首页 | 本学科首页   官方微博 | 高级检索  
文章检索
  按 检索   检索词:      
出版年份:   被引次数:   他引次数: 提示:输入*表示无穷大
  收费全文   5篇
  免费   0篇
物理学   5篇
  2019年   1篇
  2017年   1篇
  2015年   1篇
  2014年   1篇
  2005年   1篇
排序方式: 共有5条查询结果,搜索用时 0 毫秒
1
1.
应用近红外光谱技术无损分析小麦种子短期自然老化过程中主要化学成分的变化趋势,并结合支持向量机建立快速判别小麦种子自然老化程度的分析模型。本实验应用VERTEX 70傅里叶变换红外光谱仪,以大样品杯旋转采样方式跟踪采集了45份小麦种子在自然老化初期、4个月、7个月、9个月的近红外光谱。标准差可以用来表征数据离散程度,因此本实验通过计算每份样本在4个自然老化阶段的光谱标准差来筛选与自然老化时间显著相关的谱区。为避免单个样本由于偶然因素导致的离散度值异常,实验统计了45份样本的光谱标准差均值,根据均值光谱得到如下谱峰:8 362,6 950,7 563,5 319,4 998和4 478 cm-1处。解析谱峰所在区域对应的化学基团归属可得:6 950 cm-1处对应的是液态水中O-H伸缩振动的一级倍频且该处离散度值较大,因此小麦种子在短期自然老化阶段中水分变化较为显著;5 319,4 998和4 478 cm-1处离散度值较6 950 cm-1处小,对应的是蛋白质仲酰胺、伯酰胺和酰胺的合频和倍频信息,因此蛋白质变化较水分而言相对平缓;8 362和7 563 cm-1处反映的主要是C-H振动的二级倍频信息且离散度值较大,而种子中蛋白质、淀粉等均具有C-H官能团,因此蛋白和淀粉等成分综合变化较为显著。在上述分析基础上,本文采用多分类支持向量机结合近红外光谱建立快速识别小麦种子四种自然老化程度的定性模型。将180份样本光谱按照3∶1随机抽取135个样本作为训练集,其余样本作为测试集。选择核函数为径向基函数,通过网格搜索法进行参数寻优得到惩罚参数为8,核参数为0.008 974 2时,训练集和测试集的识别正确率可达99.26%和99.78%。实验结果表明:近红外光谱技术结合支持向量机可快速判别小麦种子短期自然老化程度,为种子贮藏过程中生理特性变化的无损监测及开发利用提供便捷的检测手段。  相似文献   
2.
为了提高近红外光谱技术快速测定番茄苗氮含量的准确度和稳健性,比较分析竞争自适应重加权采样法(CARS)、蒙特卡罗无信息变量消除法(MCUVE)、向后间隔偏最小二乘法(BiPLS)和组合间隔偏最小二乘法(SiPLS)四种特征波长挑选方法,筛选与番茄苗氮含量相关的特征光谱。在十种不同氮素处理水平下(尿素溶液浓度0~120mg·L-1),培育60株番茄苗样本(每个处理6株),使其分别处于不同程度的过量氮素、氮素适度、缺氮素和无氮素状态。分别采集每株番茄苗样本的叶片,扫描其12 500~3 600cm-1波段的近红外光谱。比较四种方法所建立的番茄苗氮素定量分析模型可知:CARS和MCUVE挑选的特征变量所建定标模型的性能比BiPLS和SiPLS挑选的特征变量所建定标模型的性能更优,但是预测性能远低于后者。其中,基于BiPLS建立的番茄苗氮素含量预测模型性能最佳,相关系数(r)、预测均方根误差(RMSEP)和性能对标准差之比(RDP)分别为0.952 7,0.118 3和3.291 0。因此,近红外光谱技术结合特征谱区筛选可以有效地提高番茄苗叶片氮素含量的定量分析模型指标,使模型更实用化。但是,特征波长挑选方法不具有普适性。基于单个波长变量筛选的方法所建立的模型较为敏感,更适用于样本状态较为均匀的待测对象;而基于波长区间筛选的方法所建的模型相对抗干扰性更强,更适用于样品状态不均匀,重现性较差的待测对象。因此,特征光谱筛选只有与样本状态及建模指标结合,才能使其在建模过程中发挥更好的作用。  相似文献   
3.
