基于荧光光谱法与深度信念网络的稻种发芽率检测方法研究

针对传统稻种发芽率检测效率低、精度差、专业化要求高等问题,通过荧光光谱法结合深度信念网络(DBN)建立稻种发芽率预测模型。首先,将连粳7号和武运粳均分别老化0~7 d后,以5 min为间隔在纯净水中分别浸泡5~30 min。然后用荧光光谱仪检测浸泡液的荧光光谱,光谱数据经中心化后用集合经验模态分解(EEMD)去噪,并通过主成分分析法提取441.5 nm的特征荧光波长。最后,利用偏最小二乘回归(PLSR),反向传播神经网络(BPNN),径向基函数神经网络(RBFNN)和深度信念网络(DBN)建立水稻种子发芽预测模型。比较后得出,DBN模型在少数据、弱信号情况下的预测精度最高,预测集相关系数Rp和均方根误差RMSEP最大可达0.979 2和0.101。同时,通过分析混合稻种荧光数据R_p的变化趋势,得到最佳浸泡时间为22.1 min,实际上,精确度超过0.95(R_p)需要5 min左右。研究结果表明,结合荧光光谱法和EEMD-DBN模型,非破坏性地预测水稻种子发芽率具有可行性和高准确性,并且适用于不同颜色和污染水平的水稻种子的检测。     

基于连续偏振光谱技术与嵌入型灰色神经网络的稻种发芽率检测方法研究

针对稻种发芽率传统检测方法周期长,近红外光谱检测技术等无损检测方法受稻种自然颜色及含水量影响大的问题,通过连续偏振光谱结合嵌入型灰色神经网络(IGNN)的方法建立稻种发芽率预测模型。对检测连续偏振光谱运用经典模式分解(EMD)和小波包变换进行去噪处理,根据去噪效果选择EMD去噪。利用主成分分析(PCA)提取去噪后的连续偏振光谱特征,结合偏最小二乘法回归(PLSR)、反向传播神经网络(BPNN)、径向基神经网络(RBFNN)和IGNN分别构建稻种发芽率预测模型,建模结果显示10 min检测时间点IGNN预测模型精度最高,预测集相关系数RP=0.985,预测集均方根误差(RMSEP)为0.771。研究结果表明基于连续偏振光谱技术结合嵌入型灰色神经网络的方法实现稻种发芽率快速无损检测是可行的且精度较高。     

连续偏振光谱的稻种发芽率检测方法研究

针对目前传统稻种发芽率检测方法周期长、精度低的问题,提出新颖的基于连续偏振光谱技术实现稻种发芽率快速、无损检测的方法。以不同老化天数稻种为检测目标,10 min为检测时间点,使用起偏器将光纤准直光源调制成线偏振光垂直入射稻种浸出液,而后以5°为间隔旋转检偏器,并通过光纤光谱仪检测透射的光谱,对检测的偏振光谱通过归一化预处理后,根据不同发芽率稻种检测时偏振角及波长的贡献给出特征偏振角和特征波长,特征偏振角为0°,5°和25°,特征波长为576,620和788 nm,将获取的连续偏振光谱以特征偏振角和特征波长处的透射率为输入,构建稻种发芽率检测模型。分别比较运用偏最小二乘法回归(partial least squares regression,PLSR)、BP神经网络(back propagation neural network,BPNN)、径向基神经网络(radial basis function neural network,RBFNN)三种建模方法建立稻种发芽率检测模型。分别用老化天数为0,2,4,6 d的稻种,在不同的偏振角共测量1 520组实验数据,其中912组数据作为校正集,608组数据作为预测集,建模结果表明三种模型预测精度较高,其中RBFNN模型预测精度最高,其相关系数r为0.976,均方误差RMSE为0.785,平均相对误差MRE为0.85%。表明利用连续偏振光谱技术通过多维度光谱信息能够有效实现稻种发芽率的快速、准确检测。     

