基于近红外光谱技术成品汽油分类方法的研究

在研究成品汽油的分类方法过程中,首先采用判别式聚类分析方法比较了700~1 100和1 100~1 700 nm两个波段范围判别模型的准确性,然后在识别模型准确性较高的波段(1 100~1 700 nm)采用主成分分析法(PCA)结合自组织竞争神经网络方法,对90#,93#和97#成品汽油建立定性识别模型。在建立定性模型前先用PCA法对原始数据进行主成分压缩。主成分分析结果表明,前3个主成分的累积可信度已达97%,取前3个主成分的32个波长点的吸光度作为神经网络的输入,建立三层自组织竞争神经网络模型。神经网络模型的学习参数为0.01,网络训练迭代次数为500。结果表明,基于主成分分析结合自组织竞争神经网络方法建立的近红外光谱鉴别成品汽油的模型鉴别准确率高、方法可行。     

可见-近红外漫反射光谱技术对羊毛和羊绒的鉴别研究

应用可见-近红外漫反射光谱技术对甘肃不同地区的130个羊毛和羊绒样品进行定性鉴别研究。结果表明：采用主成分-马氏距离聚类判别分析法,羊毛和羊绒样品界线;主成分回归分析技术结合多元离散校正、一阶导数等预处理方法,以及最佳主成分因子为8、不确定因子为1.00等参数,建立的定性鉴别模型预测性能较好,外部验证正确率为100%。说明利用可见-近红外漫反射光谱定性分析技术可以快速鉴别羊毛和羊绒。     

具有活体检测功能的手背静脉身份识别方法研究

针对身份识别容易被仿冒和造假的问题,提出了一种利用近红外相机捕获手背静脉同时具有活体检测功能的身份识别方法,手背静脉图像提供静脉特征作为身份识别的依据,与此同时获取的脉搏波的周期性特征作为活体检测的标志.利用自行搭建的手背静脉和脉搏波捕获实验装置,研究了70个个体的手背静脉图像以及活体和假体的静脉图像特征,并提出了提高...     

基于拉曼光谱的汽油牌号快速识别

提出了一种基于拉曼光谱的汽油牌号快速识别方法。该方法首先基于已知牌号的成品汽油样本进行建模,获取不同牌号成品汽油建模样本的拉曼谱图,经过谱图预处理后对谱图进行主成分分析(principal component analysis,简称PCA),获得载荷矩阵和得分矩阵,同时分别计算不同牌号汽油样本的平均得分向量,即不同牌号的得分中心坐标;然后对未知牌号汽油样本进行识别,先将未知牌号汽油样本拉曼谱图进行相同的谱图预处理,再计算该样品在载荷矩阵上的得分向量,根据PCA类中心最小距离法,计算该得分向量到不同牌号的得分中心坐标的欧式距离,依最小距离直接确定汽油牌号。针对45个取自国内不同炼油厂的成品汽油样本的实验结果表明这些汽油样本拉曼谱图经谱图预处理和PCA后,不同牌号汽油样本在主元得分空间上存在明显类间距,使用PCA类中心最小距离法可实现汽油牌号快速准确的分类。     

橙汁饮品的荧光光谱特性及模式识别

应用FLS920型荧光光谱仪测得鲜榨橙汁、市售橙汁饮品(8种品牌)的三维荧光光谱,通过分析鲜榨橙汁与饮品中常见食品添加剂纯物质的荧光机理与特性,得到橙汁饮品中橙汁成分的最佳激发波长为470 nm,荧光峰值波长为526 nm,其荧光特征峰为470/526 nm,其余荧光峰的归属均为食品添加剂。同时,采用三维荧光光谱重心法与基于MCD估计的稳健马氏距离相结合的方法对市售橙汁饮品进行筛选与分类,分类效果良好。结果表明:将荧光光谱技术与光谱模式识别方法相结合,可为饮料类食品的鉴别提供帮助。     