为了提高近红外光谱技术快速测定番茄苗氮含量的准确度和稳健性, 比较分析竞争自适应重加权采样法(CARS)、蒙特卡罗无信息变量消除法(MCUVE)、向后间隔偏最小二乘法(BiPLS )和组合间隔偏最小二乘法(SiPLS)四种特征波长挑选方法, 筛选与番茄苗氮含量相关的特征光谱。在十种不同氮素处理水平下(尿素溶液浓度0~120 mg·L-1), 培育60株番茄苗样本(每个处理6株), 使其分别处于不同程度的过量氮素、氮素适度、缺氮素和无氮素状态。分别采集每株番茄苗样本的叶片, 扫描其12 500~3 600 cm-1波段的近红外光谱。比较四种方法所建立的番茄苗氮素定量分析模型可知: CARS和MCUVE挑选的特征变量所建定标模型的性能比BiPLS和SiPLS挑选的特征变量所建定标模型的性能更优, 但是预测性能远低于后者。其中, 基于BiPLS建立的番茄苗氮素含量预测模型性能最佳, 相关系数(r)、预测均方根误差(RMSEP)和性能对标准差之比(RDP)分别为0.952 7, 0.118 3和3.291 0。因此, 近红外光谱技术结合特征谱区筛选可以有效地提高番茄苗叶片氮素含量的定量分析模型指标, 使模型更实用化。但是, 特征波长挑选方法不具有普适性。基于单个波长变量筛选的方法所建立的模型较为敏感, 更适用于样本状态较为均匀的待测对象;而基于波长区间筛选的方法所建的模型相对抗干扰性更强, 更适用于样品状态不均匀, 重现性较差的待测对象。因此, 特征光谱筛选只有与样本状态及建模指标结合, 才能使其在建模过程中发挥更好的作用。  相似文献   
4.
为了提高近红外光谱技术快速测定小麦种子发芽率的准确度和稳健性,比较分析了基于全光谱的单一偏最小二乘(PLS)模型和多模型共识PLS模型(cPLS)性能,并提出了基于特征光谱的多模型共识PLS模型(Si-cPLS)。实验收集84份小麦种子,通过SPXY法将样本集划分为训练集样本66个,预测集样本18个。从训练集中随机抽取50个样本作为校正集建立一系列PLS子模型,选取其中性能较好100个子模型作为成员模型建立cPLS模型,取成员模型预测结果的均值来分析未知样本。在此基础上,采用组合间隔偏最小二乘法(SiPLS)筛选特征谱区建立多模型共识PLS模型(Si-cPLS)。各模型均采用均值中心化预处理方法,PLS模型、cPLS模型以及Si-cPLS模型对预测集的小麦种子发芽率进行50次重复预测的平均相关系数r分别为0.935,0.949和0.967,平均预测均方根误差RMSEP分别为13.735%,12.533%和10.273%,RMSEP的标准偏差分别为1.144%,0.096%和0.08%。实验结果表明cPLS模型较单一PLS模型更加稳定可靠,而基于特征光谱的Si-cPLS模型则进一步提高了cPLS的稳定性与预测精度,为建立性能优秀的小麦种子发芽率近红外模型提供了新思路。  相似文献   
5.
苗期作物和杂草的光谱分析与识别   总被引:9,自引:5,他引:4  
田间杂草信息是指导变量喷洒除草剂的依据,利用光谱特征识别杂草的方法在实时性方面具有明显的优势。本文利用傅里叶变换红外(FTIR)光谱法测量并分析了小麦、小藜和荠菜等几种杂草在70 0~110 0nm波长范围内的反射率,再运用SPSS统计软件进行判别分析。先把原始数据进行压缩和标准化处理,然后运用逐步判别分析法寻求特征波长点,最后以选定的特征波长点为变量建立判别模型进行判别分析。统计分析的结果表明:运用选定的特征波长点建立判别模型识别小麦和杂草的正确识别率达到了97% ;在6 80~75 0nm“红边”附近的特征波长点较为显著;在一定范围内,正确识别率随着特征波长点个数的增加而增加。本研究选定特征波长点,选择适当的滤光片,并配合黑白摄像机对小麦和杂草进行了多光谱图像采集和分析。  相似文献   
1
设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号