小波变换近红外光谱结合径向基神经网络快速分析异福片

应用小波变换(WT)处理近红外漫反射光谱结合径向基神经网络(RBFNN)建立快速分析异福片中利福平和异烟肼含量的模型(WT-RBFNN)。用小波变换的低频系数作为RBFNN的输入节点, 研究了网络参 数包括隐含层神经元数和径向基宽度(SC)对模型的影响。与经典的RBFNN和PLS相比较表明, WT-RBFNN模型压缩了原始光谱, 除去了噪音和背景的影响, 拟合效果很好。优选的WT-RBFNN模型对校正集样品 中利福平、异烟肼的交互验证均方根误差(RMSECV)分别为0.006 04和0.004 57;对预测集样品预测均方根误差(RMSEP)分别为0.006 39和0.005 87。同时预测集样品中利福平和异烟肼与RP-HPLC测定结果 的回归系数(r)分别为0.995 22和0.993 92, 相对误差在2.300%以下。这些结果显示了该方法建模的稳健性和模型的预测精度均很高, 同时此方法具有非破坏、无污染、可在线检测等优点, 对替代常规药物 分析方法有重要的意义。     

径向基函数神经网络和近红外光谱用于大黄中有效成分的定量预测

采用近红外光谱(NIRS)法和人工神经网络定量预测大黄样品中４种有效成分的含量,包括：蒽醌及其单糖甙类、水溶性蒽甙类、芪芪甙类、鞣质及其有关化合物。在1 100～2 500 nm波长范围内扫描大黄粉末样品,采用径向基函数神经网络(RBFNN)建立了近红外光谱与HPLC分析值之间的校正模型。上述四类化合物的交叉验证均方差(RMSECV)分别为2.572,0.442,2.794,9.438;预测均方差(RMSEP)分别为4.598,8.657,0.458 6,5.106。该方法快速,无损,结果令人满意,可作为中药材复杂体系中化学组分定量测定的方法。     

基于偏最小二乘增量式神经网络的近红外光谱定量分析模型

提出了一种基于偏最小二乘增量式神经网络的近红外光谱定量分析模型。该模型采用典型三层反向传播神经网络(BPNN),不同波长吸光度和成分浓度是模型的输入和输出。在使用历史样本训练之前先进行偏最小二乘(PLS)回归,所得自变量和因变量的历史负荷矩阵分别用于确定模型输入层和输出层的初始权值,且自变量的主成分个数作为隐层的节点数。当获得新的样本时,对新数据与历史负荷矩阵组合后进行PLS回归,将所得新的负荷矩阵与历史负荷矩阵融合后作为模型输入层和输出层新的初始权值,接着使用新样本对模型进行训练来实现增量式更新。将所提模型与PLS、BPNN、基于PLS的BPNN、递归PLS在天然气燃烧烟气近红外光谱数据上测定后比较。对于烟气中二氧化碳浓度的预测,所提模型的预测均方根误差(RMSEP)分别降低了27.27%,58.12%,19.24%和14.26%;对于烟气中一氧化碳浓度的预测,所提模型的RMSEP分别降低了20.65%,24.69%,18.54%和19.42%;对于烟气中甲烷浓度的预测,此模型的RMSEP分别降低了27.56%,37.76%,8.63%和3.20%。实验结果表明,所提模型不仅通过PLS对BPNN结构和初始权重的优化,使模型具有较强的预测能力,而且能在已建模型信息的基础上,不访问旧数据而用新增样本即可完成自身的增量式更新,从而使模型具有较好的稳健性和泛化性。     

基于近红外光谱技术的石油组分定量分析新方法

针对石油化工产品生产控制和质量检查的需要,为提高测定产品组成的效率,将近红外光谱法作为基础测定方法,以直馏柴油、加氢精制柴油和催化裂化柴油为校正模型的训练样本,测定其中饱和烃、胶质、单环芳烃、双环芳烃、三环芳烃和环烷烃的组成,论述了采用模糊神经网络建立校正模型测定石油化工产品组成的可行性。基于dSPACE硬件平台,用验证样本对模糊神经网络校正模型进行了检验,实验结果表明,该方法响应快、误差小、鲁棒性强,在近红外长波区内,校正样品和验证样品的均方误差小于10-6。该方法可用于石油化工产品的生产工艺研究中。     

