基于PCA和PNN的高甘油三脂血清荧光光谱识别

基于主成分分析和概率神经网络,提出了一种有效识别高甘油三脂血清荧光光谱的新方法.研究测量了正常和高甘油三脂血清在290 nm和350 nm激发光下产生的荧光光谱,并分别以3种采样间隔(1 nm、2 nm和5 nm)提取荧光强度作为样品的初始特征;利用主成分分析法对初始特征进行分析,以累积可信度大于95%的主成分作为样品特征;构建了4层概率神经网络,并分析了平滑系数和采样间隔对识别效果的影响.实验结果表明,当采样间隔采用5 nm,平滑系数位于0.26~0.92区间时,正常和高甘油三脂血清样品的识别率可达到95%和100%.     

基于PCA和PNN的高甘油三脂血清荧光光谱识别

基于主成分分析和概率神经网络,提出了一种有效识别高甘油三脂血清荧光光谱的新方法.研究测量了正常和高甘油三脂血清在290 nm和350 nm激发光下产生的荧光光谱,并分别以3种采样间隔(1 nm、2 nm和5 nm)提取荧光强度作为样品的初始特征;利用主成分分析法对初始特征进行分析,以累积可信度大于95%的主成分作为样品...     

应用导数荧光光谱和概率神经网络鉴别合成色素

实验测量了食品色素胭脂红、苋菜红、诱惑红和工业色素苏丹红Ⅳ溶液分别在波长为300,400,440和380 nm的光激发下产生的荧光光谱.对这4种红色素的各8个溶液样本选取60个发射波长值所对应的荧光强度作为网络特征参数,训练、建立概率神经网络.据此,对32个色素溶液样本进行种类识别.为解决原始荧光光谱重叠造成识别准确率不高的问题,应用导数荧光光谱,将二阶导数光谱数据作为网络特征参数,建立网络,进行识别,识别准确率达100%.由此,提出了应用二阶导数荧光光谱结合概率神经网络对合成色素方便、快捷、准确地进行种     

概率神经网络及FAAS在植物药分类研究中的应用

用火焰原子吸收法（FAAS）测定了植物药中Fe、Mg、Mn、Cu、Zn和Ca元素的含量,采用主成分分析法对所测数据进行预处理,结合概率神经网络模型对中药功效类别进行识别预测研究,取得了较满意的结果。     

基于数据拟合和主成分分析的多组分PAHs神经网络定量分析

多组分多环芳烃(PAHs)荧光光谱的神经网络定量分析在网络训练过程中需要大量训练样本以提高辨识精度,使得基础实验工作量大且耗时耗力。针对这个问题,文章试验性地采用数据拟合代替部分基础实验,将实验得到的14个训练样本增加到27个;并采用主成分分析法简化神经网络结构,将网络的输入节点数从60维降低到3维。在对二组分混合PAHs溶液的辨识结果表明,通过将14个实验样本拟合成27个训练样本来预测3个待测样本的浓度,能够在保持辨识精度的同时减少基础实验工作并简化神经网络结构,回收率达到89.6%~109.0%,达到了预期目的。     

基于RBF神经网络的较低浓度下同步荧光光谱的溢油鉴别

针对海面溢油样品的含量难以确定,同时考虑到海水掺杂及风化等问题的影响,提出了在较低非线性浓度范围内采集溢油嫌疑样品的同步荧光光谱,获取其训练样本集,利用主成分分析法(Principal com-ponent analysis,PCA)提取其特征光谱,结合径向基函数(Radial basis function,RBF)神经网络对肇事样本和嫌疑样本进行模式识别的方法。通过对相近油源原油样品分类识别研究表明:该方法仅需单次对肇事样本同步光谱测量,再借助数据分析,就可以很好区分相近油源溢油样品,外扰对识别率影响也不大。RBF神经网络算法识别率在92%左右。该结论对海洋环境中溢油的实时检测及油指纹数据信息库的建立有重要意义。     

基于BP神经网络的血液荧光光谱识别分类研究

光谱技术在生物和医学检测方面具有积极的应用前景。由于血液成分的复杂性和类同性,有关不同动物血液光谱识别分类的技术研究尚未出现较为完善的结论。基于机器学习理论, 以BP神经网络为工具, 建立了对不同动物血液荧光光谱进行特征提取和识别分类的方法。实验采用Cary Eclipse光谱仪分别采集了鸽、鸡、鼠、羊四种动物不同浓度(1%和3%)的全血与红细胞荧光光谱数据(每个类型样本各50组数据);基于移动平滑算法对原始数据进行了平滑处理,以减少实验仪器噪声对特征提取和识别分类的影响;进一步根据血液光谱数据的特性, 该文出了“组合放大”的特征提取方法, 并建立了BP神经网络分类器进行训练和识别。相比于常用的光谱数据(单一)特征, 提出的“组合放大”特征和所设计的BP神经网络能对不同动物、不同类型(全血与红细胞)、不同浓度(1%和3%)的血液荧光光谱实现100%的准确分类, 同时神经网络测试误差均远小于设定的允许误差值。研究的动物血液光谱特征提取及识别技术具有较好的普适性和可靠性, 在农业、食品检查、以及生物医学检测等方面均可发挥重要作用。     