基于红外热成像技术和广义回归神经网络的稻种发芽率检测方法研究（英文）

基于稻种老化时间不同时的物理学和生理学差异,提出一种基于红外热成像技术及广义回归神经网络的快速、无损检测稻种发芽率的检测方法,解决传统稻种发芽率检测方法操作复杂、实验周期长等问题。在温度为45℃、湿度为90%的条件下,将水稻种子依次老化0,1,2,3,4,5,6和7 d,得到不同发芽率的种子;采集稻种红外热图像,然后提取稻种胚芽部位数据,总计144份,随机分为校正集和预测集,其中校正集96份,预测集48份;分析和比较不同老化天数稻种红外热差异,从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系,结合偏最小二乘算法(partial least squares,PLS)、BP(back propagation,BP)人工神经网络和广义回归神经网络(general regression neural network,GRNN),建立稻种发芽率的红外热模型。结果表明,利用GRNN建立的发芽率预测模型效果最优,其中校正集的Rc(相关系数)和SEC(标准偏差)分别为0.932 0和2.056 0,预测集RP(相关系数)和SEP(标准偏差)分别为0.900 3和4.101 2,相关性均达到较高水平且校正集与预测集的标准偏差均较小。实验结果表明,采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的,且所建模型在稻种发芽率快速测定方面有较高的精度。     

基于红外热成像技术和广义回归神经网络的稻种发芽率检测方法研究

基于稻种老化时间不同时的物理学和生理学差异,提出一种基于红外热成像技术及广义回归神经网络的快速、无损检测稻种发芽率的检测方法,解决传统稻种发芽率检测方法操作复杂、实验周期长等问题。在温度为45 ℃、湿度为90%的条件下,将水稻种子依次老化0,1,2,3,4,5,6和7 d,得到不同发芽率的种子;采集稻种红外热图像,然后提取稻种胚芽部位数据,总计144份,随机分为校正集和预测集,其中校正集96份,预测集48份;分析和比较不同老化天数稻种红外热差异,从物理学和生理学方面揭示稻种发芽率与红外热图像间的关系,结合偏最小二乘算法(partial least squares, PLS)、BP(back propagation, BP)人工神经网络和广义回归神经网络(general regression neural network, GRNN),建立稻种发芽率的红外热模型。结果表明,利用GRNN建立的发芽率预测模型效果最优,其中校正集的R_C(相关系数)和SEC(标准偏差)分别为0.932 0和2.056 0,预测集R_P(相关系数)和SEP(标准偏差)分别为0.900 3和4.101 2,相关性均达到较高水平且校正集与预测集的标准偏差均较小。实验结果表明,采用红外热成像技术结合广义回归神经网络研究稻种发芽率是可行的,且所建模型在稻种发芽率快速测定方面有较高的精度。     

基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型的研究

基于老化不同时间的稻种的生理学和物理学特性,提出一种基于多尺度小波变换和灰色神经网络的稻种发芽率红外热预测模型,实现稻种发芽率的快速、无损检测,解决传统发芽实验法实验周期长、操作复杂等问题。从不同发芽率稻种的胚芽部位提取144组数据,通过多尺度小波变换,分析逼近信号和细节信号,得出第3层细节信号(d3)贡献最大。以第3层细节信号作为模型的输入,随机分为校正集和预测集,校正集96组,预测集48组。分析和比较老化不同时间的稻种的红外热差异,通过偏最小二乘算法(PLS)、BP神经网络、径向基神经网络(RBFNN)和灰色神经网络(GNN),建立稻种发芽率红外热预测模型。结果表明,GNN建立的稻种发芽率模型预测效果最优,其中校正集相关系数(RC)和标准偏差(SEC)分别为0.9619、2.5013,预测集相关系数(RP)和标准偏差(SEP)分别为0.9554、2.4172,相关性达到较高水平且误差较小。研究表明采用小波分解和灰色神经网络建立稻种发芽率红外热预测模型的方法是可行的。     

基于XRF-CNN土壤重金属Zn元素含量预测模型研究

结合X射线荧光光谱法,针对土壤中重金属元素Zn含量的预测问题,提出基于深度卷积神经网络回归预测模型.对原始土壤进行相关预处理,用粉末压片法制作土壤压片,采用X射线荧光光谱法(X-Ray-fluorescence,XRF)获取土壤光谱,相比于传统检测方式,XRF法具有检测速度快、精度高、操作简单、不破坏样品属性并且可实现...     