基于径向基神经网络和BP神经网络对日落黄荧光光谱的分析

对食用合成色素日落黄的荧光光谱进行研究,发现在最佳激发波长370nm紫外光的激励下,荧光峰值波位于576nm;经分析认为,日落黄溶液之所以能产生荧光是因为分子中偶氮键将一个苯环和一个萘环连接在一起,形成大共轭结构,并且取代基与—SO3Na与—OH处于萘环的对位,大大增强了日落黄分子的共轭程度,使其具有强的吸光功能,发出强荧光。另外,结合径向基神经网络和BP神经网络对未知样本进行浓度预测,结果精确,平均相对误差分别为3.51%和5.45%,RSD分别为1.83%和2.95%。该方法有望成为对食用合成色素进行高效检测的有效方法。     

基于径向基函数神经网络的高光谱遥感图像分类

从径向基函数神经网络的理论出发,针对高光谱数据的特点,设计了有效的特征提取模型,再与径向基函数神经网络的输入层连接,建立了一个新的径向基函数神经网络的高光谱遥感影像分类模型,并用国产OMISII传感器获得的64波段数据进行试验。首先进行了最小噪声分离变换,提取了1～20个分量的数据,使用提取后的数据（20维）、提取后数据的纹理变换（20维）和主成分分析的前（20维）,组成了60维向量数据进行分类处理,这种分类器结构简单、容易训练、收敛速度快,其分类精度达到69.27%,高于BP神经网络分类算法(51.20%)以及常用的最小距离分类（MDC）算法(40.88%)。通过对结果和过程进行分析,实验证明径向基函数神经网络在高光谱遥感分类中具有较好的适用性。     

径向基神经网络结合近红外光谱技术分析安络小皮伞发酵组分的研究

采用径向基神经网络(RBFNN)结合近红外光谱(NIRS)技术建立一种分析安络小皮伞发酵菌丝体中甘露醇、多糖和腺苷三种组分的定量分析模型。收集164个安络小皮伞液体发酵菌丝体样本的近红外光谱数据,采用常规方法分别测定样本中甘露醇、多糖和腺苷的含量。在应用蒙特卡罗偏最小二乘法(MCPLS)识别异常样本、确定校正集样本数量的基础上,以逼近度(Da)为评价指标,采用可移动窗口径向基神经网络(MWRBFNN)筛选特征波长变量,筛选最佳光谱预处理方法、隐含层节点数(NH)等模型参数。建立甘露醇、多糖和腺苷组分定量分析模型,最佳RBFNN-NIRS模型中校正集和预测集样本实验测定值与预测值间相关系数分别为0.9274、0.9009、0.9440和0.9354、0.9018、0.8847,表明模型具有很好的拟合度和预测性能。     

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     

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.     

近红外光谱温度修正定量分析模型的研究

以小麦粉末样品为实验材料,研究了环境温度对近红外光谱定量分析结果的影响。将环境温度作为外部变量,使用不同温度下的45个样品建立了测定小麦蛋白质含量的温度修正模型,预测不同温度下的小麦样品的蛋白质含量,结果同以22 ℃恒温下45个样品建立的模型进行了比较。分析结果表明：温度修正模型的预测标准差(SEP)平均为0.333,而恒温模型(22 ℃)的预测标准差随着环境温度与建模时温度差的增大而增大,当环境温度4 ℃时,SEP=0.601 6。温度修正模型可以有效的提高近红外光谱定量分析精度。     

应用荧光光谱和径向基函数神经网络定量检测三聚氰胺

实验发现三聚氰胺溶液在紫外光激发下产生较强荧光,测得其荧光峰在310～600 nm之间,荧光峰值波长为420 nm左右,荧光相对强度与三聚氰胺溶液浓度呈现复杂的非线性关系。提出了采用径向基函数神经网络结合荧光光谱对三聚氰胺溶液浓度进行测定的方法。对每个样本选取30个发射波长值所对应的荧光强度作为网络数据,训练、建立了径向基函数神经网络。应用训练好的径向基函数神经网络,对5种三聚氰胺溶液的浓度进行预测,结果相对误差分别为0.93%,0.09%,0.31%,1.55%,4.61%。该方法能快捷、准确地测定三聚氰胺在溶液中的含量,为三聚氰胺检测及食品安全监管提供了一种新方法。     

