基于支持向量机的近红外光谱鉴别茶叶的真伪

快速准确地鉴别名优茶的真伪是当前茶叶行业亟待解决的一项重大课题。针对这一现状,提出了一种快速准确鉴别名优茶真伪的新思路。试验中,以碧螺春茶为研究对象,利用近红外光谱分析技术结合支持向量机(SVM)模式识别原理建立碧螺春茶真伪鉴别模型。试验结果显示,通过标准归一化(SNV)预处理,选取6500~5500 cm-1波长范围内的光谱经过主成分分析后,提取11个主成分,选用径向基函数(RBF)作为核函数建立的模型最佳。对训练集中的138个茶叶样本,模型的回判鉴别率达到93.48%;对90个独立样本进行预测时,模型的预测鉴别率达到84.44%。研究结果表明基于支持向量机的近红外光谱鉴别名优茶真伪的方法是可行的。     

近红外光谱的主成分分析-马氏距离聚类判别用于卷烟的真伪鉴别

为了快速准确的鉴别卷烟真伪,以A牌和假冒A牌卷烟为实验材料,采用近红外光谱法结合主成分分析-马氏距离判别分析方法建立了鉴别模型.首先对经过预处理的光谱数据进行主成分分析,分析结果表明,前4个主成分的累积贡献率已达98.46%,说明这4个变量能够代表原始光谱的主要信息.从120个样品中随机抽取100个用于建立4个主成分变量的定性判别模型,模型的相关系数达到了0.95,对20个未知样品的预测结果准确率为100%.说明近红外光谱结合模式识别方法进行卷烟真伪定性鉴别在技术上是可行的,可以作为卷烟真伪鉴别的一种辅助手段.     

蜂蜜真伪的近红外光谱鉴别研究

如何有效鉴别蜂蜜真伪是目前我国蜂产品质量控制的难题之一。提出了一种用傅里叶变换近红外光谱结合判别偏最小二乘法(DPLS)快速鉴别蜂蜜真伪的新方法。首先采集了71个商品蜜样品的近红外光谱数据,其中包括27个纯蜂蜜和44个掺假蜂蜜,然后5次随机划分建模集样本和验证集样本,并对建模样本进行不同光谱预处理,选择并优化不同波段范围和主成分数,用DPLS法建立了5组蜂蜜样本的真伪鉴别模型,外部交叉验证法预测模型。通过对结果进行比较分析,5组校正模型中真蜂蜜和掺假蜂蜜的总体识别准确率分别为91.49%,94.68%,92.98%,93.86%,94.87%;预测样本的识别准确率为86.96%～93.75%,其中模型2,3,4中掺假蜜的识别准确率达100%。研究结果表明,该方法可作为鉴别商品蜜真伪的一种快速筛选技术,在我国蜂蜜质量监控中具有重要意义。     

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。     

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.     

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。     

栽培和野生中药材灯盏花的近红外光谱鉴别模型

分别在2台傅里叶变换近红外光谱仪上采集了43个栽培和野生中药材灯盏花样品的近红外漫反射光谱,提取光谱信息的15个主成分,方差贡献率达到99%以上。以20个灯盏花样品作为建模集,15个主成分作为网络学习输入层的15个节点,在2台仪器上用2套光谱分别建立了识别栽培和野生灯盏花样品的BP-神经网络模型,并对预测集的23个样品用于实际鉴别分析。两台仪器上的建模集样品模型回代正确识别率均为100%,预测集样品的正确识别率分别为100%和95.7%,结果表明,利用近红外光谱法进行栽培和野生中药材灯盏花的快速鉴别是可行的。     

基于特征投影图的小麦近红外光谱变量选择方法研究

为了简化模型,提高模型预测精度,利用特征投影图(LPG)进行变量选择。对原始光谱进行连续小波变换(CWT),利用主成分分析(PCA)得到LPG,假定LPG中共线性光谱变量对建模作用相同,选出少数特征光谱变量建立预测模型,所得模型预测均方根误差(RMSEP)为0.345 4,优于其他建模方法,研究结果表明,LPG变量选择可有效简化近红外光谱模型,提高模型预测精度。     

