基于三维荧光谱特征分析的油种鉴别技术的研究

介绍了运用神经网络进行模式识别的基本原理,将主成分分析法和BP神经网络相结合,提出矿物油三维荧光谱鉴别方案,并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量,组成原始特征向量,采用主成分分析法进行预处理,而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数,消除了各输入变量的相关性,同时简化了网络结构,提高了程序运行的速度.通过实例进行了分析,结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别,同时该系统也可用于其它物质的光谱识别技术领域.     

基于三维荧光谱特征分析的油种鉴别技术的研究

介绍了运用神经网络进行模式识别的基本原理,将主成分分析法和BP神经网络相结合,提出矿物油三维荧光谱鉴别方案,并进行了系统设计,建立了基本的模型框架.选取矿物油三维荧光谱的特征参量,组成原始特征向量,采用主成分分析法进行预处理,而后选取主成分运用BP神经网络实现油种鉴别.该方法减少了输入变量的维数,消除了各输入变量的相关性,同时简化了网络结构,提高了程序运行的速度.通过实例进行了分析,结果证明该方法有效地实现了矿物油三维荧光谱的油种鉴别,同时该系统也可用于其它物质的光谱识别技术领域.     

基于可见-近红外光谱的咖啡品牌鉴别研究

利用可见-近红外光谱技术对市场上三种不同品牌咖啡品种进行鉴别。分别采用主成分分析法与BP神经网络结合和小波变换与BP神经网络结合两种组合模型进行分析预测。利用主成分分析法与小波变换的数据压缩功能和BP神经网络的学习预测能力实现对不同品牌咖啡的鉴别。实验采用３个品种共60个样本建立模型,30个样本进行品种鉴别,结果表明,两种鉴别模型的咖啡品种鉴别率均为100%。同时也表明,小波变换用于数据压缩无论是在压缩时间上还是在压缩能力上都优于主成分分析法。说明通过小波变换和BP神经网络相结合建立模型进行不同品牌咖啡鉴别具有分析速度快,鉴别能力强的特点,为快速鉴别纯品咖啡提供了新的方法,同时也为确定不同品牌咖啡选用咖啡豆品种奠定了基础。     

基于遗传算法与线性鉴别的近红外光谱玉米品种鉴别研究

结合遗传算法与线性签别分析(LDA)提出了一种玉米品种的快速鉴别方法.该方法是一种基于近红外光谱的新方法,通过采集玉米种子(实验共37个种类)的近红外光谱数据,使用遗传算法进行特征光谱波段的选择,使用线性鉴别分析的方法提取光谱特征并分类.结果表明,遗传算法能有效地剔除光谱噪声波段,并提高 LDA 的泛化能力.同时,为简化运算,剔除了大量冗余数据,结合遗传算法选择的特征谱区,使参与鉴别的数据维数从2 075降到了233.对测试集1的300个样本的平均正确识别率与平均正确拒识率均达到99.30%,其中73.33%的玉米品种的正确识别率达到了100%;对测试集2(均为未参加训练品种的样本)的175个样本的平均正确拒识率达到99.65%.与常用的 PCA 等方法相比,运算时间更短,正确率更高.     

荧光光谱成像技术结合聚类分析及主成分分析的藻类鉴别研究

为探讨快速、实时藻类检测方法,实验通过荧光光谱成像技术结合模式识别方法对不同藻类进行鉴别研究。发现藻类样本存在着显著的荧光特性,通过采集40个藻类样品的荧光光谱图像,对图像进行去噪、二值化处理,确定有效像素后,根据光谱立方体绘制每个样本的光谱曲线,将所得400～720 nm区段范围内的光谱数据作鉴别分析,再利用系统聚类分析及主成分分析两种不同的模式识别法对光谱数据进行处理。系统聚类分析结果表明： 采用欧氏距离法及平均加权法计算样本间的聚类距离,在距离L=2.452以上水平处可将样本正确分类,准确率为100%;主成分分析结果表明： 通过对原始光谱数据进行一阶微分、二阶微分、多元散射校正、变量标准化等预处理后,再对数据进行主成分分析,其中二阶微分预处理后鉴别效果最佳,八种藻类样品在主成分特征空间中独立分布。因此,利用荧光光谱成像技术结合聚类分析法及主成分分析法对藻类进行鉴别是可行的,操作简便、快速、无损。     

