木材种类的近红外光谱和模式识别

木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究;5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%;5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%;SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%;MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%;SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD(小波基为“Haar”,分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%;5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%;SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%;MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%;SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织,PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。     

The model updating based on near infrared spectroscopy for the sex identification of silkworm pupae from different varieties by a semi-supervised learning with pre-labeling method

Abstract

It is effective to accurately discriminate the sex of silkworm pupae with the same varieties based on near infrared spectroscopy. However, when the model is promoted to classify new varieties of silkworm pupae, the model’s performance becomes worse, due to the cultivation environment and varieties changing. In the aims of improving the generalization ability and accuracy of the model, this paper proposed a model updating strategy based on semi-supervised learning. First, support vector machine identification model was built after the original spectra was pretreated by Savitzky-Golay convolution smoothing operation, which could effectively reduce spectra noise. Then, the support vector machine model gave the pre-labelings of unlabeled silkworm pupae in the updated set, which were divided into male samples and female samples. According to the correlation coefficients that calculated by Pearson correlation coefficient and Euclidean distance, a total of 8 reliable samples were selected from the male and female samples, respectively. The reliable samples were added to the original training set to update the original model. Finally, the updated model was used to test the test sets from the varieties of silkworm pupae that were the same with updated sets.The results showed the performance of the non-updated model for silkworm pupae from the three new varieties just reached 54.55%, 68.52%, 86.84%, respectively. The support vector machine model updated by using Pearson correlation coefficient improved the accuracy to 100%, 96.30%, 97.37%, and the model updated by Euclidean distance increased the identification accuracy of the three varieties that were not involved in the modeling to 100%, 75.93%, 92.10% respectively. The results showed that the performance of the model updated by Pearson correlation coefficient was better than Euclidean distance. The results revealed that the method based on semi-supervised learning could effectively solve the problem of poor universality for sex identification model.     

多种群精英共享遗传算法在异常光谱识别中的应用

提出了一种基于多种群精英共享遗传算法的异常光谱识别方法.该方法应用于红外光谱数据的分析,并在删除异常光谱样本后使用偏最小二乘方法进行建模.与使用蒙特卡洛交叉验证、留一交叉检验、马氏距离以及传统遗传算法进行异常光谱识别的方法相比,所提方法将水分预测模型的预测误差平方和(PRESS)分别降低了72.4%,39.5%,39.5%和14.5%;将脂肪含量的预测模型的PRESS值分别降低了86.2,75.9%,84.9%和19.9%;将蛋白质含量的预测模型的PRESS值分别降低了56.5%,35.7%,35.7%和18.2%.实验表明,所提方法不仅能适应不同成分光谱数据的异常识别,而且删除异常光谱数据后所建立的模型具有较高的预测能力和较好的稳健性.     

融合波长选择和异常光谱检测的天然气燃烧过程定量分析方法

针对天然气燃烧过程的近红外光谱数据,采用了一种融合波长选择和异常光谱检测的定量分析方法。该方法根据偏最小二乘(PLS)模型的系数及预测误差的统计分布,在实现波长选择的同时,完成异常光谱样本的检测。与PLS、先用留一法将异常样本删除后PLS建模(LOO-PLS)、基于PLS的无信息变量消除法(UVE-PLS)以及先用留一法将异常样本删除后使用UVE-PLS建模(LOO-UVE-PLS)相比较,该方法将甲烷预测模型的预测均方根误差(RMSEP)分别降低了14.33%,14.33%,10.96%和12.21%;将一氧化碳预测模型的RMSEP分别降低了67.26%,72.58%,11.32%和4.52%;将二氧化碳预测模型的RMSEP分别降低了5.95%,19.7%,36.71%和4.04%。实验表明,该方法建立的分析物预测模型具有较高的预测能力和较好的稳健性,在大大减少所选波长数量,降低模型复杂度的同时,还能有效地检测出异常光谱样本,减小两者之间的相互影响。     

