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.     

人工神经网络分类鉴别苦丁茶红外光谱

为了分类鉴别苦丁茶,采用竞争神经网络(CNN)和反向传播人工神经网络(BP网络)两种模式的人工神经网络(ANN)分别分析了各种苦丁茶的红外谱图.作者采用25个样本作训练集,11个样本作检验集,用两种网络进行了训练.结果表明,CNN网络和BP网络均能够有效地实现苦丁茶产地的鉴别,但CNN网络能够进一步地区分苦丁茶的级别.实验表明,CNN速度快,预测结果准确,可望用竞争神经网络(CNN)和红外光谱法结合分类鉴别苦丁茶.     

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。     

非线性荧光光谱的神经网络分析及其应用

大功率超快脉冲激光和气体相互作用可产生非线性荧光光谱，不同的气体分子具有不同的非线性荧光光谱。因而这种光谱可以作为物质的指纹模式加以识别分类，进而获知气体的成分。由于不同气体分子的光谱在同一波段上有很大的交叉重叠，用传统的光谱分析方法分析存在困难，采用神经网络方法分析上述非线性荧光光谱，利用经过预处理的荧光光谱数据作为模式样本，其中一部分样本作为学习样本对级联神经网络进行训练，用训练好的网络对所有样本进行实时识别，学习样本和测试样本的的正确识别率均可达100％，结果表明此方法可实时判断混合气体的组分。     

数据驱动模型的血液物种光谱检测技术

介绍一种基于光谱检测和数据驱动模型的非接触式血液物种识别技术。选取了4个物种(猴144，大鼠203，狗133，人169)共计649个血样作为原始样本。超连续谱激光光源的波长范围是450～2 400 nm。分别采集抗凝管盛装血液样本的后向散射可见光谱(294～1 160 nm)和十个不同空间位点的前向散射近红外光谱(1 021～1 757 nm)，将十一条光谱数据顺序连接为一维数据作为每个样本的原始数据。利用主成分分析法对数据集进行特征信息提取，保留原始差异信息量的99.99%，同时将数据量压缩为原始数据量的1.5%，提高分类识别的运算效率。对不同数量的训练集和验证集进行训练预测实验表明，十折交叉验证的识别误差率随着样本数量的增加而降低，样本库规模的增大可以提高识别的精确度。由于数据驱动模型是基于机器学习算法的数据流处理模型，因而可以采用多种不同的分类算法实现。通过比较人工神经网络、支持向量机、偏最小二乘回归、多元线性回归、随机森林和朴素贝叶斯的识别效果可以发现，不同算法的识别效果具有类别差异性，即各个算法的正确识别率排序在不同的物种中是有差异的。因而实际应用中，在选择数据驱动模型时，除了需要考虑算法的整体识别率之外，当对部分类别的识别效果有额外要求时，还应该考虑算法本身的类别差异性。     

多角度光散射颗粒的粒径解析和属性识别

通过提取光散射信号中颗粒粒径和属性的非线性特征向量,利用广义神经网络(GRNN)同时解析颗粒粒径和识别属性。采用经验模态分解(EMD)方法分解颗粒物的光散射信号,提取三维能量分布,计算3种相同粒径不同属性颗粒的样本熵,发现样本熵能够反映颗粒的属性;为了消除粒径和属性对散射的影响,对散射信号进行Hilbert变换,提取时频域特征,与样本熵结合组成高维特征集,通过局部线性嵌入(LLE)算法将特征集归为6个特征向量,作为广义神经网络的输入层,解析粒径和识别属性;采用粒径为0.11μm的二氧化硅颗粒、2μm和4μm的聚苯乙烯小球进行实验,结果表明,粒径解析和属性识别的正确率均在90%以上。     

用于复杂光谱数据压缩的自适应小波算法

对于超短脉冲激光与气体相互作用产生的复杂光谱，提出了基于递归最小方差方法的自适应小波算法，实现了对该类光谱数据的高效压缩. 在对三种气体，共计27组光谱数据进行压缩后，数据由最初的3968个点被压缩成124个点，压缩比为32∶1. 选择其中13组作为样本送入支持向量机神经网络进行训练，用剩下的14组进行检验，正确率为100%. 关键词： 非线性荧光光谱 小波分析 递归最小方差算法 线性神经网络     