利用太赫兹时域光谱定性鉴别不同品种的苜蓿的研究

这项研究是利用太赫兹时域光谱(THz-TDS)技术结合多元统计方法,对14种外表看起来极其类似的不同苜蓿牧草品种进行鉴定识别的可行性研究。通过实验测试获得苜蓿牧草品种在0.1～1.5 THz有效波段的吸收系数和折射率等光谱参数,并且测试光谱揭示不同种类的苜蓿牧草在时间延迟、吸收强度和折射率等物理参量的平均值上都有所不同。尽管以上提到的这些太赫兹特征差异意味着太赫兹时域光谱(THz-TDS)鉴定识别牧草品种是可行的,但是,由于没有特征吸收峰作为指纹谱识别依据,因此,本文利用多元统计方法聚类分析(CA)和主成分分析(PCA)在光谱参数和不同品种的苜蓿草种之间建立模型用以进行辅助验证,通过CA方法计算得到牧草间的欧氏距离以及通过PCA方法获得牧草的任何两个样本的PC1分值显示CA和PCA之间存在着很好的一致性,说明CA和PCA两种多样统计方法均能反映牧草间的差异。因此,太赫兹时域光谱技术结合多元统计方法能够成为一种有效的快速检测识别不同苜蓿牧草品种的方法,进而为将来建立牧草品种太赫兹光谱数据库奠定基础。     

基于扩展三通道响应项的光谱反射率重构算法

光谱反射率是颜色的固有属性不受外界条件的影响,能尽最大可能保留颜色的信息,被广泛应用在纺织、彩色印刷、古字画颜色修复等领域。为了缩短获取多光谱图像周期以及避免多光谱图像之间像素匹配不准问题,提高三通道光谱反射率重构精度。提出一种基于扩展三通道响应项光谱反射率重构算法。实验结果证明[rg~2 rb~2 gr~2 gb~2 br~2 bg~2]三次立方根项的引入可以提高光谱重构反射率色度精度和光谱精度;客观验证24个色块光谱反射率重构精度优于现有算法,提出的算法具有一定的应用价值。     

基于太赫兹时域光谱技术的煤岩识别方法研究

煤岩识别一直是制约煤矿无人化开采的关键问题之一。传统的人工采煤因为工作环境极其复杂,很难精准地找到煤岩的分界面,容易造成欠切割或过切割现象。太赫兹光谱技术作为一种无损探测技术,能够反映出被测物体的物理和化学信息,可以成为研究煤岩识别的有效方法。采用太赫兹时域光谱技术与多元统计法—聚类分析（CA）和主成分分析（PCA）相结合的方法来识别不同种类的煤岩。通过透射式太赫兹光谱仪获得六种煤岩样品的太赫兹光谱,对其进行FFT等一系列数学计算可以得到各种样品的折射率、吸收系数以及介电常数。计算结果表明不同种类的煤岩在折射率、吸收系数上都存在差异。分析各类煤炭样品的折射率和吸收系数与样品的各组成成分含量之间的关系,可以发现碳含量是影响其样品折射率大小的因素之一,灰分含量是影响其样品吸收系数大小的因素之一。聚类分析中两类样品的欧氏距离与主成分分析中的第一主成分（PC1）得分都能反映煤岩样品之间的相似性和相异性,并且CA与PCA的结果保持一致。分别将各类样品在0.5～2.5 THz频率范围内的折射率、吸收系数与CA和PCA结合,组成太赫兹数据与煤岩之间的模型。分析表明：根据不同样品之间的相似性,两种模型中六种煤岩样品均被分为两类;在各种样品的吸收系数与CA-PCA组成的模型中,四种煤炭被聚集在一起,并且石英砂岩（GSR-4）具有很好的独特性：石英砂岩拥有最小的PC1得分值以及石英砂岩与第二类之间的欧氏距离最大,为219.03。由此可见采用太赫兹技术与多元统计方法结合,可以实现煤岩的准确识别,识别准确率可以达到100%。     