基于主动学习的玉米种子纯度检测模型更新

种子纯度反映种子品种在特征特性方面典型一致的程度,提高种子纯度检测的准确性和可靠性对保证种子的质量具有重要的意义。高光谱图像技术可以同时反映种子的内部特征和外部特征,在农产品无损检测中已经得到广泛应用。利用近红外高光谱图像实现农产品无损检测的实质就是建立光谱信息与农产品品质参数之间的数学模型关系。但光谱信息易受环境、时间的影响,当待测样本的产地或者年份发生改变时光谱信息也随之改变,导致建立的模型的稳定性变差、泛化能力减弱。针对这一问题,采用主动学习算法选择具有代表性的待测样本,最终以添加最少最优的样本数来扩大原模型的样本空间,从而实现模型的快速更新,提高模型的稳定性,同时与基于随机选择算法（RS）和Kennard-Stone算法(KS)的模型更新效果进行比较。实验结果表明：在不同样本集划分比例下（1∶1, 3∶1, 4∶1）,利用主动学习添加40个新样本更新后的2010年的玉米种子纯度检测模型对2011年新样本的预测精度由47%,33.75%,49%提高到98.89%,98.33%,98.33%;利用主动学习添加56个新样本更新后的2011年的玉米种子纯度检测模型对2010年新样本的预测精度由50.83%,54.58%,53.75%提高到94.57%,94.02%,94.57%;同时基于主动学习算法的模型更新效果明显优于RS和KS。因此基于主动学习算法实现玉米种子纯度检测模型的更新是可行的。     

基于分布参数的制冷装置制冷剂充灌量的研究

采用分布参数积分方法建立了制冷剂积存质量的计算模型,计算模型中考虑到了换热系数对制冷剂积存质量的影响,并利用实验数据与计算结果进行了比较,验证了模型的参考价值。结果表明冷凝器中制冷剂积存质量所占比例最大,是总充灌量的55%~64%,而蒸发器制冷剂积存质量所占比例为17%~32%。     

由多个高斯函数表征的发光二极管光谱模型

利用发光二极管（LED）光色电综合测试系统测量不同颜色不同功率的LED在多个电流下的光谱,提出并构建了由多个高斯函数组成的LED光谱模型,并根据各颜色LED在额定电流下的光谱计算模型中的系数,最后将该模型与已报道的模型进行了对比。研究表明：对于光谱有n（n≥1）个波峰的LED,可用3n个高斯函数形式的模型来表示,大功率红、黄、蓝、绿、白色LED模型与实测光谱之间平均误差分别为3．45％、1．01％、2．33％、4．65％、2．49％,小功率LED的平均误差分别为2．61％、2．65％、3．77％、2．87％、2．48％。与已报道的模型相比,该模型精度高,普适性好。本研究对LED光度色度测量仪器的研制及智能化LED产品的设计具有重要意义。     

可见-近红外光谱的鸭梨黑心缺陷在线检测AdaBoost集成模型研究

黑心病是鸭梨贮藏期间发生的生理病害,其病变初期表现在内部果核处出现褐色斑块,而在果实外观上与正常果几乎没有任何差异,严重影响鸭梨的贮藏时间和品质,亟需一种快速无损的检测方法为鸭梨质量保驾护航。采用可见-近红外光谱法对鸭梨黑心缺陷进行在线检测和识别,结合平滑（Smoothing）、标准正态变量变换（SNV）、多元散射校正（MSC）、SG一阶导数（SG 1st-Der）以及小波变换（WT）预处理方法和主成分分析（PCA）、k近邻（kNN）、朴素贝叶斯（NBC）、支持向量机（SVM）以及基于Adaboost的集成学习等方法对鸭梨黑心病进行判别研究。Adaboost集成了kNN、NBC和SVM三个独立学习器。将120个健康鸭梨和165个黑心鸭梨共计285个样品划分为训练集和测试集进行模型的构建和评价,采用训练集的查准率/查全率的调和平均值（F-measure）和正确识别率（Accuracy）对分类模型进行优化和评价。研究结果表明：不同属性（正常和黑心）鸭梨样品光谱的前三主成分分布图相互交错,很难直观地对黑心鸭梨进行区分。样品光谱经小波变换（小波基为“Haar”）预处理的kNN模型训练集的F-measure和Accuracy分别为78.98%和82.62%;经过SG一阶导数预处理后的NBC模型训练集的F-measure和Accuracy分别为80.90%和82.11%;经过小波变换预处理后的SVM模型训练集的F-measure和Accuracy分别为90.24%和91.58%;经小波变换预处理的AdaBoost模型训练集的F-measure和Accuracy分别为91.46%和92.63%。通过测试集对模型进行验证可知：光谱经小波变换预处理后建立的Adaboost分类模型最优,分类的F-measure达到90.91%,较WT-kNN,SG 1st-Der-NBC和WT-SVM模型分别提高了11.39%,15.23%和2.30%;Accuracy达到92.63 ％,分别提高了10.52%,11.58%和2.10%;模型对测试集样品预测时的计算时间约为0.12s,满足在线分选要求。可见-近红外光谱结合AdaBoost分类方法,可以为鸭梨黑心病的在线检测提供一种快速简便的分析方法。     

