基于光谱技术的航天育种番茄品种鉴别方法的研究

为了实现航天育种番茄不同品种的快速光谱鉴别,采用主成分分析法对光谱数据进行聚类分析,并将小波变换用于对大量光谱数据的压缩,同时结合神经网络建立了番茄品种鉴别模型.该模型将压缩后的数据作为神经网络的输入,加速了神经网络的训练速度.通过对太空育种突变株M1和M2及其亲本番茄品种的共105个番茄叶片样本建立训练模型,并用每个品种15个样本,共45个番茄叶片的样本进行预测.结果表明,用该方法对航天育种番茄不同品种的鉴别正确率达到97.8%.说明文章提出的方法具有很好的分类和鉴别作用,为航天育种番茄不同品种的快速鉴别提供了一种新方法.     

基于可见-近红外光谱的咖啡品牌鉴别研究

利用可见-近红外光谱技术对市场上三种不同品牌咖啡品种进行鉴别。分别采用主成分分析法与BP神经网络结合和小波变换与BP神经网络结合两种组合模型进行分析预测。利用主成分分析法与小波变换的数据压缩功能和BP神经网络的学习预测能力实现对不同品牌咖啡的鉴别。实验采用３个品种共60个样本建立模型,30个样本进行品种鉴别,结果表明,两种鉴别模型的咖啡品种鉴别率均为100%。同时也表明,小波变换用于数据压缩无论是在压缩时间上还是在压缩能力上都优于主成分分析法。说明通过小波变换和BP神经网络相结合建立模型进行不同品牌咖啡鉴别具有分析速度快,鉴别能力强的特点,为快速鉴别纯品咖啡提供了新的方法,同时也为确定不同品牌咖啡选用咖啡豆品种奠定了基础。     

可见/近红外光谱分析技术快速鉴别航天育种番茄

提出了利用可见/近红外光谱技术快速无损鉴别航天育种番茄品种的方法,采用偏最小二乘法对光谱特征信息进行提取,与神经网络结合建立番茄品种的鉴别模型.该模型将提取后的主成分作为神经网络的输入,加速了神经网络的训练速度.同时采用小波变换对大量光谱数据进行压缩,并结合神经网络建立番茄品种鉴别模型,该模型将压缩后的数据作为神经网络...     

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。     

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。     

应用可见/近红外光谱进行黄酒品种的判别

为了实现对黄酒品种的快速判别,采用可见/近红外光谱对不同品种的黄酒获取光谱曲线,然后采用主成分分析方法对光谱数据进行聚类分析,并将其提取的主成分作为BP神经网络的输入值,建立了黄酒品种鉴别模型。该模型将前6个主成分作为神经网络的输入变量,加速了神经网络的学习速度,提高了模型的预测精度。随机选取每个品种的15个黄酒样本,共45个样本组成预测集,剩余的145个黄酒样本组成训练集建立训练模型,并用预测集样本对其进行验证。将品种鉴别的偏差标准定为±0.1,结果表明,只有1个未知样本超出偏差范围,该方法的品种鉴别正确率为97.78％,获得了满意的结果。说明文章提出的方法具有很好的分类和鉴别作用,为黄酒品种的快速鉴别提供了一种新方法。     

应用可见-近红外光谱快速识别沙棘汁品牌

为了实现沙棘汁品牌的快速无损鉴别,提出了采用可见-近红外光谱分析技术(NIR)鉴别沙棘汁品牌的方法。采用FieldSpec3光谱仪对三种沙棘汁进行光谱分析,各获取40个样本数据。采用平均平滑法和多元散射校正(MSC)方法对样本数据进行预处理,再用主成分法(PCA)对光谱数据进行聚类分析并获得各主成分数据。将120个沙棘汁样本随机分成90个建模样本和30个预测样本,把基于累计可信度选择的建模样本的8个主成分(PCs)数据作为BP网络的输入变量,沙棘汁品牌作为输出变量,建立三层反向传播(BP)神经网络鉴别模型,并对30个预测样本进行预测。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%。所以应用近红外光谱技术结合主成分分析和BP神经网络算法识别沙棘汁品牌是一种有效的方法。     

近红外光谱结合小波神经网络鉴别苹果种类

将近红外光谱与小波神经网络技术结合,实现对不同种类苹果鉴别.将80个样本随机分为建模样本集和预测样本集.其中建模样本集包含60个样本,预测样本集包含20个样本.应用小波变换与主成分分析对样品数据进行预处理与特征提取.建立一个10-45-2的三层小波神经网络,实现对未知样品预测.实验结果表明,该方法对苹果的种类鉴别率达到100％,说明这种方法有很好的鉴别作用,对苹果种类的准确、无损检测具有积极的实用性.     

基于光谱技术的杨梅汁品种快速鉴别方法的研究

为了实现杨梅汁品种的快速无损鉴别,提出了一种用可见和近红外光谱技术快速鉴别杨梅汁品种的新方法。首先采用偏最小二乘法进行模式特征分析,经过交互验证法判别,确定最佳主成分数为9。完成特征提取后,将这9个主成分作为神经网络的输入变量,建立了三层BP神经网络,实现类别预测的同时也完成了数学建模与优化分析工作。3个品种的杨梅汁样本数均为20,共计60个样本。在神经网络学习中,将其分成训练集样本51个和预测集样本9个。对9个未知样本进行预测,准确率为100％。说明本文提出的基于光谱技术和模式识别的方法具有很好的分类和鉴别能力。     

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。     

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。     

基于近红外光谱的商品玉米品种快速鉴别方法

现有的玉米种子品种鉴别方法检测时间长,费用高,不易大批量快速鉴别。提出了一种基于近红外光谱数据快速鉴别商品玉米品种的新方法。先使用傅里叶变换近红外光谱仪获得从4 000到12 000 cm-1波段范围的37个商品玉米品种籽粒的漫反射光谱数据。对原始光谱进行矢量归一化预处理以消除噪声干扰,为了找到玉米品种籽粒的光谱特征波段,提出一种基于标准差的方法,进而对寻找到的玉米籽粒特征波段光谱做主成分分析(PCA),取能反映玉米品种 99.98％ 光谱信息的前10个主成分。最后使用仿生模式识别 (BPR)方法建立了37个玉米品种鉴别模型,对于每个品种的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900个样本作为第二测试集。该鉴别模型对于37个玉米品种的平均正确识别率为94.3%。该方法的进一步研究有利于建立以近红外光谱为基础的物理指纹品种鉴别技术。     

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。     

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。