近红外光谱的主成分分析-马氏距离聚类判别用于卷烟的真伪鉴别

为了快速准确的鉴别卷烟真伪,以A牌和假冒A牌卷烟为实验材料,采用近红外光谱法结合主成分分析-马氏距离判别分析方法建立了鉴别模型.首先对经过预处理的光谱数据进行主成分分析,分析结果表明,前4个主成分的累积贡献率已达98.46%,说明这4个变量能够代表原始光谱的主要信息.从120个样品中随机抽取100个用于建立4个主成分变量的定性判别模型,模型的相关系数达到了0.95,对20个未知样品的预测结果准确率为100%.说明近红外光谱结合模式识别方法进行卷烟真伪定性鉴别在技术上是可行的,可以作为卷烟真伪鉴别的一种辅助手段.     

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。     

基于拉曼光谱和模式识别算法的软玉产地鉴别

利用自行研制的便携式拉曼光谱仪,研究了甘肃、青海和新疆3个产地软玉的拉曼光谱特征,并对其光谱差异进行解析;基于马氏距离判别方法和随机森林判别方法实现了3个产地软玉的无损鉴别。结果表明:利用马氏距离判别方法和随机森林判别方法可以对具有相同拉曼峰的不同产地的软玉进行鉴别,鉴别准确率分别为87.5%和95.83%。     

近红外光谱的甲醇汽油定量检测与分析方法

甲醇汽油因其辛烷值高、成本低等优势成为新型化石燃料替代物,其甲醇含量的精确检测是决定其品质的重要环节,甲醇汽油组分的精确定量检测与分析对于缓解我国传统石油资源短缺但需求量增多的现状具有重大的现实意义。甲醇汽油中甲醇检测的常规方法如酒醇仪测定法、速测盒测定法等,操作复杂,准确定性低。近红外光谱分析具有测量速度快、灵敏度高、可连续测量等诸多优点,在石油化工领域定性、定量分析中具有巨大应用潜力。为研究甲醇汽油近红外光谱无损定量检测方法,配制了0.5%～30%组分的甲醇汽油标准样品,设计了甲醇汽油近红外光谱数据采集系统并采集60个组分的甲醇汽油近红外光谱数据;利用移动平均平滑法、 S-G卷积平滑法(Savitzky-Golay)和多元散射校正(MSC)对甲醇汽油近红外光谱数据进行预处理分析,研究了BP人工神经网络(ANN)和主成分回归(PCR)模型的决定系数和均方根误差,对两种算法的结果和预测效果进行对比。结果显示：各模型的均方根误差均小于1%, SG平滑-主成分回归预测模型拟合度最好,其决定系数为0.998 98;基于SG卷积平滑算法和神经网络算法建立的模型预测值与真值偏差最小,其均方根误差...     

红外光谱结合化学计量学快速鉴别云南重楼不同炮制品

中药炮制是根据中医学理论,改变中药的性味和功效,以达到缓和药性、减毒增效等作用。炮制对中药的活性成分、药效、毒副作用影响甚大,建立一个系统鉴别和评价中药不同炮制品的方法,可为中药质量和临床用药安全提供重要支撑。采用红外光谱法对9种云南重楼不同炮制品进行对比分析,结合化学计量学建立主成分-马氏距离(PCA-MD)判别模型进行鉴别分析。云南重楼不同炮制品的红外光谱经自动基线校正和纵坐标归一化预处理后,取其平均光谱图。九种重楼不同炮制品的平均红外光谱和二阶导数光谱显示：(1)其主要特征吸收峰为3 387,2 923,1 745,1 463,1 338,1 240,1 207,1 158,1 180,1 080,1 048,1 020,988,921,895,859,833,765,708,572和529 cm-1;(2)重楼不同炮制品红外图谱的峰形基本相似,可显示出重楼所特有的红外光谱特征;(3)重楼不同炮制品红外图谱中少数特征吸收峰数目、位置和吸收强度存在差异,表明重楼经不同炮制后化学成分和含量发生了改变。红外光谱经多元散射校正(MSC),标准正态变量(SNV),一阶求导(1st Der),二阶求导(2nd Der)和平滑(SG)优化处理后,采用Kennard-Stone算法筛选训练集和预测集(3∶1),建立PCA-MD判别分析模型。结果显示,重楼不同炮制品的最佳预处理方法为1st Der+SG(11∶3)。提取前5个主成分,变量特征的解释能力为88.2%,以PC1,PC2和PC3为坐标轴建立PCA-MD三维得分图可知,九种炮制品可完全区分;其中重楼I,H,G和F的聚类效果最好,且前三种炮制品距离较近,表明晒干和烘干处理重楼与传统炮制重楼所含化学成分相似;重楼D和E空间距离较近,推测其经过微波和蒸汽高温处理后化学成分变化相似。预测集样本可准确的归属于训练集,PCA-MD判别模型的准确率为100%。红外光谱结合PCA-MD判别分析可准确区分云南重楼的不同炮制品,为云南重楼炮制品的临床应用提供参考,同时为中药炮制品的鉴别提供了借鉴。     