深度信念网络的近红外光谱分析建模方法

近红外光谱是一种快速、无损的定量分析工具,现如今已广泛的应用在各个行业中。近红外光谱分析技术应用的关键就在于如何建立一个有效而又精确的模型。目前常用的定量分析方法大多为浅层模型,深度信念网络(DBN)是一种基于概率的深层模型,可以自动学习输入的有效特征表示,且只要设置最后隐层输出节点数低于输入光谱维度,在对光谱数据完成特征提取的同时即可实现降维。对于近红外光谱样本量大、变量多、维度高等问题,提出一种基于深度信念网络的近红外光谱建模方法,定量分析物性浓度。该方法以近红外光谱数据作为输入信号,首先对多层受限玻尔兹曼机(RBM)进行无监督学习,实现光谱自身特征的提取;然后利用目标理化值对网络进行微调得到最优模型参数。在建立DBN校正模型的基础下对其进行改进,建立DBN-PLS校正模型。通过建立DBN近红外光谱校正模型、 DBN-PLS近红外光谱校正模型,验证了DBN建模和DBN-PLS建模的可行性,并引入决定系数(R~2)和均方误差(MSE)两个模型评价指标,对比分析了传统BP建模和DBN建模的精度。分析结果表明,相较于传统定量分析方法建模,利用DBN方法建模和DBN-PLS方法建模可以提高预测精度。     

基于深度学习的高分辨率遥感影像分类研究

针对高空间分辨率遥感影像的分类问题,提出了基于深度学习的分类方法。该方法通过非下采样轮廓波变换计算影像的纹理特征,利用深度学习的常用模型—深度信念网络(DBN)对高分辨率遥感影像进行了基于光谱-纹理特征的分类,并与基于单源光谱信息的DBN分类方法、支持向量机(SVM)分类方法、传统神经网络(NN)分类方法进行了比较分析。研究结果表明:相对于单源光谱信息,利用影像的光谱-纹理特征能够有效提高高分辨率遥感影像的分类精度;相对于SVM、NN等分类方法,DBN能够更加准确地挖掘高分辨率遥感影像的空间分布规律,提高分类的准确度。     

基于深层信念网络的太赫兹光谱识别

特征提取和分类是太赫兹光谱识别的关键。部分物质在太赫兹波段内没有明显的吸收峰,难以人工定义、提取特征及分类识别,为此,结合深度信念网络(deep belief network,DBN)和K-Nearest Neighbors (KNN)分类器的优点,提出了一种基于DBN的太赫兹光谱识别方法。首先利用S-G滤波和三次样条插值对ATP,acetylcholine_bromide,bifenthrin,buprofezin,carbazole,bleomycin,buckminster和cylotriphosphazene在0.9～6 THz内的太赫兹透射光谱进行归一化处理;然后由两层受限波尔兹曼机(restricted Boltzmann machine, RBM)构建DBN模型,并采用逐层无监督的方法训练模型,以自动提取太赫兹光谱特征;最后用KNN分类器对8种物质的太赫兹透射光谱进行分类。结果表明,使用DBN自动提取的光谱特征,KNN分类器、BP神经网络、SOM神经网络和RBF神经网络的分类准确率达到了90%以上,且KNN分类器的识别率优于其他三种分类器;采用DBN自动提取物质的太赫兹光谱特征大大减少了工作量,在海量光谱数据识别中具有广阔的应用前景。     