基于反向传播神经网络的激光诱导荧光光谱塑料分类识别方法研究

塑料具有成本低、质量好,可塑性强等优点被广泛用于生产生活等领域,但废弃塑料处置不当容易引发二次污染。回收再利用有望成为解决废弃塑料污染问题的关键手段,其前提是对废料的准确分选。传统分选手段耗费时间,效率低下,难以实现废弃塑料的快速、经济、有效分类。激光诱导荧光技术是一种快速灵敏的光谱检测技术。具有操作简便,检测效率高,样品使用量小等优点常被应用于水体、土壤中油类,多环芳烃等有机污染物的快速识别与定量分析。利用激光诱导荧光技术可以快速采集不同塑料的荧光光谱,结合相应的模式识别算法,可实现塑料材质的快速准确识别。实验采集了8种塑料（ABS,HDPE,PA66,PLA,PP,PET,PS,PVC）共358组激光诱导荧光光谱,依据特征峰信息构建358×10的光谱矩阵。利用主成份分析法削减原光谱矩阵中的线性相关量,提高数据精度。结果显示前3个主成分的累计方差贡献值达98.085%,足以表征原光谱矩阵的主要信息。将降维的主成分PC1, PC2, PC3作为输入进行光谱分类,其中同种塑料光谱聚合度高,元素构成不同的塑料如PA66,PLA,HDPE和PVC的光谱分离度较好,而元素构成相同的塑料如PET和PLA的光谱分离度较差。PCA算法并不能准确的对未知塑料进行识别。BP-神经网络具有收敛速度快,预测精度高等特点被广泛用于模式识别和分类研究。将经PCA算法得到的简化特征矩阵作为BP-神经网络算法的输入集,其中随机抽取256组数据作为BP-神经网络算法模型的训练集,剩余的102组数据作为模型检测集。BP神经网络的隐藏层设定值为1,激活函数选择双极性Sigmoid函数,输出层为8种塑料样品。识别结果显示,102组数据中只有一组HDPE光谱数据被错识为PS,其余101组数据全部正确识别。8种塑料荧光光谱的综合识别准确率达到99%。研究结果表明激光诱导荧光技术结合BP-神经网络算法可实现不同材质塑料的快速准确识别。为实现废弃塑料的自动化智能分选,降低回收成本,减少废弃塑料危害提供新的参考。     

基于支持向量机的非线性荧光光谱的识别

提出将支持向量机网络应用于含不同浓度杂质气体的非线性荧光光谱的识别。由于原始光谱数据的光谱通道数目很大,首先用小波变换去噪压缩,然后采用主成分分析方法对光谱信息进行连续两次的特征提取。在保持原光谱数据主要信息基本不变的情况下,将数据维数由3979压缩到514(小波变换)并提取9个主成分。这样,不仅减少了网络的输入维数,而且加快了网络的训练速度。实验结果表明,无论对训练样本还是未学习过的测试样本,其正确识别率均可达到100%。网络的训练和测试速度较快,可以更有效地应用于大气杂质气体的实时监测。     

基于径向基函数神经网络的荧光光谱技术在菌种识别中的应用

对嗜酸乳杆菌、变异链球菌和保加利亚乳杆菌这三种菌的荧光光谱进行研究,发现在紫外光的激励下,益生菌溶液发出荧光.在最佳激发波长290　nm的激励下,荧光峰值在300—650　nm范围内.采用小波变换对测得的150组光谱数据进行压缩,压缩后每组数据由原来的1341个点减少为168个点,既保留了原图谱的特征,又提高了神经网络的处理速度.径向基函数神经网络方法对压缩后的数据进行研究,对每种菌的40组实验数据进行训练,在此基础上对30组未知数据进行识别.结果表明经过训练之后,径向基函数神经网络能够准确预测未知菌种. 关键词： 荧光光谱 径向基函数神经网络 数据压缩     

Probabilistic Models with Deep Neural Networks

Recent advances in statistical inference have significantly expanded the toolbox of probabilistic modeling. Historically, probabilistic modeling has been constrained to very restricted model classes, where exact or approximate probabilistic inference is feasible. However, developments in variational inference, a general form of approximate probabilistic inference that originated in statistical physics, have enabled probabilistic modeling to overcome these limitations: (i) Approximate probabilistic inference is now possible over a broad class of probabilistic models containing a large number of parameters, and (ii) scalable inference methods based on stochastic gradient descent and distributed computing engines allow probabilistic modeling to be applied to massive data sets. One important practical consequence of these advances is the possibility to include deep neural networks within probabilistic models, thereby capturing complex non-linear stochastic relationships between the random variables. These advances, in conjunction with the release of novel probabilistic modeling toolboxes, have greatly expanded the scope of applications of probabilistic models, and allowed the models to take advantage of the recent strides made by the deep learning community. In this paper, we provide an overview of the main concepts, methods, and tools needed to use deep neural networks within a probabilistic modeling framework.     