基于全谱数据挖掘技术的土壤有机质高光谱预测建模研究

可见/近红外高光谱技术与建模方法是当前土壤近地传感器研究领域的重要方向,可应用于土壤养分信息的快速获取和农田作物的精确施肥管理。以浙江省水稻土为研究对象,利用以非线性模型为核心的数据挖掘技术,包括随机森林、支持向量机、人工神经网络等方法分别建立了不同建模集和验证集的原始光谱与有机质含量的估测模型。结果表明:研究比较的1∶1,3∶1和全部样本建模并全部验证的三种样本模式划分对建模的结果有一定的影响。相较于目前常用的偏最小二乘回归(PLSR)建模方法而言,非线性模型RF和SVM也取得了较好的建模精度,三种模式下其RDP值均大于1.4。特别是采用SVM建模方法所得模型具有很好的预测能力,模式二下其RDP值达到2.16。同时引入ANN方法改进建立的PLSR-ANN方法显著提高了PLSR的模型预测能力。     

基于激光诱导荧光技术的煤矿水源识别研究

快速准确的识别煤矿含水层水源对于煤矿突水预警及灾后救援意义重大,针对传统水源识别耗时较长,不适宜构建在线式预警系统,提出使用激光诱导荧光技术用于煤矿水源类型识别的方法。利用激光激发待测水样,获取其荧光光谱,结合模式识别对水源进行快速辨识。实验采集了淮南矿区谢桥煤矿的两种纯水样本-老空水与砂岩水,并根据不同混合比配成5种混合水样进行实验。首先针对获取的水源荧光光谱中可能会存在的各种噪声及干扰信息,采用SG、 Normalize、 Gapsegment求导、 Detrend和MSC 5种常用的光谱预处理算法对光谱数据进行处理。其次针对荧光光谱数据量过大,对数据进行PCA降维,作为对比6种预处理方式(含原始光谱)主成分数皆取3,结果显示SG预处理累计贡献度最大,为97.26%;其次是原始光谱,为92.38%, Normalize与Detrend累计贡献度相差不大,分别为88.04%和87.59%, MSC为66.41%, Gapsegment最差,为22.65%。最后分别对PCA降维后的数据使用线性LDA以及非线性RBF-SVM模型进行识别对比。使用LDA进行建模, SG-PCA-LDA正确率最高,达到了98.86%,依据建立的LDA模型,对验证集数据进行识别, SG-PCA-LDA的正确率依然最高,为100%。使用RBF-SVM进行建模, Original-PCA-RBF-SVM, SG-PCA-RBF-SVM, Normalize-PCA-RBF-SVM正确率最高,皆为97.14%,依据建立的RBF-SVM模型,对验证集数据进行识别, Original-PCA-RBF-SVM和SG-PCA-RBF-SVM正确率依然最高,为97.14%。对比两类模型可以发现, LDA验证集正确率较建模集有一定的提升,而RBF-SVM验证集正确率较建模集有小幅度降低,说明LDA模型对于此煤矿水源荧光光谱数据的泛化能力较好,且成功率较高。结果表明, SG-PCA-LDA模型结合激光诱导荧光技术是一种较佳的应用于本地煤矿水源识别的方法,且验证了对老空水、砂岩水的纯水样和混合水样识别的可能性,可以推广到煤矿其他混合水源的识别中。     

高光谱结合主成分分析的苎麻品种识别

苎麻（Boehmeiria nivea L）是我国的特产，作为一种传统的纤维作物，一直有着较高的经济地位。开发一种基于高光谱的、新型高效的苎麻品种识别方法，有利于苎麻栽种、种质资源开发利用，为实现苎麻高产优质及麻田精准管理提供关键技术支撑，对提高苎麻产量和品质有重要意义。为了将高光谱技术应用于苎麻品种识别，采集了9个不同基因型苎麻品种，利用地物光谱仪测定苎麻叶片高光谱反射率，共1 458个叶片高光谱数据，利用主成分分析(PCA)对高光谱数据进行降维，探讨PCA最佳主因子个数的确定方法，比较不同主因子个数与不同判别分析(DA)方法--即线性判别分析(LDA)、二次判别分析(QDA)和马氏距离判别分析(MD-DA)组合，在建立基于叶片高光谱的苎麻品种识别模型中效果。对全波段的数据样本进行主成分分析之后，以2～20个主成分作为特征变量，分别建立LDA，QDA和MD-DA三种品种判别模型进行预测，以预测集正确率为评价标准，比较各种组合的效果。结果表明，若以累积贡献率≥85%为标准，选择2个主成分时，LDA，QDA和MD-DA三种判别模型预测集正确率分别为32.92%，38.48%和33.54%；以特征值≥1为标准，选择11个主成分时，三种判别模型预测集正确率分别为68.72%，87.04%和83.54%；若以预测集正确率为优先考虑标准，将主成分个数增加至20个时，三种判别模型正确率有较大提高，分别为84.98%，95.68%和95.27%。由此，得到如下结论：①利用PCA组合DA方法建立基于苎麻叶片高光谱的品种识别模型是可行的，但因子数不同、DA判别标准不同、组合方法不同效果差异非常大；②主因子个数对识别结果的影响较为明显，适当增加主成分个数可以显著提高模型判别正确率，因此不应局限于PCA特征值和方差累积贡献率的选择方法；③主因子个数相同时，三种判别标准中，QDA效果最好，LDA效果最差；④最佳组合是20个主成分+QDA方法，其数据维度大大降低（由全波段的2 031维降低20维），而预测集正确率为95.68%。     

