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。     

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。     

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。     

基于独立主成分和BP神经网络的干红葡萄酒品种的鉴别

为了实现葡萄酒品种的快速无损鉴别,选用五种干红葡萄酒,进行可见和近红外光谱实验,提出了一种用可见和近红外光谱技术快速鉴别葡萄酒品种的新方法.采用独立主成分分析进行模式特征分析,经过选用不同的独立主成分数进行建模和预测,确定最佳独立主成分数为20.将这20个主成分作为神经网络的输入变量,建立三层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.5个品种的葡萄酒样本数均为35,共计175个样本.在神经网络学习中,将其分成训练集样本150个和预测集样本25个.对25个未知样本进行预测,准确率为100%.该研究在独立主成分分析的基础之上,根据干红葡萄酒各独立主成分的混合矩阵向量载荷图,选取了两个波段(400～430 nm与512～532 nm)作为葡萄酒的独立主成分分析的特征波段.说明该文提出的基于光谱技术和模式识别的方法不仅对葡萄酒具有很好的分类和鉴别能力,并且可以提取出葡萄酒的指纹特征,可用于葡萄酒的检测与技术开发.     

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。     

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。     

应用可见/近红外光谱进行纺织纤维鉴别的研究

为了实现纤维种类的快速鉴别,选用了棉、麻、毛、丝、天丝5种纤维,提出了一种用近红外光谱技术快速无损鉴别纤维品种的新方法。应用可见/近红外光谱漫反射技术测定各种纤维的光谱曲线,用主成分分析方法(PCA)对光谱数据进行模式特征分析,根据主成分的累积贡献率选用前6个主成分数进行建模和预测,通过建立最小二乘支持向量机模型(LS-SVM)对主成分分析模型进行优化,将前6个主成分作为最小二乘支持向量机的输入变量,建立PCA-LS-SVM模式识别模型,实现类别预测的同时也完成了数学建模与优化分析工作。5个品种的纤维训练集样本200个用于PCA-LS-SVM的模型的建立,对其余预测集样本50个进行验证,结果能准确的区分预测集的5种纤维。并提出主成分分析结合最小二乘支持向量机的光谱数据分析方法具有很好的分类和鉴别作用,为纤维品种快速鉴别提供了一种新方法,为维护消费者权益,保证纺织品质量,实现纺织原料及其制品的合理化生产与交易具有重要的意义。     

局部建模方法用于烟草样品的近红外光谱定量分析

采用近红外光谱在主成分空间的距离作为样本相似性的判据,建立了一种用于近红外光谱定量分析的局部建模方法。该方法首先对校正集的光谱进行主成分分析(PCA),然后基于主成分空间中预测样本与校正集样本的距离选择校正子集并建立局部偏最小二乘(PLS)回归模型。对欧氏距离和马氏距离的比较表明,欧氏距离可以更好地表达样本之间的相似性。将所建立的方法用于烟草样品中氯和尼古丁含量的测定,结果表明局部建模方法比常用的全局建模方法具有更好的预测准确性,特别是在低含量成分的预测中具有明显优势。     

一种用于可见-近红外光谱特征波长选择的新方法

提出了一种基于模拟退火(SA)算法和最小二乘法支持向量机(LS-SVM)选择可见一近红外光谱特征波长的新方法(SA-LS-SVM).该方法用LS-SVM作为识别器,用识别率作为SA的目标函数,提取合适的特征波长数以及对应的特征波长.3种不同品牌的润滑油可见-近红外光谱的特征波长分别用SA_LS-SVM,主成分回归分析(PCA)和偏最小二乘法(PLS)进行处理,提取特征波长或主成分,然后结合反向传播人工神经网络(BP-ANN)对各种处理方法进行识别预测.结果发现,SA-LS-SVM只需从751个数据光谱中提取4个特征波长,就可以使三种品牌润滑油的识别率达到了100%,而其他所有的方法发现预测率都达不到100%,由此验证了SA_LS-SVM的优越性.实验结果表明,SA-LS-SVM不仅能有效地减少建模的变量数,而且可以提高预测精度.     

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。     

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。     

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。     

近红外光谱结合主成分分析和BP神经网络的转基因大豆无损鉴别研究

为探究无损鉴别转基因大豆的可行性,利用近红外光谱分析仪对大豆扫描得到反射光谱,应用主成分分析结合BP神经网络方法进行分析鉴别。首先应用主成分分析法,得到包含大豆99.03%的光谱信息的6个主成分,再将其作为BP神经网络的输入,对应的大豆种类作为输出,建立一个三层BP神经网络模型。该模型对于转基因大豆的正确识别率为100%,说明近红外光谱结合主成分分析和BP神经网络的方法能无损快速准确地鉴别转基因大豆。     

近红外光谱结合一类支持向量机算法检测鸡蛋的新鲜度

研究利用近红外光谱技术结合模式识别方法识别鸡蛋的新鲜度,在识别模型建立过程中,引入一类支持向量机(OC-SVM)算法解决新鲜蛋和非新鲜蛋训练样本数量不平衡问题。首先获取鸡蛋在10 000～4 000 cm-1范围内的近红外漫反射光谱,通过主成分分析方法提取光谱数据中的特征信息,优选了3个主成分作为模型的输入向量,然后采用OC-SVM区分新鲜蛋和非新鲜蛋。在模型建立过程中,对相关参数进行了优化,试验结果显示在相同条件下,OC-SVM模型识别结果较传统的支持向量机模型好。最优OC-SVM模型对新鲜蛋和非新鲜蛋的识别率均为80%,传统的支持向量机对新鲜度的识别率为100%,对非新鲜度的识别率却为0%。研究结果表明利用近红外光谱快速识别鸡蛋新鲜度方法是可行的;OC-SVM算法为训练样本数量不平衡提供了一种有效的解决方法。