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。     

近红外光谱和多分类器融合的葡萄酒品种判别研究

将多种单分类器模型融合,并用融合后的模型对不同品种干红葡萄酒进行判别分析。用BRUKER MPA傅里叶变换型近红外光谱仪采集170个干红葡萄酒样品的近红外透射光谱,选取PLS-DA,SVM,Fisher和AdaBoost作为单分类器建模方法,分别建立葡萄酒品种判别模型,通过差异性度量值对单分类器进行筛选,得到差异性较大的四个单分类器作为基分类器,其中基分类器对测试集葡萄酒品种判别准确率最高为88.24%,最低为81.18%。然后通过加权投票机制对基分类器进行融合,融合后的模型对测试集葡萄酒品种判别准确率提高至92.94%,误判样品个数由单分类器最少的9个降为6个。实验结果表明多分类器融合所建立的模型优于传统近红外光谱定性分析一般采用单分类器模型结果,提高了葡萄酒品种判别的准确性,采用基于近红外光谱的多分类融合方法对葡萄酒种类判定具有可行性。     

偏最小二乘法和THz-TDS在正品大黄鉴别中的应用

太赫兹技术的发展近年来受到广泛的关注并被应用于热点。中草药大黄的品质鉴定对于中药制剂的质量控制具有重要的意义。利用大黄的太赫兹时域光谱结合偏最小二乘法（PLS）模型对基于41个正品和非正品大黄的中草药鉴别模型进行了研究。首先采集大黄样品的太赫兹时域光谱（THz-TDS）信号,然后将化学计量学方法用于这些大黄样品太赫兹光谱的信号处理与建模,再建立基于太赫兹光谱的大黄品质鉴定的偏最小二乘模型方法。应用S-G一阶导数、去趋势、标准正态变换、自标度化、均值中心化等方法对原始时域谱预处理再与未经预处理的结果相比,偏最小二乘（PLS）模型的预测正确率从80%明显提高到90%。在模型建立和模型检验中,采用留一法（LOO）选取训练集和检验集样本。利用留一法交叉验证确定了PLS模型的最佳主因子数。结果表明,当采用均值中心化方法时,PLS模型的RMSECV和RMSEP的值均达到了最小,分别为0.076 6和0.169 0。研究结果表明,THz-TDS技术结合化学计量学方法能够快速、准确的对大黄的真伪进行鉴别,直接使用太赫兹时域光谱而不使用计算后的吸收谱有两个优点： （1）在分频测定和光谱信号处理时无需考虑样品的厚度;（2）使光谱信号处理过程得到简化。该技术也可以对其他中草药进行鉴别和质量控制。该法快速、简单、无污染、无需样品预处理,是一种有发展前景的中草药无损检测方法。     

奥林达夏橙叶片锌含量可见近红外光谱监测模型研究

以奥林达夏橙叶片粉末干样为对象,利用化学分析与可见近红外光谱技术相结合的方法,通过样品原始光谱的二阶微分及消噪(Noise)处理,运用偏最小二乘法(PLS)与交叉验证方法建立的Zn含量数学模型,其中使用Zn含量特征光谱400～500nm和1201～1300nm的组合波段建模,具有较好的预测能力,校正建模和预测模型的相关系数分别为0.9975和0.9920,交互验证预测均方根误差为0.5868。因此,利用可见近红外光谱技术,运用PLS及交叉验证方法,建立叶片Zn含量与特征波段的光谱校正模型,能快速定量检测柑桔叶片Zn含量。     