基于贝叶斯神经网络的近红外光谱实木地板表面缺陷检测

实木地板的表面缺陷直接影响其力学性能和产品等级,表面缺陷的快速检测对实木地板的在线分选具有重要的现实意义。针对视觉方法检测实木地板表面缺陷识别率低的问题,提出了一种基于近红外光谱分析技术的检测方法。首先,分别采集规格为200mm×100mm×20mm的表面带有活节、死节以及无缺陷的实木地板的光谱数据各60份,其中30份作为训练样本,30份作为测试样本;其次,使用高斯滤波(GSF)、分段多元散射校正(PMSC)和去趋势法(DT)等方法对采集到的光谱数据进行预处理,降低光谱噪声、消除光谱的散射影响;然后,利用改进遗传算法从处理后的光谱中提取特征波长用于构建缺陷识别与分类模型;最后,使用基于贝叶斯理论改进的神经网络构建实木地板缺陷识别和分类模型。实验使用含有活节、死节以及无缺陷的实木地板样本对模型进行训练和测试,结果表明:通过贝叶斯神经网络构建的缺陷识别与分类模型能够准确识别活节、死节和无缺陷三类实木地板,识别率分别为92.20%,94.47%和95.57%。证明了实木地板表面缺陷类型与其近红外吸收光谱密切相关,并为下一步实现实木地板表面缺陷的准确定位提供快速检测方法。     

近红外光谱技术鉴别花椒产地

采集四川、重庆、云南、贵州、陕西五省市8个不同产地205个花椒样品的近红外光谱，使用主成分分析(principal component analysis, PCA)、判别偏最小二乘法(discriminant partial least squares, DPLS)分析了花椒产地的分类鉴别。结果表明：在12 500～3 800 cm-1波数范围内，采用不同的光谱预处理方法可以建立较为稳健的DPLS模式识别模型，对不同产地的花椒有较好的分类鉴别。其校正集交叉验证除了经一阶微分预处理的模型识别率为99.39%外，其他预处理方法识别率均为100%，独立验证集总体识别正确率在85.37%~97.56%之间，其中经标准正态变量变换(standard normal variate, SNV)、多元散射校正(multiplicative scatter correction, MSC)预处理后的DPLS判别模型效果最好，误判数仅分别为1个，表示该方法在花椒产地识别中具有可行性。     

基于LIBS与化学计量学的植物叶片分类研究

激光诱导击穿光谱（LIBS）是一种高效快速的光谱采集手段,可应用于各类物质的元素分析工作中。线性判别分析（LDA）与支持向量机（SVM）是化学计量学中两种常用的有监督算法,均通过对已知不同种类的样本数据进行学习建模,进而实现对未知类别数据的归类。为了实现LIBS技术对有机物的高准确率识别,将这两种算法应用到LIBS光谱数据的分类中。实验利用波长为1 064 nm的纳秒激光烧蚀女贞、珊瑚树、竹子三种植物的叶片,并采集每种树叶220～432 nm波段的100组光谱数据。通过对300组样本的原始光谱数据进行主成分提取,由第一主成分（PC1）和第二主成分（PC2）的得分图得出三种植物光谱的相似度非常高。然后,利用每种叶片70组样本的光谱数据作为训练集建模,其余30组光谱数据作为测试集来进行树叶种类的预测识别。将PCA对原始光谱数据提取得到的前20个主成分作为LDA与SVM建模的属性值。对于LDA算法,将属性值分析后得到前两个判别函数值,通过聚类分析发现不同种类的植物叶片光谱数据在空间上的分离效果较好,同一种类基本聚集在一起。再借助马氏距离可得到测试集的平均分类正确率为96.67%。与此类似,使用SVM方法对训练集样本的数据进行学习得到分类超平面,对测试集的平均分类正确率达到98.9%。研究结果表明,经过PCA对数据的预处理,再结合LDA,SVM这两种方法可实现LIBS技术应用于复杂有机物的快速准确分类,并且PCA与SVM结合的分类正确率更高。该方法可在食品快速溯源、生物组织原位鉴别、有机爆炸物远程分析等领域应用。     

