基于波段注意力卷积网络的近红外奶粉皮革水解蛋白掺假检测

近年来,深度学习技术在近红外光谱、拉曼光谱、荧光光谱等的光谱学数据建模上取得一系列突破。由于深度学习方法对于样本数量的需求高,而在分析化学领域获得大量有标签样本较为困难,因此过拟合问题一直是深度神经网络在化学计量学中应用时研究者高度关注的问题。该工作提出基于波段注意力卷积网络(WA-CNN)的近红外数据建模方法,并应用于婴儿配方奶粉皮革水解蛋白(HLP)掺假定量分析。WA-CNN在传统卷积网络的基础上加入波段注意力模块,该模块采用卷积操作自训练波段注意力权值,并以乘法加权形式对有效波段进行激活,从而有效缓解深度神经网络在近红外数据建模中的波段信息冗余问题,达到抑制过拟合,提升预测精度的目的。研究中共测试100个皮革水解蛋白掺假婴儿配方奶粉样本的近红外光谱数据,其中皮革水解蛋白的掺假比例范围是0%～20%。采用60%的样本训练,剩余40%样本测试,随机采样10次,通过测试集均方根误差(RMSEP)、决定系数(R2)以及相对分析误差(RPD)的均值来进行模型评价。并建立偏最小二乘回归(PLS)、支持向量机回归(SVR)和常规的一维卷积神经网络(CNN)三种传统模型用于对比。与上述对比方法相比,WA-CNN取得最优的模型预测结果,最终获得了RMSEP=1.32%±0.12%,R2=0.96±0.01,RPD=4.92±0.41的掺假定量预测结果。此外,实验结果还表明,相比于传统CNN,WA-CNN在训练过程中对于训练集及测试集损失函数都具有更快更稳定的收敛速度。在20%～80%的不同训练样本数量情况下,WA-CNN相比于三种对比方法均取得最优的模型预测结果。     

海洋水环境网络化智能监测系统的建模设计研究

针对海洋渔业养殖水环境健康监测的多参数检测与快速设计的需求,基于IEEE 1451标准框架,开展混合标准模式下的网络化智能传感系统的建模设计研究;论文从监测系统的静态功能分析出发,建立多参数监测系统模型架构图,然后利用监测系统传感器用例模型图,通过TEDS的合理配置,完成不同传感器的初始化、参数配置和传感信息校正,实现传感器的即插即用,可为传感器接入、维护带来很大便利;通过海洋渔业水环境监测系统的构建,验证了该监测系统建模设计方法的有效性和必要性,可减少35%的研发设计时间。