基于小波包分析的光谱识别方法研究

光谱信号的自动识别技术是光谱分析技术中的重要组成部分, 是指运用模式识别方法,借助计算机技术,对相同测定条件下的光谱信号进行比较,根据信号之间的相似程度,从而得出两者之间化学组成关系的技术,主要应用于光谱的定性分析,也可用于光谱的验证。文章以符合朗伯-比尔定律的光谱信号为研究对象,简单介绍了光谱识别技术的基本原理和方法,随后为简化识别难度,进行了光谱信号的归一化处理,再在概述小波分析基本原理的基础上,提出了采用小波包分析的技术对光谱信号进行相关特征提取的方法,并根据统计学知识,得出了计算标准特征向量和允许误差向量的公式,然后运用二叉树分级判别的方法,实现了光谱信号的快速识别,最后举例对该方法进行了说明。     

基于神经网络的光谱识别系统的设计与分析

光谱识别技术是光谱定性分析的基础。随着模式识别技术的发展,光谱识别技术已成为医药、环保、石化等行业进行快速检测的重要的手段。神经网络具有非线性映射、自适应学习、鲁棒性和容错性等特点,在信号处理、知识工程、模式识别等领域有着广泛的应用。文章以符合朗伯-比尔定律的光谱信号为研究对象,概述了运用神经网络进行模式识别的基本原理,随后根据光谱识别的具体要求,提出了基于多特征和神经网络的光谱识别方案,并进行了系统设计,建立了基本的模型框架。最后运用实例对该方法进行了说明。     

基于谱线特征匹配的恒星光谱自动识别方法

我国正在实施的大型巡天项目(LAMOST项目),急需恒星光谱的自动识别系统。文章给出了一种基于谱线特征匹配的恒星光谱自动识别方法。该方法由以下主要步骤组成：(1) 利用小波变换的方法对观测光谱进行谱线特征提取;(2) 将提取出的特征和恒星谱线的特征模板进行相关匹配;(3) 根据相关匹配结果进行恒星光谱识别。通过对Sloan Digital Sky Survey (SDSS),Data Release Four (DR4)中的大量真实光谱数据实验表明,该方法具有对噪声鲁棒等特点,正确识别率高达96.7%。该方法可对相对定标的巡天光谱进行自动识别,符合LAMOST数据的要求,可为天文学家进行恒星和银河系的结构等研究提供帮助。     

一种光谱识别的新方法

提出了一种对光谱信号识别的新方法。针对光谱信号的特征 ,我们设计了基于径向基函数神经网络组成的统计混合模型 ,并构造了识别系统的代价函数。通过优化系统的代价函数 ,导出了类EM算法去估计混合模型的参数 ,从而构建对光谱特征识别的识别器。利用实际的拉曼光谱 ,对本文所提出的估计模型参数的算法与建立的光谱识别器进行了检验。我们还讨论了利用特征波长与相应的光谱强度 ,以及利用主分量分析组成输入特征矢量 ,及其这些输入特征矢量对光谱识别器应用的效果。实验结果表明 ,所提出的算法可以有效地估计模型参数 ,其建立的光谱识别模型具有较高的识别准确率。所提出的对光谱信号识别的方法通用性强 ,因此具有较为广阔的应用前景。     