基于激光诱导击穿光谱技术的土壤快速分类方法研究

为实现不同种类土壤的快速分类鉴别,实验研究了基于激光诱导击穿光谱技术的土壤快速分类方法。由于不同类型的土壤在元素组成上会存在较大差异,所以利用激光诱导击穿光谱技术进行土壤分类具有可行性。不同土壤在相同实验条件下产生的等离子体温度会存在较大差异,可以作为分类的重要依据,所选择的7类土壤中,赤红壤的等离子体温度最高。选取土壤中6种常量元素Si,Fe,Al,Mg,Ca和Ti的光谱强度作为分类指标,利用主成分分析(principal component analysis,PCA)对7种土类的25个样品进行了分类,其中砖红壤和赤红壤分类出现了交叠,而不同高山草甸土样品之间元素差异较大,并没有实现较好的聚类。利用反向传播神经网络(back-propagation artificial neural network)结合土壤的LIBS光谱对土壤进行了分类,分类结果与PCA结果相近,赤红壤与砖红壤出现了识别错误。当用PCA分析获得三个主成分值作为BP神经网络的输入量时,获得了较好的分类结果,因为简化了输入量,降低了BP神经网络的误差,此时只有一个高山草甸土被识别成褐土,而高山草甸土的等离子体温度显著低于褐土,所以结合不同土壤类型的等离子体温度差异,能够实现不同土壤的分类识别。实验证明激光诱导击穿光谱技术可以应用于土壤分类,为土壤普查和合理利用提高了一种新的技术。     

基于PCA和ICA的多光谱数据降维方法

提出了一种结合主成分分析(PCA)和独立成分分析(ICA)的多光谱数据降维方法,实现了用低维基向量的线性组合来表示高维的光谱数据。首先用PCA方法对多光谱数据进行重构,为了提高色度精度,重建中引入了物体的色度信息;然后用ICA方法对因引入色度信息所造成的剩余光谱误差进行修正。从实验结果来看,所提出的方法均方根误差的平均值较PCA法降低了34.48%,GFC的平均值也达到了95%以上,其降维精度优于基于PCA的光谱降维方法。     

基于小波变换的油膜光谱特征分析

水上溢油光谱作为高光谱遥感目标识别与分类的参考依据,在溢油识别与厚度区分等方面具有重要的研究意义。通过测量厚度范围为1.0～127 μm间的轻柴油的20组光谱曲线,计算其反射率光谱曲线随厚度变化的特征,并利用db4小波对反射率数据进行处理,突出光谱奇异性及其位置与奇异值随油膜厚度变化的特征。在研究范围内的油膜光谱反射率高于水体,但反射率值与油膜厚度间无固定增减关系。在其厚度小于6 μm时反射率光谱曲线无明显特征,厚度大于6 μm后在388 nm附近存在区别于水体的反射峰特征且随厚度增加特征愈加突出。油膜光谱小波分析后的细节系数在388～393 nm内表现出明显的奇异性,并且奇异位置随厚度增加向短波方向移动、奇异极值增大。研究证实了小波分析在确定油膜光谱特征位置与变化研究中的积极作用,并发现了紫外-可见光短波范围内的光谱特征,为紫外遥感进行溢油识别提供了科学依据。     

典型红树林反射光谱特征分析研究

获取红树林的反射光谱属性,探测其反射光谱特征波段,可为红树林各种指标的遥感反演模拟和估算提供技术依据。以广西山口红树林保护区典型红树林为研究对象,对美国ASD FieldSpec 2光谱仪实测的反射光谱曲线进行去噪平滑处理,获得木榄、红海榄、秋茄、白骨壤、桐花树、大米草和泥滩的标准反射光谱曲线并分析其反射光谱特征。结果表明：典型红树林反射光谱与大米草和泥滩的反射光谱区分明显,红树林类内反射光谱曲线走向大致相同,峰谷值出现波段基本一致,差异主要表现在特征波段反射峰值和谷值。采用空间距离法、相关系数法和光谱角度制图法来定量描述红树林类内反射光谱差异性和相关性,通过样本验证区分方法精度,相关系数法>光谱角度制图法>空间距离法,发现红树林类内和大米草的反射光谱相关系数均>0.995,反射光谱夹角余弦值均>0.95,相似性强,差异小。     

基于连续投影算法的光谱主成分组合优化方法研究

应用连续投影算法(successive projections algorithm, SPA)选择由主成分分析(principal component analysis,PCA)得到主成分的最佳组合。首先对奶粉的短波近红外光谱进行PCA分析, 然后通过SPA得到的脂肪和蛋白质含量预测最佳主成分组合分别为主成分1,2,4,5,6和7以及主成分1,2,3,4,5和8。通过最小二乘支持向量机(Least-squares support vector machine, LS-SVM)对奶粉中脂肪和蛋白质含量进行预测, SPA选择得到的主成分组合均优于分别采用前4个到前8个主成分。 基于SPA得到的主成分组合得到脂肪含量预测结果的确定系数(R2p),预测误差均方根(root mean square error for prediction, RMSEP)和剩余预测偏差(residual predictive deviation, RPD)分别为0.989 0,0.170 3和9.534 3。而蛋白质含量预测结果的R2p,RMSEP和RPD分别为0.987 6,0.134 8和8.927 4。说明SPA能够用于快速有效选取最佳的主成分数, 寻优过程简单快速,并且不用对大量参数进行调试。     