基于密度泛函理论与自举软缩减法的酒石酸太赫兹光谱特征谱区分析指认

太赫兹时域光谱不但包含了样品的化学信息和物理信息,还承载了设备噪声、样品状态、环境参数等多方面的背景信息,其光谱的多元性可能影响模型的性能,降低预测精度。能否在复杂、重叠、变动背景下从光谱数据中提取目标组分的特征信息,去除冗余变量,筛选特征谱区,对太赫兹光谱定量、定性分析至关重要。以L-酒石酸为研究对象,在室温下采集6个浓度：10%,20%,40%,50%,60%和80%,共计342个样本的L-酒石酸太赫兹吸收光谱。利用密度泛函理论(DFT)中的B3LYP方法,基于6-31G*(d,p)基组对L-酒石酸单分子模型进行优化并对其太赫兹频谱特性进行理论模拟计算,分析对应特征波峰的分子振动模式,得到0.2～1.6 THz频段吸收谱。与实测吸收谱进行对比,实验所测结果与理论计算结果对应的吸收峰位置基本吻合。采用自举软缩减法（BOSS）对L-酒石酸的太赫兹吸收谱进行特征谱区筛选,并与竞争性自适应加权采样（CARS）、蒙特卡洛无信息变量消除法（MC-UVE）和间隔区间偏最小二乘法（iPLS）3种经典特征谱区筛选法进行对比,分析结果显示BOSS算法选取的有效谱区与DFT理论计算特征谱区重合度最优。分别使用全谱PLS,CARS-PLS,MC-UVE-PLS,iPLS及BOSS五种算法对L-酒石酸光谱进行建模回归分析,实验结果表明,四种谱区筛选方法相较于全谱PLS模型,预测精度均有所提高,其中BOSS算法预测能力提高最为显著,其交互验证均方根误差（RMSECV）、预测均方根误差（RMSEP）、训练集决定系数(R2_train)和测试集决定系数(R2_test)分别为0.026 0,0.026 0,0.988 1和0.987 5,相较其他模型有更高的预测精度和模型稳定性,为实现基于太赫兹光谱技术的快速定量检测提供了一种有效的方法。     

基于光谱技术和支持向量机的生鲜猪肉水分含量快速无损检测

为实现生鲜肉水分含量的快速无损检测,在波长350～1 700 nm范围内采集生鲜猪肉98个样本的可见近红外反射光谱。经中值平滑滤波、多元散射校正和一阶微分复合预处理方法对原始光谱进行降噪处理。将样本数据随机分为训练集和测试集,以训练集交叉验证网格搜索法确定最佳惩罚参数,利用径向基核函数的支持向量机算法建立了支持向量机预测模型,并与偏最小二乘回归建模法进行比较。用径向基核函数的支持向量机算法所建模型对生鲜肉水分含量进行预测的结果为：训练集的预测相关系数R_c为0.96、标准差SEC为0.32,测试集的预测相关系数R_v为0.87、标准差SEV为0.67。实验结果证实用支持向量机所建模型适合于生鲜猪肉水分含量的无损快速检测。     

分布式无线声传感网加权预测误差语声去混响方法

室内混响会严重降低语声质量,因此在室内语声通信中对混响的抑制显得尤为重要.针对无线声传感网,该文提出一种基于加权预测误差的分布式自适应去混响算法.通过调整传统递归最小二乘算法,所提出的分布式加权预测误差算法仅需利用一路相同的参考信号和其他节点的本地输出而非全部信号,便可实现最优输出,从而大幅度降低节点间传输的通道数与各...     

遗传算法在鱼粉中肉骨粉近红外光谱检测中的应用

为了研究近红外光谱模型的优化方法,提高模型的精度.利用遗传算法对64个掺加了肉骨粉的位粉样品近红外光谱进行变量筛选,采用偏最小二乘法回归建模.并用21个样品进行外部验证.遗传算法共选取310个波长变量,相对于全谱的1556个变壁减少了80%,与全谱范围的偏最小二乘法相比,交互验证相关系数(Rcv)从0.80提高剑0.90,交.巨验证均方根误差从5.22%降低到3.62%,预测相关系数(Rv)从0.91提高到0.96,预测均方根误差从3.85%降低到2.95%.模型的稳健性和预测精度都显著提高.试验结果表明遗传算法可以改善近红外光谱法预测鱼粉中肉骨粉含量的效果.     