基于分形编码的M型恒星光谱次型自动识别

根据天体光谱自身的局部分形特征,对光谱中400~510,600~700和780~900 nm三个波段的数据分形编码,并以编码中匹配数据块位置与最小匹配误差为特征,将分形方法应用于天体光谱次型识别。实验表明,分形方法不受LAMOST流量定标误差、仪器效率曲线的影响,具有一定的抗噪性,可以有效地自动识别LAMOST与SDSS的M型恒星光谱次型。     

基于波网络的相位敏感光时域反射系统模式识别方法研究

针对相位敏感光时域反射系统中传统人工特征提取和模式识别方法实时性差、准确率低的问题,提出一种波网络模式识别方法.该方法通过因果空洞卷积结构充分分析光纤振动信号的时序因果性,通过残差块结构使模型更快收敛,以实现更高的识别准确率和效率.实验结果表明,在对手拍、脚踩、棒击三种信号识别时,与一维卷积神经网络结构和长短期记忆网络...     

基于晶状体中微量元素与白内障关系的广义回归神经网络模式识别

选择微量元素Sr,Mg,Na,K,Mn,Cu,Fe和Zn在晶状体中的含量作为识别白内障患者的指标,建立了广义回归神经网络(GRNN)模式识别.选择20个样本为训练集,5个样本为预测集.结果表明,与BP神经网络相比,该种网络具有设计简单与收敛快的优点,对给定的数据能完全识别,预示着通过对晶状体中的微量元素含量的分析,可能作为白内障患者诊断的一种辅助手段.     

基于光谱信息的空间目标模式识别算法研究

在观测空间目标时,往往会受到地基观测仪器等因素的制约,导致无法利用目标图像信息从外形上进行识别。根据不同空间目标表面组成材料不同,其产生的反射光谱会存在差异这一特性,可利用空间目标特有的光谱信息进行识别分类。基于此,从光谱学角度对空间目标识别算法进行研究,在K最近邻算法(KNN)的基础上,采用了一种自适应权重局部超平面方法(AWKH),算法主要在计算预测样本与超平面距离时加入对特征权重的考虑,构建了以样本特征组间差与组内差的比值作为特征权重值的超平面模型,从而提高了分类效果和分类效率。为验证算法的分类效果,本文进行了四组验证实验,第一组实验将美国地质勘探局数据库中提取出的九种常用材料光谱随机选出三种混合成多类进行识别;第二、三组实验将四种常用空间目标材料的光谱作为纯物质光谱,分别从可见光和近红外波段对其混合物质进行分类;第四组实验通过实测四个方形模型样本六个面的光谱对其进行识别分类。实验过程中将实验结果与目前常用的支持向量机(SVM)进行对比,对比结果表明改进后的AWKH算法在识别精度和样本适用范围上具有更高的优越性。     

基于SVM的混合气体分布模式红外光谱在线识别方法

针对混合气体组分浓度分析中海量训练样本的获取、分析精度及实时在线分析等问题,将支持向量机这一新的信息处理方法和红外光谱分析法结合,提出了混合气体分布模式的概念。在此基础上,采用先进行混合气体分布模式识别,然后再进行混合气体分析的思路,在大量调查的基础上,研究探索了实际应用中可能出现的混合气体分布模式,确定60种混合气体分布模式,共计6 000个混合气体红外光谱数据样本用于模型的训练与检验。采用SMO算法实现了减量和增量的在线学习,最终建立了基于SVM的混合气体分布模式红外光谱在线识别模型。模型由模式识别和结果输出2层组成,模式识别层完成混合气体模式分布模式识别任务;结果输出层由60个SVM校正模型组成,完成具体的浓度分析任务。实验结果表明,该方法对混合气体分布模式的正确识别率不低于98.8%,可在小样本条件下对混合气体的分布模式进行在线识别,可在线实时加入新的混合气体分布模式,具有实际应用价值。