主成分提取在遥感FTIR谱图解析中的应用

建立了基于人工神经网络(ANN)的遥感FTIR谱图解析方法.针对人工神经网络(ANN)训练时间过长和模型"过拟合"的问题,采用偏最小二乘法(PLS)和主成分分析法(PCA),对输入ANN的光谱数据进行了主成分提取,使ANN分析时间从30多分钟缩短为10多秒钟;模型传递技术的引入,克服了遥感FTIR谱图分析中反复建模问题.经过优化的方法,实现了用EPA数据建模,对大气中的四组分混合体系--丙酮、苯、三氯甲烷和甲醇的遥感、实时、准确测定,PLS-ANN模型得到的结果最好,对丙酮、苯、三氯甲烷和甲醇的预测误差分别为0.043,0.031,0.034,0.051,保证了遥感FTIR对大气中有毒气体混合物实时、准确、快速监测.     

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,采用同定尺寸移动窗口渐进因子法(fix-sized moving window evolving factor antilysis)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.     

云计算的蚕豆虫害可见-近红外光谱分类

利用蚕豆叶片可见-近红外反射光谱结合导数光谱对健康、少量、大量虫害三种等级的实验样本进行光谱特征分析，并选择虫害检测最优波段。采用Hadoop，Spark和VMWare虚拟机搭建云计算平台，使用MLlib机器学习库实现人工神经网络(ANN)和支持向量机(SVM)分类算法，并对三种等级蚕豆叶片全波段和最优波段光谱进行分类建模与预测。结果表明ANN虫害光谱分类模型准确率优于SVM虫害光谱分类模型，并且在云平台上运行效率更高，同时全光谱波段的预测准确性高于最优波段。通过扩展光谱数据集，云计算技术在光谱数据挖掘中的计算效率有显著提升。云计算分类检测可以为作物生物胁迫光谱识别提供新的技术和方法。     

高光谱图像和叶绿素含量的水稻纹枯病早期检测识别

基于高光谱成像技术和化学计量方法，实现了对水稻纹枯病病害的早期检测识别。以幼苗时期的水稻植株为研究对象，对其进行纹枯病病菌侵染，获得染病植株，采集358～1 021 nm波段范围的高光谱图像，三次实验共240个样本，包括染病植株120个样本和健康植株120个样本。根据高光谱图像的光谱维，对染病水稻叶片和健康水稻叶片提取感兴趣区域（ROI），利用感兴趣区域的光谱数据，对其进行Savitzky-Golay（SG）平滑、Savitzky-Golay（SG）一阶求导、Savitzky-Golay（SG）二阶求导、变量标准化（SNV）和多元散射校正（MSC）预处理，建立线性判别分析（LDA）和支持向量机（SVM）分类模型，结果表明：采用SG二阶求导预处理后的线性判别分析（LDA）模型取得了较好的性能，正确识别率在建模集达98.3%，在预测集达95%；利用载荷系数法（x-loading weights, x-LW）对原始光谱和5种预处理的光谱数据进行特征波长提取，然后根据选取的特征波长建立线性判别分析（LDA）和支持向量机（SVM）分类模型，其中采用SG二阶求导预处理后提取的12个特征波长的线性判别分析（LDA）模型取得了较好的性能，其正确识别率在建模集达97.8%，在预测集达95%，而且基于载荷系数法建立的模型性能与全波段相当，可以通过载荷系数法减少数据量对水稻纹枯病病害进行识别；根据高光谱图像的图像维，研究了基于图像主成分分析、基于概率滤波和基于二阶概率滤波的图像特征提取方法，利用提取的特征变量建立反向传播神经网络(BPNN)和支持向量机（SVM）分类模型，其中基于图像主成分分析的反向传播神经网络（BPNN）模型取得了较好的性能，建模集准确识别率达90.6%，预测集的准确识别率达83.3%；根据高光谱图像光谱维和图像维的最优模型，特将叶绿素含量作为建模的另一个特征，分别与光谱特征、图像特征组合，建立反向传播神经网络（BPNN）和线性判别分析（LDA）模型，提出基于光谱特征加叶绿素含量、图像特征加叶绿素含量和光谱、图像特征加叶绿素含量三种组合方式，其中，光谱特征和图像特征分别与叶绿素组合的方式比之前单独的光谱和图像特征建模性能都有所提升，而且三种组合方式中光谱特征加叶绿素含量的反向传播神经网络（BPNN）建模方式取得本研究所有建模方式中较优的性能，其准确识别率在建模集达100%，在预测集达96.7%。以上研究表明，基于高光谱图像和叶绿素含量对水稻纹枯病病害进行早期识别是可行的，为水稻病害的早期识别提供了一种新方法。