基于近红外光谱的杂交水稻种子发芽率测试研究

现阶段水稻种子发芽率测试仍然按照传统的农作物种子发芽技术规定进行发芽试验,此方法存在试验周期长、成本高、专业性要求高等缺点,本研究提出一种基于近红外光谱技术的快速、无损测试杂交水稻种子发芽率的新方法。采用人工老化方法在温度45 ℃、湿度100%的条件下分别老化处理2个品种杂交水稻种子0,24,48,72,96,120,144 h;用近红外光谱仪分别采集2个品种不同老化时间段杂交水稻种子光谱数据共280份,随机分成校正集(168份)和检验集(112份);测试不同老化时间段的水稻种子发芽率;以偏最小二乘算法(PLS)建立了回归模型,分析不同光谱波段和比较不同光谱预处理方法对模型精度的影响。2个品种的水稻种子光谱数据采用全波段和标准化＋正交信号校正预处理时模型最优,模型校正集决定系数(R_C)与验证集相关系数(R_P)分别为0.965和0.931,校正标准误差(SEC)与预测标准误差(SEP)分别为1.929和2.899,验证集预测值与真实值之间的相对误差在4.2%以内。研究结果表明利用近红外光谱分析技术进行杂交水稻种子发芽率的快速无损检测是可行的。     

基于退化数据和DBN算法的IGBT健康参数预测方法

绝缘栅双极型晶体管(IGBT)等电子元器件被广泛用于运输和能源部门,其健康状态对于设备安全和有效至关重要;在对IGBT的结构和损伤机制分析基础上,结合NASA艾姆斯中心开展的IGBT加速退化试验,选择集电极-发射极关断峰值电压作为失效特征参数,提出了一种基于深度信念网络的预测模型对其进行分析和预测;以Levenberg-Marquardt(LM)算法模型作为对比,实验结果显示文章提出的三隐藏层DBN模型相比于LM模型有更好的预测性能和更高的预测精度。     

荧光光谱法和ABC-RBF神经网络在多环芳烃浓度检测中的应用

多环芳烃(polycyclic aromatic hydrocarbon,PAHs)具有强致癌性,极大威胁着人类身体健康。因此,寻找一种高效、精确的多环芳烃浓度检测方法十分必要。采用FS920荧光光谱仪分析了苯并(k)荧蒽(BkF)、苯并(b)荧蒽(BbF)、苯并(a)芘(BaP)混合溶液的荧光光谱特性。发现在激发波长260~400 nm、发射波长300~500 nm范围内,混合溶液的荧光光谱重叠严重。当混合物浓度配比不同时,荧光特性也存在很大差异。针对光谱图不能直接反映混合物各组分浓度的特点,将人工蜂群(ABC)算法优化的径向基函数(RBF)神经网络应用于浓度检测中,对比分析普通RBF和ABC-RBF神经网络模型。结果表明,ABC-RBF神经网络模型预测误差相对较小,训练到95次时,均方差精度达到10~(-3)。BkF、BbF和BaP的回收率平均值分别为99.20%、99.12%和99.23%,证明此网络适用于检测多环芳烃溶液,为检测多环芳烃浓度提供了一种快速、有效的新方法。     

