共查询到16条相似文献,搜索用时 109 毫秒
1.
基于独立分量和神经网络的近红外多组分分析方法 总被引:10,自引:2,他引:10
采用小波变换对光谱数据进行压缩,用独立分量分析(ICA)方法提取近红外光谱数据矩阵的独立成分和相应的混合矩阵,再用BP神经网络对混合矩阵和实测浓度矩阵进行建模,提出了基于独立分量分析-神经网络回归(ICA-NNR)的近红外分析建模方法。进一步研究了独立分量数和网络中间隐层的神经元数对模型性能的影响,经优化后的ICA-NNR模型在相关系数与均方根误差两个指标上均优于直接用光谱矩阵作为输入所建立的模型。本方法用于玉米中水分、淀粉、蛋白质3种主要成分含量的同时测定,检验样品集的化学检测值与近红外预测值的相关系数分别达到:淀粉r=0.971,蛋白质r=0.976,水分r=0.975。 相似文献
2.
主成分回归残差神经网络校正算法用于近红外光谱快速测定汽油辛烷值 总被引:18,自引:0,他引:18
根据汽油辛值预测体系本身的非线性特点,提出主成分回归残差神经网络校正算法(principal component regression residual artificial neural network,PCRRANN)用于近红外测定汽油辛烷值的预测模型校正,该方法给合了主成分回归算法(PC),与经典的线性校正算法(PLS(Partial Least Square),PCR, 以及非线性PLS(NPLS,Non-linear PLS)等相比,预测明显的改善,文中还讨论了PCR主成分数及训练参数对预则模可能的影响。 相似文献
3.
4.
5.
连续小波变换-独立成分回归算法及其在多组分分析中的应用 总被引:1,自引:0,他引:1
采用连续小波变换(CWT)对光谱数据进行处理,用独立成分分析(ICA)进行特征提取,再用回归分析方法对被测组分进行测定,建立了连续小波变换一独立成分回归(CWT-ICR)方法。方法用于肉样品中水分、脂肪和蛋白质多组分的同时测定,所得结果与化学法测得结果相符。 相似文献
6.
近红外光谱技术结合主成分分析法用于子宫内膜癌的诊断 总被引:3,自引:0,他引:3
应用近红外光谱技术结合化学计量学方法研究了子宫内膜癌组织近红外光谱特征提取和早期诊断的可行性. 测定了154 例子宫内膜组织切片的近红外光谱, 选取适宜的波段和光谱预处理方法进行主成分分析, 很好地区分了癌变、增生和正常子宫内膜组织切片, 并且分辨出处于不同分化期的组织切片, 为子宫内膜癌的早期诊断提供了可靠依据. 该法快速、简便, 有望发展成为一种新型的肿瘤无创诊断方法. 相似文献
7.
8.
9.
10.
基于近红外光谱技术与化学计量学方法,建立了一种国内外不同品牌维生素C片的无损鉴别方法。采集了国内外8个品牌的维生素C片共计40个样本的近红外光谱数据,比较了完整样品以及粉末样品的近红外光谱,采用连续小波变换技术消除背景干扰和基线漂移,基于标准偏差与相对标准偏差的变量筛选方法筛选出具有代表性的波数点,结合主成分分析方法对国内外不同品牌维生素C片进行鉴别分析。结果表明:原始光谱存在着明显的背景干扰和基线漂移现象,且粉末样品的重现性要优于完整样品;单纯使用原始光谱无法辨别来自不同品牌的维生素C片;连续小波变换可以有效消除背景干扰,提高模型鉴别能力;完整样品的鉴别准确率优于粉末样品,说明国内外不同品牌维生素C片主要成分基本一致,可能是辅剂和工艺上存在细微差异。通过结合近红外光谱分析技术与化学计量学方法,可实现对国产以及进口不同品牌维生素C片的鉴别分析。 相似文献
11.
12.