PLS-GRNN法近红外光谱多组分定量分析研究

研究了偏最小二乘(partial least squares ,PLS)与广义回归神经网络(generalized regression neural networks, GRNN)联用在近红外光谱多组分定量分析中的应用。以饲料样品为实验材料,采用PLS-GRNN法建立了饲料中水溶性氯化物、粗纤维、脂肪三项组分含量近红外光谱定量分析模型。马氏距离法剔除强影响点和奇异点,用PLS法将原始数据压缩为主成分,取8个主成分吸收峰与4个原始图谱特征峰值输入GRNN网络,网络光滑因子σ_i为0.1。PLS-GRNN模型对样品3个组分含量的预测决定系数(r2)分别为：0.984 0,0.987 0,0.983 0;样品平行扫描光谱预测值的标准偏差分别为：0.003 26,0.065 5,0.031 4。结果表明所建PLS-GRNN模型通过近红外光谱能够准确预测饲料中水溶性氯化物、粗纤维、脂肪三项组分含量,为近红外光谱进行多组分定量分析提供了新思路,同时为解决近红外快速检测技术在预测组分含量较低的样品时误差相对较大的问题提供了可靠的方法。     

基于Elman网络的近红外光谱技术多组分定量分析研究

研究了Elman神经网络(反馈神经网络,Recurrent Network)在近红外光谱定量分析中的应用。以饲料样品为实验材料,采用Elman网络建立了饲料中苯丙氨酸(Phe)、赖氨酸(Lys)、酪氨酸(Tyr)和胱氨酸(Cys)四种氨基酸含量的近红外光谱定量分析模型。用偏最小二乘法(partial least squares ,PLS)将原始数据压缩为主成分,取前3个主成分的12个吸收峰值输入Elman网络,网络中间层神经元个数为47。Elman网络模型对样品4个氨基酸含量的预测决定系数(r2)分别为0.960,0.981,0.979,0.952。表明所建Elman网络预测模型通过近红外光谱能够较准确预测饲料中苯丙氨酸、赖氨酸、酪氨酸和胱氨酸四种氨基酸的含量,为通过近红外光谱技术进行多组分定量分析提供了新思路。     

PLS-BP法近外光谱同时检测饲料组分的研究

建立了用偏最小二乘(partial least squares,PLS)与人工神经网络(artificial neural networks,ANN)联用对饲料样品同时测定水分、灰分、蛋白质、磷含量的预测校正模型.光谱数据用二阶微分及标准归一化处理(SNV),用PLS法将原始数据压缩提取前10个主成分与2个特征峰值作为12个输入向量,采用单隐层的反向传播人工神经网络(Back-Propagation Network,BP),确定中间层的神经元个数为23,初始训练迭代次数为1 000.PLS-BP模型对样品四个组分含量的预测决定系数(r2)分别为:0.995 0,0.998 0,0.999 0和0.967 0;样品平行扫描光谱预测值的标准偏差分别为:0.027 74,0.048 53,0.032 92和0.022 04.     

近红外光谱法的甜菜糖度快速测定

为了实现甜菜依据含糖量定等分级,甜菜收购环节的按质论价,促进甜菜制糖行业的良好健康发展,应用近红外光谱技术对甜菜糖度的快速检测进行了系统研究,确定了一种快速、无损、准确的测量甜菜糖度的方法。采集具有代表性的28个甜菜品种,820个甜菜样品作为校正集,70个样品作为预测集,扫描得到甜菜校正集样品的近红外原始光谱,选择合适的光谱预处理方法,采用偏最小二乘法建立甜菜糖度的定量预测数学模型,以校正模型的内部交互验证均方根误差(RMSECV)、决定系数(R2)和外部预测标准误差(SEP)为指标对模型的性能进行评价,并对模型的预测效果进行了比较。采用一阶导数和标准正态变量变换对光谱进行预处理并结合偏最小二乘法所建立的定量预测数学模型的预测能力较好。甜菜糖度定量校正数学模型的模型决定系数为0.908 3,内部交互验证预测均方根误差为0.376 7。用此数学模型对预测集70个样品进行预测,预测值与实测值的相关系数达到0.921 4,预测标准误差为0.439,预测值和实测值之间不存在显著性差异(p＞0.05)。结果表明：近红外光谱法作为一种简单、快速、无损、环保的检测方法,能够良好的评价甜菜的糖度。建立的模型具有很高的精确性,可以满足甜菜糖含量测定的需要,该方法可以实现甜菜收购环节的定等分级和按质论价。     

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。     

Nonlinear Time Series Forecast Using Radial Basis Function Neural Networks

In the research of using Radial Basis Function Neural Network (RBF NN) forecasting nonlinear timeseries, we investigate how the different clusterings affect the process of learning and forecasting. We find that k-meansclustering is very suitable. In order to increase the precision we introduce a nonlinear feedback term to escape from thelocal minima of energy, then we use the model to forecast the nonlinear time series which are produced by Mackey-Glassequation and stocks. By selecting the k-means clustering and the suitable feedback term, much better forecasting resultsare obtained.