LIBS对煤中热值检测的新型校正模型

将激光诱导击穿光谱技术(LIBS)应用于煤中热值的检测。针对传统的通道面积归一化方法未能考虑煤质检测的物理/化学机制、从而限制了所建模型在精确性、准确性、可重复性的情况,提出了一种新型的基于光谱偏差产生原理的校正模型。模型选取了19组煤样品,随机选择其中15组为校正集,用于建立热值的定量分析模型,剩余四种为预测集,用于对所建模型进行检验与评价。模型从光谱偏差因素的产生因素出发,通过原子光谱发射理论结合斯塔克展宽公式,推导出LIBS条件下自吸收效应的影响机制及其所引起的偏差的修正方法。通过元素间相互干扰结合基体效应的微观机理对基体效应进行光谱的偏差分析,并根据K系数法的思路对LIBS中元素间相互干扰进行修正,通过建立光谱的电子密度,等离子体温度,元素浓度的数值模型对基体效应引起的光谱偏差进行深度修正。因而经过自吸收效应—元素间相互干扰—基体效应深度修正后,模型对于所研究样品范围内其拟合优度R2=0.967,RMSEP=0.49 MJ·kg-1,RMSE=0.45 MJ·kg-1,MRE=2.42%,ARE=1.64%的同时RSD=5.79%,RSDP=8.10%。相对于传统的通道面积归一化-多元线性回归方法的0.405,8.28 MJ·kg-1,4.14 MJ·kg-1,22.85%,52.48%,18.28%,32.85%,表明测量的精确度与准确度都得到明显的提高,证明该模型具有很好的应用价值。     

渤海固有光学量高光谱遥感反演

水体固有光学量是重要的海洋光学参数,是辐射传输模型最基本的输入参数,对于海洋光学遥感和水色研究具有重要意义。基于2005年渤海高光谱实测遥感反射率和总吸收系数数据,首次利用非线性最小化优化模型,反演水体总吸收系数等固有光学量。经过实测数据的检验,412,440,510,555,650和676 nm波段总吸收系数的反演平均相对误差分别为33.8%,20.4%,27.7%,37.5%,9.5%和10.8%。模型误差源主要为模型参数的不确定性和测量误差,通过讨论发现,光谱斜率S对总吸收系数的反演影响相对较少,而光谱指数Y导致的反演误差是不可忽略的。模型适用于高光谱数据,填补渤海固有光学量的最优化反演研究的空白,并可用于高光谱遥感数据的固有光学量遥感反演研究。     

基于偏最小二乘增量式神经网络的近红外光谱定量分析模型

提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传播神经网络(BPNN),不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘(PLS)回归,所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值,且自变量的主成分个数作为隐层的节点数。当获得新的样本时,对新数据与历史负荷矩阵组合后进行PLS回归,将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值,接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光谱数据上测定后比较。对于烟气中二氧化碳浓度的预测,所提模型的预测均方根误差(RMSEP)分别降低了27.27%,58.12%,19.24%和14.26%;对于烟气中一氧化碳浓度的预测,所提模型的RMSEP分别降低了20.65%,24.69%,18.54%和19.42%;对于烟气中甲烷浓度的预测,此模型的RMSEP分别降低了27.56%,37.76%,8.63%和3.20%。实验结果表明,所提模型不仅通过PLS对BPNN结构和初始权重的优化,使模型具有较强的预测能力,而且能在已建模型信息的基础上,不访问旧数据而用新增样本即可完成自身的增量式更新,从而使模型具有较好的稳健性和泛化性。     