该文提出了一种基于麻雀搜索算法结合深度前馈神经网络(SSA-DFN)的近红外光谱模型转移方法。使用深度前馈神经网络拟合不同仪器采集到的光谱之间的非线性函数映射,并将麻雀搜索算法用于网络各层连接权值和阈值的初始化,通过种群中个体位置的迭代更新,求得连接权值和阈值的最优初始值;通过多次调整深度前馈神经网络模型的超参数,使网络拟合效果趋于最优,最终确定转移函数。为验证方法的有效性,分别从烟叶近红外光谱谱图、主成分投影和预测结果的角度,将SSA-DFN方法与分段直接校正算法(PDS)、典型相关性分析算法(CCA)转移前后的效果进行了对比。结果表明SSA-DFN方法转移后的从机光谱与原主机光谱重合度最高,转移后主、从机总糖、烟碱含量的预测结果差异不显著,预测平均误差从8.32%、9.15%分别降至4.65%、4.82%,预测均方根误差(RMSEP)和决定系数(R2)等指标均优于PDS和CCA,取得了最佳的转移效果,可满足企业需求。结果表明该方法是一种有效的模型转移方法。 相似文献
13.
该文基于近红外漫反射光谱分析技术对食品包装材料聚乙烯、聚丙烯进行定性判别试验研究,选取不同波段范围、采用不同光谱预处理方法,使用主成分分析法(Principal component analysis,PCA)结合SIMCA、贝叶斯判别、K-近邻3种模式识别方法建立定性预测模型,并根据正确识别率比较了各模型预测性能。结果表明:使用SIMCA方法、贝叶斯判别、K-近邻3种方法建立的定性校正模型均在1 050~1 550 nm波长范围内效果较好;采用矢量归一化、标准正态变量变换、中心化、滑动均值滤波、多项式平滑滤波、一阶微分6种光谱预处理方法和上述3种模式识别方法对塑料样品近红外光谱进行了数据处理,其中在1 050~1 550 nm范围内,主成分因子数为3,采用原始光谱建立的K-近邻定性校正模型较优,对样品校正集和预测集的正确识别率均为100%。可为食品包装材料聚乙烯、聚丙烯的快速鉴别研究提供参考。 相似文献
14.
15.
Chinese herbal medicine has attracted increasing attention because of the unique and significant efficacy in various diseases. In this paper, three types of Chinese herbal medicine, the roots of Angelica pubescens, Codonopsis pilosula, and Ligusticum wallichii with different places of origin or parts, are analyzed and identified using laser-induced breakdown spectroscopy (LIBS) combined with principal component analysis (PCA) and artificial neural network (ANN). The study of the roots of A. pubescens was performed. The score matrix is obtained by principal component analysis, and the backpropagation artificial neural network (BP-ANN) model is established to identify the origin of the medicine based on LIBS spectroscopy of the roots of A. pubescens with three places of origin. The results show that the average classification accuracy is 99.89%, which exhibits better prediction of classification than linear discriminant analysis or support vector machine learning methods. To verify the effectiveness of PCA combined with the BP-ANN model, this method is used to identify the origin of C. pilosula. Meanwhile, the root and stem of L. wallichii are analyzed by the same method to distinguish the medicinal materials accurately. The recognition rate of C. pilosula is 95.83%, and that of L. wallichii is 99.85%. The results present that LIBS combined with PCA and BP-ANN is a useful tool for identification of Chinese herbal medicine and is expected to achieve automatic real-time, fast, and powerful measurements. 相似文献
16.
为了实现扫描仪在不同光源、不同观察者条件下准确获取颜色信息,最大程度的避免同色异谱现象,本文采用光谱的方法对扫描仪进行特性化处理,通过多项式回归和BP神经网络分别与主成分分析法结合,首先对检测样本的光谱反射率进行主成分分析,提取主成分与主成分系数,通过实验得到主成分系数与多项式回归、BP神经网络结构之间的转换模型,实现了扫描仪低维RGB信号对原始光谱反射率信息的重构,进而实现扫描仪的光谱特性化.实验结果表明,多项式项数为19项时,达到训练样本的均方根误差为1.7%,检测样本的均方根误差为1.9%.而包含15个隐层节点的单隐层BP神经网络结构为比较合理的网络结构,达到训练样本的均方根误差为1.3%,检测样本的均方根误差为1.5%.对彩色扫描仪的特征化处理,采用多项式回归法得到光谱特性化精度较低,采用BP神经网络模型能够实现更高的光谱特性化精度. 相似文献