液态样本近红外光谱测量中的光程变化误差消减方法研究

以蔗糖溶液为研究对象,利用近红外光谱分别测量4,5和6 mm光程下不同浓度蔗糖溶液的透反射光谱,研究采用矢量归一化、基线偏移校正、多元散射校正、标准正态变量变换、一阶导数5种预处理方法消除光程差异的影响,并结合PLS方法建立校正集模型。与原始光谱的PLS模型相比,五种预处理方法均对模型的预测精度有不同程度的提高,其中,多元散射校正结合PLS方法建立的模型最优,使原始光谱的主成分数PC由6下降为3,决定系数R2由0.891 278提高到0.987 535,交互验证决定系数R2_CV由0.888 374提高到0.983 343,校正标准偏差RMSEC由1.704%下降到0.89%,交互验证的校正标准偏差RMSECV由1.827%下降到1.05%,预测集样本的相关系数由0.950 89上升到0.976 22,预测标准偏差由0.014 36下降为0.01。结果表明,五种预处理方法中,多元散射校正法能够消除光程差异的干扰,提高模型的预测精度,改善稳定性。     

近红外光谱分析技术在辛硫磷农药残留检测中的应用

采用近红外光谱分析法直接用于痕量农药辛硫磷的定量检测。通过引入一种样品预处理方法,将待测样品与硅胶混合,硅胶作为吸附剂,用来富集待测农药化合物,然后直接采集其漫反射光谱。用偏最小二乘(PLS)回归方法建立模型、留一交互验证法来对模型进行评价。通过两批次实验,浓度梯度为0.5 mg·L-1的21个样品的交互验证相关系数为0.958,RMSECV为 0.872 mg·L-1;浓度梯度为0.25 mg·L-1的41个样品的交互验证相关系数为0.924,RMSECV为1.15 mg·L-1。随着浓度梯度的降低,模型的预测能力有所下降,但模型的相关系数仍然较高。结果表明利用硅胶作为待测样品吸附剂的预处理方法,可以有效降低近红外光谱分析技术的检测限,在农药残留等低含量样品检测中有实际应用价值。     

基于空化辐射噪声的检测方法实验研究

空化空蚀严重影响水利设备的正常工作和使用寿命,为此本文研究了基于水听器信号的水泵空化检测方法,从空化噪声辐射基本特性出发,分析并选取强度、脉冲以及频谱结构等特征参数组成最优分类特征向量,使其既有较强的稳定性,也有较好的灵敏度。以此特征向量训练获得的支持向量机(SVM)分类器进行水泵空化状态识别准确率平均能有99.6%。检测其他结构水泵的空化,识别准确率也在96.5%以上。在较高环境噪声单一能量特征无法识别的情况下,依然有较好的识别准确率。表明该方法对不同结构的水泵及较高环境噪声具有一定的鲁棒性,有较好的应用价值。     

近红外光谱技术对人参药材人参皂苷含量测定及产地识别的研究

以东北三省6个产地的74份人参样品为研究对象,采集其近红外光谱,以多元散射校正原始光谱;采用超高效液相色谱技术,建立样品中人参皂苷Rg₁,Rb₁,Re的含量测定方法,以样品中这三种皂苷的总量作为参考值,在6 001～4 007和10 000～8 786 cm-1建模区间,采用偏最小二乘法建立了人参样品中人参皂苷近红外定量模型,交叉验证均方根误差为0.115,预测均方根误差为0.167,相关系数分别为0.947 7和0.915 3。同时对近红外原始光谱进行多元散射校正和Savitzky-Golay平滑处理,以8 531～7 559 cm-1谱段对人参样品进行产地识别,结果表明,74份样品可分为3类,分别对应辽宁、吉林和黑龙江产区,校正模型判正率为96%,预测模型判正率达90%。2010版《中国药典》以人参样品中人参皂苷Rg₁,Rb₁,Re的总量作为评价人参质量的化学指标,该工作所建立的近红外预测人参样品三种皂苷总量的方法快速、准确,可用以评价人参样品的质量。