一种基于延时和带宽约束的纳米级互连线优化模型

基于RLC互连线延时模型,通过缓冲器插入和改变互连线宽及线间距,提出了一种基于延时和带宽约束的互连功耗-缓冲器面积的乘积优化模型.基于90 nm,65 nm和45 nm CMOS工艺验证了互连线优化模型,在牺牲1/3和1/2的带宽的前提下,平均能够节省46%和61%的互连功耗,以及65%和83%的缓冲器面积,能应用于纳米级SOC的计算机辅助设计. 关键词： 纳米互连功耗 缓冲器面积 延时 带宽     

基于双向热阻模型的光电热一体化理论

通过双向热阻模型描述LED系统内部双向散热路径,进而构建光电热一体化模型。基于双向热阻模型参数,光电热一体化模型可高精度预测LED系统的结温以及光通量。实验验证结果表明,基于所提出的双向热阻模型的结温计算值和实验值的平均误差在5.3%之内,而采用传统的单向热阻模型的结温计算值和实验值的平均误差达到11.2%。基于双向热阻模型的光电热一体化理论,光通量的计算值与实验值的平均误差在6.3%之内。     

聚倍半硅氧烷以不同方式改性纤维素绝缘纸的机理研究

本文运用分子动力学方法,建立了纯纤维素模型和一系列聚倍半硅氧烷以不同方式改性的纤维素绝缘纸模型,并对其热力学性能进行了计算、对比和讨论. 实验结果表明,各聚倍半硅氧烷纤维素改性模型的性能均优于未改性模型,并且当两条纤维素分子链作为取代基通过化学键接枝在聚倍半硅氧烷分子上(M2模型)时,改性效果最佳,其内聚能密度与溶解度参数的值相较于未改性模型提高了9%,拉伸模量、体积模量、剪切模量、柯西压的值分别提升了38.6%、29.5%、41.1%和29.5%,此外本文还计算并分析了各模型的自由体积分数和均方位移,结果显示,相较于其他模型,M2模型中的化学键在避免使纤维损失强度的同时,增加了分子链间的纠缠,使纤维素分子链占据了更多自由体积,从而使体系具有更小的自由体积分数,抑制了纤维素的链运动,进而提升了纤维素绝缘纸的热稳定性,这从微观角度解释了化学处理影响改性效果的机理.     

近红外光谱结合化学计量学的常见中国蜂蜜掺杂糖浆鉴别

目前我国蜂蜜市场掺假现象严重,研究一种快速、准确的方法用于市场流通领域掺假蜂蜜的鉴别具有重要的现实意义。采用近红外光谱（NIR）结合化学计量学方法对常见的天然蜂蜜以及掺假（掺杂常见糖浆）蜂蜜进行建模识别,并比较偏最小二乘-判别分析（PLS-DA）及支持向量机（SVM）对糖浆掺假蜂蜜鉴别模型的影响。首先,采集来自中国10个省份、20种常见蜂蜜的112个天然纯蜂蜜样品,以及6种常见糖浆样品按不同糖浆含量（10%,20%,30%,40%,50%,60%）配制的112个掺假蜂蜜样品,共计224个样品;通过近红外光仪器扫描获得所有样品的近红外光谱数据（波长范围400~2 500 nm）;然后,分别采用一阶导数（FD)、二阶导数（SD）、多元散射校正（MSC)、标准正态变化(SNVT)四种方式对原始光谱进行预处理;再结合PLS-DA和SVM建立天然蜂蜜和糖浆掺假蜂蜜的鉴别模型,比较不同预处理方法对两种不同建模算法建立的蜂蜜掺假鉴别模型效果。其中SVM算法的惩罚参数c和核函数参数g通过网格搜索法（GS）、遗传算法（GA）、粒子群算法（PSO）三种寻优算法进行优化。分析结果表明：光谱数据进行预处理后所建立的模型准确率均有明显提升,而对于SVM模型,惩罚参数c和核函数参数g对模型准确率的提升效果要比光谱预处理带来的提升效果更明显。在PLS-DA算法中,经FD光谱预处理后建立的模型效果最好,最佳PLS-DA模型准确率为87.50%;在SVM算法中,经MSC预处理后,再通过GS寻优,获得惩罚参数c为3.0314,核函数参数g为0.3298的条件下所建立的模型效果最好,最佳SVM模型准确率为94.64%。由此可见,非线性的SVM算法结合NIR光谱数据所建立的天然蜂蜜与糖浆掺假蜂蜜鉴别模型要优于线性的PLS-DA模型,同时表明NIR光谱结合化学计量学方法对常见糖浆掺杂的中国蜂蜜鉴别是可行的。     

