白术及其伪品的傅里叶变换红外光谱。采用36个样本作训练集,27个样本作检验集,用各种模式的BPF进行了监督性训练。当训练目标误差平方和定为0.01时,各类RBF对训练集中白术样本识别的正确率均为100%,但对检验集样本识别的结果各不相同,其识别的正确率与隐含层节点数S₁有关。发现当S₁较大时,识别正确率反而下降,可能此时网络的非线性程度过高,使其不适合于该类样本集的训练。线性—线性型RBF识别的结果随S₁的变化不是很大,但识别的正确率不高,基本在85%左右。非线性—线性型RBF识别的结果最佳。当S₁为3时,其识别正确率超过了97%。因此该法可用于简便、快速、准确地识别白术及其伪品。     

苦丁茶红外指纹图谱共有峰率和变异峰率双指标序列分析法

利用共有峰率和变异峰率两个指标,以不同苦丁茶样品的红外指纹图谱为标准,计算出所测样品相对于标准品的共有峰率和变异峰率。按照共有峰率的大小,建立了不同的共有峰率和变异峰率双指标序列方法。该方法可以准确地区分不同产地和不同级别的苦丁茶,可以对两个或多个中药样品进行方便可靠的鉴别,是一种符合中药自身特点的光谱指纹图谱分析方法。     

基于径向基神经网络的太阳能电池缺陷检测

为了检测太阳能电池的缺陷,建立了太阳能电池板的电致发光(EL)图像与其缺陷类型间的神经网络预测模型,可以对太阳能电池板不同类型缺陷进行自适应检测。首先,采用主成分分量分析(PCA)算法对电致发光(EL)图像训练样本集降维;然后,将降维后得到的数据输入神经网络预测模型进行学习,对模型的参数进行优化选取;最后,将训练好的网络对测试样本集进行仿真。仿真结果表明:在采用相同的训练样本集和测试样本集条件下,与反向传播神经网络(BPNN)相比,径向基神经网络(RBFNN)具有全局最优特性,结构简单,最高识别率达96.25%,计算时间较短,能满足在线检测的要求。     

人工神经网络法鉴别红外光谱

本文将反向传播人工神经网络（ＢＰ－ＡＮＮ）用于ＦＴＩＲ,鉴别未知化合物。结果表明,当训练集样本不含噪声时,纯光谱的预测结果很好。而当训练集样本有少量噪声干扰时,预测结果随预测集样本的不同,而得到不同的改善。     

Identification of Rhubarb Samples by Using NIR Spectrometry and Takagi–Sugeno Fuzzy System

Abstract

The Takagi–Sugeno fuzzy system is implemented based on several back‐propagation neural networks (BP‐NNs) and has been applied to identification of official and unofficial rhubarb samples based on their near‐infrared spectra. Rhubarb is one of the most important Chinese medical herbs. It is of importance to identify official and unofficial rhubarb samples based on nondestructive near‐infrared spectrometry for quality control in Chinese herbal products. Near‐infrared diffuse reflectance spectrometry and the Takagi–Sugeno fuzzy system were used to classify 52 rhubarb samples, and the effects of the number of hidden neurons and of momentum parameters on prediction were investigated. The results obtained by using the Takagi–Sugeno fuzzy system were better than those by commonly used BP networks. With proper network training parameters, 100% correctness can be obtained by using the Takagi–Sugeno fuzzy system.     

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。     

基于大黄的红外光谱的人工神经网络鉴别研究

将傅里叶变换红外光谱法和人工神经网络用于鉴别正品和非正品大黄样品。在对神经网络训练前用小波变换对测量的红外光谱进行压缩,将原700个数据点的光谱压缩到44个变量,因此加速了神经网络的训练速度。52个大黄样品被用于网络模型的建立,其中包括25个正品大黄和27个非正品大黄的样品。文章还对隐含层神经元数目和动量参数的影响做了考察。结果表明,在优化的条件下用该方法对大黄样品的鉴别正确率达到98％。这种方法可被用于含大黄中药生产的质量控制。     

人工神经网络结合近红外光谱用于木材树种识别

测量了不同产地及品种的89个木材样品的近红外光谱,并分别使用反向传播人工神经网络(back propagation artificial neural networks,BPANN)与广义回归神经网络(generalized regression neural network,GRNN)建立了NIRS树种识别模型。通过方差分析分别选择两种神经网络所用参数,并采用最优参数进行网络训练。考虑到样品光谱的差异,对含不同水平白噪声与不同水平偏置的光谱进行模拟,并使用建立的模型对模拟光谱进行预测。发现两种神经网络模型均有较好的预测结果,其中BPANN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在97％以上;GRNN模型,对含偏置水平不高于2％、噪声水平不高于4％的模拟光谱识别正确率在99％以上。