油砂光谱特性及其含油率遥感估算研究

可见光-近红外(visible near infrared, VNIR)高光谱以其光谱分辨率高、波段连续性强,能够反映烃类物质诊断性吸收特征,在烃类能源的识别和调查研究中得到广泛应用。对研究区的油砂光谱进行特征分析,研究显示油砂样品在1 740～1 780,2 300～2 340和2 340～2 360 nm波段均具有由烃类基团弯曲和伸缩振动引起的吸收光谱特征,同时当油砂含油率较低时,引起1 700～1 730 nm波段振动的烃类基团较少,使得在此波段区间产生较微弱甚至不产生烃类吸收特征,随着含油率的增加,1 700～1 730 nm附近开始出现明显的烃类吸收谱带。鉴于含油率是油砂资源储量分析过程中的关键参数,基于油砂中烃类基团在VNIR波段由于弯曲和伸缩振动等引起的一级倍频和合频形成的特征吸收,采用光谱的吸收深度量化特征吸收谱带的响应强度,根据含油率与油砂光谱中1 740～1 780,2 300～2 340和2 340～2 360 nm等烃类特征谱带吸收深度的Pearson和偏相关关系,确立含油率光谱响应强度的关联模式,进而应用单变量一元线性回归方法(unary linear regression,ULR)和多变量偏最小二乘方法(partial least squares regression,PLSR)进行油砂含油率光谱估算研究。结果表明,利用2 350 nm附近吸收深度作为变量的含油率URL估算模型和1 758,2 310和2 350 nm附近吸收深度作为变量的PLSR估算模型精度较高,可为含油率的快速估算提供科学的参考依据。     

近红外光谱分析技术在茶叶鉴别中的应用研究

茶叶快速准确鉴别方法研究是当前茶叶行业亟待解决的一个重要课题。该研究采用近红外光谱结合主成分-马氏距离模式识别方法鉴别了龙井、碧螺春、毛峰和铁观音4种中国名茶。研究结果表明,在6 500～5 300 cm-1波数范围内的光谱,通过MSC预处理方法,用8个主成分建立的模型最好,模型对校正集样本和预测集样本的鉴别率分别达到98.75%和95%。该研究为快速准确鉴别茶叶提供了一种新思路。     

基于小波降噪与支持向量机的恒星光谱识别研究

提出了一种对恒星光谱识别的新方法。 根据恒星光谱数据的特性,我们以支持向量机为核心技术构建光谱识别器。 由于恒星光谱数据通常含有较高的噪声,如果直接进行分类,识别率往往较低。 因此作者首先采用小波分析的方法对原始光谱数据进行降噪预处理,提取光谱的特征,然后馈送到支持向量机完成对光谱数据的最终识别。 利用实际光谱数据(Jacoby, 1984)对所提出的技术进行检测,实验结果表明使用这种小波分析结合支持向量机的技术的识别效果要优于使用支持向量机结合主分量分析降维技术的识别方法。 另外,作者还比较了支持向量机与传统甄别分析的分类性能,对实际及合成光谱进行实验的结果显示了支持向量机的识别正确率不但优于常见的5种甄别分析方法的识别率,而且有较强的泛化能力。     

半干旱草原不同生态恢复阶段优势植物的高光谱特征分析

为了将高光谱遥感技术应用到生态恢复监测,采用ASD Fields HH便携式野外光谱仪测量半干旱草原区内蒙古和林格尔县不同生态恢复阶段优势植物物种的高光谱数据,通过ViewSpecPro软件对原始光谱数据进行降维和去噪等处理,进行原始反射率、一阶微分分析,采用排序软件Canoco 4.5进行去趋势典范对应分析。结果表明,生态恢复早期的优势植物物种为狗尾草、小叶锦鸡儿,生态恢复5年的优势植物物种为猪毛菜、小叶锦鸡儿,生态恢复后期的优势植物物种为樟子松、猪毛菜,与实测结果一致。DCCA分析结果表明,生态恢复早期植被的冠层光谱值,特征波段主要为短波光,且各物种光谱值差异较大;生态恢复5年主要受1 000～1 050 nm波段反射率影响,生态恢复后期主要受1 040～1 075 nm波段的近红外反射率影响。采用DCCA方法能够直观反映不同生态恢复阶段优势物种的光谱特征。