基于烟叶电子鼻-近红外数据融合的支持向量机分类判别烟叶年份

提出了一种基于烟叶近红外光谱(NIR)和烟叶电子鼻(EN)融合数据的烟叶年份判别的支持向量机分类模型。在NIR和EN数据融合的基础上,利用遗传算法来进行变量选择,再建立烟叶年份判别支持向量机模型,所得到的烟叶判别模型在训练集和独立测试集上都具有较高的准确率。建立的烟叶判别NIR-E-SVM模型的建模准确率达到100%,留一法准确率达到98.55%,对未知样本的预报准确率为90%。     

基于高光谱散射图像技术的UVE-LLE苹果粉质化分类

利用高光谱散射图像技术研究了苹果的粉质化无损检测.提出了一种无信息变量消除法和局部线性嵌入相结合的苹果粉质化分类的新方法.经无信息变量消除法筛选后的波段降为全谱的23.5%.将波段选择后的原始图像数据用局部线性嵌入降维作为偏最小二乘判别分析的输入变量并建模.无信息变量消除法与局部线性嵌入相结合算法和局部线性嵌入降维方法得到的粉质化分类测试准确度分别是79.0%和79.0%|无信息变量消除法与平均反射法相结合和平均反射法特征提取得到的是77.4%和75.8%.结果表明,无信息变量消除法与局部线性嵌入想结合的方法可以大大地降低高光谱散射图像的数据量,同时保证了分类准确度,为在线检测、分类和高光谱数据的存储提供了一种实时、有效的方法.     

高分辨率太阳吸收光谱二氧化碳反演中参数的敏感性分析

基于高分辨率傅里叶变换红外太阳吸收光谱可以准确测量大气中二氧化碳的柱总量。基于光谱反演算法中的前向模型,分析了改变前向模型中不同参数和不同天顶角情况下对反演结果的影响及其原因。选取具有代表性的两天的测量光谱,改变前向模型中连续体倾斜量值、内部视场角、零偏置和多普勒效应四个模型参数,观察不同先验模型参数的扰动对二氧化碳测量结果的影响。结果表明,不同模型参数的扰动引起反演的二氧化碳柱平均干空气混合比(XCO₂)相对偏差并不一样;不同的测量时间,相同参数扰动引起的二氧化碳含量相对偏差也不同。其中连续体倾斜量值的变化对反演结果的影响最大,其变化引起的相对偏差波动范围在0.1%～0.2%之间;内部视场角、零偏置和多普勒效应的变化对反演结果影响较小,引起的二氧化碳的相对偏差分别在-0.045%～0.02%,-0.045%～0.015%和-0.03%～0.04%之间。最后用二氧化碳反演平均核解释了反演误差来源。研究结果对光谱反演算法中模型参数的设定和提高测量的准确度提供了理论依据。     

球壳型钚部件中子多重性测量点模型修正算法

针对中子多重性测量技术中点模型假设在军控核查情况下存在的局限性,为提高核查可靠度,研究点模型算法在武器级球壳型钚部件测量中的逻辑悖论,提出了点模型修正算法。在点模型算法中引入自发裂变中子和氧化物次生中子的二阶矩及三阶矩修正因子,获取了修正后的点模型公式。利用探测效率和门份额均为1的理想中子多重性探测器,结合蒙特卡罗模拟平台,研究了修正因子与球壳型钚部件质量、泄漏增殖因子的关系,并定量了该关系,提出利用迭代法求解修正后的点模型公式。结合蒙特卡罗方法对修正算法进行了数值验证,与点模型算法结果比较:修正算法能将质量偏差平均值从-4.70%降低至-0.70%,氧化物含量份额偏差平均值从11.45%降低至2.31%。