基于自适应径向基神经网络的类星体光谱自动识别方法

通过对光谱的研究来识别和认证类星体是天文学研究中的重要方法。文章提出了一种对类星体光谱进行自动识别的自适应径向基神经网络(RBFN)方法。该方法包括以下几个步骤: (1)先将训练样本归一化,再利用PCA变换进行降维,获得样本特征向量; (2)设计出K均值聚类算法与梯度下降法相结合的径向基神经网络结构的基本模型,再用SSE(sum of squares error)误差函数进行判断,对RBFN隐含层的神经元进行自动调节,直至满足给定误差阈值; (3)用训练得到的参数对用于测试的样本中的类星体光谱进行识别。该方法不但克服了经典RBFN算法选择隐层神经元数目的困难,而且还提高了对类星体识别的稳定性和正确率。研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。     

概率神经网络在胃镜样品红外光谱检测中的应用

将人工神经网络方法应用于人体胃镜样品红外光谱检测,以克服常规线性判别分析方法的局限性,从而提高了胃镜样品判别的准确率。概率神经网络是一种适用模式分类的径向基神经网络,采用样本的先验概率和最优判定原则对新的样本进行分类,具有识别率高、训练速度快、不会陷入局部极值等优点。文章采用概率神经网络进行胃镜样品红外光谱模式识别,将预处理后的胃镜样品光谱进行主成分分析,将得分值作为输入,建立概率神经网络判别模型。文中选取118例胃镜离体样品进行红外光谱判别分析,其中正常胃组织19例,胃炎组织64例,胃癌35例,选取其中59例样品建立概率神经网络校正模型,其余样品作为预测集来检验模型。实验结果表明,正常、炎症及癌症胃镜样品检测的总体准确率达到81.4%,对胃镜样品的判别取得了较好的结果。     

基于神经网络的模板匹配方法求正常星系红移

星系通常分为正常星系(NG)与活动星系(AG)两类。文章提出了一种自动获取NG红移的快速有效方法: (1) 由NG模板根据红移范围Ⅰ: 0.0～0.3与Ⅱ: 0.3～0.5模拟得到两类星系样本, 进行PCA变换获得样本特征向量; (2) 利用概率神经网络设计两类样本特征向量的Bayes分类器; (3) 对于实际NG光谱数据, 利用Bayes分类器进行分类确定其红移的范围, 然后在此范围内进行模板匹配得到红移的准确值。与在整个红移范围内的模板匹配方法相比, 此方法不但节省了50%的模板匹配运算量, 而且还大大提高了红移值测量的精度。文章研究结果对于大型光谱巡天所产生的海量数据的自动处理具有重要意义。     

人工神经网络对VOCs的自动识别

利用人工神经网络(ANN)对严重混叠的傅里叶变换红外光谱图进行了定性和定量解析。通过大量模拟数据训练神经网络后,引用了新的评价标准——逼近度来选择最优网络模型。利用此优化网络对两类光谱图进行了解析,考察了网络的泛化能力。结果表明：该网络不仅能够对两组分同时存在时的样本进行准确解析,而且对于未知单组分光谱图,也能够进行准确鉴别和定量分析。可见, 该研究为人工神经网络在单组分和多组分未知物的定性和定量分析方面提供了一种新思路。     

可拓神经网络模式识别对成品油的鉴别与测量

燃油存在“消耗量大”、“相对低质”、“前端缺少清洁”、“末端排放缺乏控制”四大问题, 我国的空气污染60%以上来自煤和油的燃烧,雾霾问题很大程度上取决于能源问题。快速准确地实现汽油、柴油、煤油等成品油的鉴别与测量,对于实施空气污染监测及治理具有重要意义。在精确地表征成品油种类信息的基础上,为了提高网络模型的识别效率,采用主成分分析方法将高维空间进行降维处理。对最常用的三维荧光光谱基于激发-发射矩阵(excitation-emission matrix, EEM)数据进行主成分分析以提取更精细、更深层的特征参量。分类过程中应用交叉验证的方法避免发生“过拟合”现象。设计鉴别和测量双重处理的神经网络,将神经网络模式识别结果反馈到浓度网络的输入端,与相对斜率、综合本底参数、相对荧光强度一起测量相应种类的浓度输出,利用可拓神经网络模式识别技术实现成品油的鉴别与测量。应用可拓神经网络方法实现成品油种类模式识别的平均识别率达到0.99,浓度平均回收率为0.95。模式识别平均耗时为2.5 s,仅为PARAFAC模型分析方法的48.5%。该方法显著提高了运算速度,且应用效果理想。需要指出的是,在分析诸如成品油、茶叶、农药等成分复杂的混合物时,应针对具体待测物制作相应的校正样本,用以确保分析的准确性与精度。