深度神经网络在红外光谱定量分析VOCs中的应用

鉴于浅层人工神经网络(ANN)需要依靠先验知识进行人工提取特征,同时较浅的网络结构限制了神经网络学习复杂非线性关系的能力,将深度神经网络(DNN)应用于利用傅里叶变换红外光谱(FTIR)对多组分易挥发性有机物(VOCs)进行的浓度反演研究,并利用仿真实验验证了算法的有效性。从美国环境保护署(EPA)的数据库中选取了包括苯、甲苯、 1,3-丁二烯、乙苯、苯乙烯、邻二甲苯、间二甲苯、对二甲苯在内的八种VOCs气体在8~12μm波长范围内的吸光度谱,每种气体有四种不同浓度下的谱线,依据Beer-Lambert定律从每种VOCs气体中选择一种浓度下的吸光度谱进行混合,得到65 536种不同的VOCs混合气体吸光度谱样本。随机选择5 000组混合气体的吸光度谱,其中4 000组作为训练样本, 1 000组作为预测样本。通过积分提取和主成分提取对光谱矩阵进行降维预处理,将光谱维度从3 457维降到30维。将光谱矩阵经过预处理后得到的新矩阵作为网络输入,对应八种VOCs的浓度矩阵作为输出,建立了30-25-15-10-8的深度神经网络回归预测模型来实现多组分VOCs浓度反演,反演得到样本的均方根误差为0.002 7×10-6,相比于前人利用非线性偏最小二乘拟合、人工神经网络等方法拟合的精度有了明显的提高。每种VOCs气体的均方根误差均不超过0.005×10-6,每个样本的均方根误差均不超过0.006×10-6,证明了深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性。当训练样本不足(典型值:小于500)时,深度神经网络无法充分地学习,网络误差较大,精度低于单隐藏层的人工神经网络,但随着训练样本数量的增加,深度神经网络的精度不断提高,当训练样本数充足时,相比浅层的人工神经网络,深度神经网络具有更强的非线性关系学习能力,预测精度更高,模型更为稳定。同时,由于训练前对光谱矩阵进行了降维处理,大大降低了算法的复杂度,有效提高了反演效率。分析表明,深度神经网络预测模型具有良好的非线性拟合能力和良好的稳定性,无需人工提取特征就能够充分学习数据特征,同时对多组分VOCs进行浓度反演并达到较高精度。     

应用荧光相关光谱测定L-色氨酸的浓度

应用FLS920P型荧光光谱仪对L-色氨酸溶液进行三维荧光光谱检测,从中发现：L-色氨酸的特征荧光峰位于270/350 nm。设定发射波长为350 nm,测量激发谱。由测量结果发现在250~260 nm区间,谱线斜率较大、线性度好。因此选取250,255和260 nm三个激发波长,在每个激发波长下分别测量相应的荧光发射谱。基于三条不同的荧光发射谱,构建以激发波长为外扰变量的自相关光谱;而以浓度为外扰变量的自相关光谱,是以超纯水在不同激发波长的平均谱作为参考光谱,通过参考光谱与样本平均谱的相关计算得到。在此基础上,将相关光谱数据分别与偏最小二乘回归(PLSR)和径向基神经网络(RBFNN)相结合,建立溶液中L-色氨酸含量的预测模型,研究结果表明：采用浓度为外扰变量构造的荧光相关光谱信噪比较高,建模的预测效果要好;而在外扰变量相同时,基于径向基神经网络建立的预测模型比基于偏最小二乘回归建立的预测模型对溶液中L-色氨酸浓度的预测结果更为准确。其中,以浓度为外扰变量时的径向基神经网络预测模型准确度最高,该模型的预测相关系数为99.91%,预测均方根误差为0.033 μg·mL-1。研究结果表明,使用该方法能够对溶液中的物质含量进行准确测定,可为食品安全监管提供帮助。     

基于SiPLS算法的近红外光谱检测梨可溶性固形物含量

为了提高近红外光谱技术在梨的可溶性固形物含量(SSC)检测中的精度和稳定性,对采集的原始光谱进行标准归一化(SNV)预处理,采用联合区间偏最小二乘法(SiPLS)建立了SSC的预测模型;通过交互验证法确定了模型的主成分因子数,以预测时的相关系数(Rp)和预测均方根误差(RMSEP)作为评价指标对模型预测结果进行了分析,并与经典偏最小二乘(PLS)模型、间隔偏最小二乘(iPLS)模型进行了比较.结果表明,利用SiPLS所建的预测模型的最优组合包含21个光谱区间并联合4个子区间和15个主成分因子,其预测集的相关系数和预测均方根误差分别为0.9633和0.203;说明利用近红外光谱结合SiPLS算法可以准确、无损检测梨中可溶性固形物含量.     

光谱油样分析监测技术中的神经网络预测方法

光谱油样分析是机械磨损状态监测与故障诊断的重要技术,基于光谱数据的机械状态预测有利于发现机械系统的早期磨损故障。由于神经网络对于非线性模型的辨识和非平稳信号的预测,与传统预测模型相比具有明显的优势,文章将神经网络预测方法运用于光谱分析,提出了基于神经网络预测的光谱分析监测技术。在预测模型中采用了三层BP网络模型,针对神经网络的结构对于信号预测或模型辨识的精度具有影响很大的问题,文章利用遗传算法,对神经网络输入节点数、隐层节点数和网络收敛的均方误差(MSE)目标值进行了优化,得到了最优的网络预测模型。最后,对某发动机实际的光谱分析数据进行了预测和分析,并与传统ARMA模型的预测结果进行了比较,结果充分表明了本方法的有效性和优越性。     

基于近红外超连续激光光谱的水稻种子活力无损分级检测研究

针对目前农业种植选种应用对于带稃壳水稻种子活力分级检测的迫切需求,以及现有通用的糙米检测技术存在的问题,本文提出一种基于近红外超连续激光光谱的水稻种子活力透射光谱检测方法。首先,设计了种子活力近红外吸收光谱检测系统,测量了3种不同年份的带稃壳的水稻种子的近红外吸收光谱,结果显示,水稻种子的活力梯度与近红外吸收光谱的特征吸收峰值相关。然后,采用归一化、二阶导数校正法和正交信号校正相结合优化了种子光谱的预处理算法。最后,建立主成分分析(PCA)模型,对光谱进行降维,确定最佳主成分数目,应用偏最小二乘判别分析(PLS-DA)建立了水稻种子活力分析鉴别模型。分析结果表明,本文设计的透射式吸收光谱检测系统结合PLS-DA判别模型可对不同活力的水稻种子进行分类,校正集和验证集的准确率分别为94.44%和95.92%,筛选后水稻种子的发芽率可达97.17%。研究结果表明,本文提出的基于近红外光谱信息实现水稻种子活力无损分级的方法可行,且具有较高的预测精度。     

近红外光谱结合ELM快速检测固态发酵过程参数pH值

pH值是固态发酵过程关键参数之一,为此提出基于近红外光谱技术的秸秆蛋白饲料固态发酵过程参数pH值检测方法。利用近红外光谱系统获取140个固态发酵过程产物样本在10 000～4 000cm-1范围内的近红外光谱数据,通过酸度计测得近红外光谱预测模型的参考测量值;运用ELM算法建立pH值的预测模型,在模型建立过程中由交互验证法确定最佳主成分因子数和ELM网络隐含层节点数。试验结果显示:最佳ELM网络模型的拓扑结构为10-40-1,模型预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.961 8和0.104 4。研究结果可为固态发酵过程参数的在线检测提供技术基础。     

基于深度置信网络的燃气轮机气路故障诊断方法

针对燃气轮机气路部件性能衰退故障,引入在深度学习领域取得重大突破的深度置信网络DBN。然而目前DBN中初始参数的选择大多依赖经验,没有形成完备的参数选择机制。针对以上问题,本文提出一种基于遗传算法自适应调整参数的深度置信网络优化算法。以三轴式燃气轮机为对象,将DBN优化算法与其他神经网络方法比较,结果表明DBN优化算法故障诊断平均精度可达88.3%,明显优于BP、RBF、ELM和SVM方法。增设高压压气机出口温度或压力传感器可显著提高燃气轮机故障诊断精度,在DBN优化算法下,故障诊断平均精度提升至98.4%。