拉曼光谱结合Adaboost算法的食源性致病菌分类识别

食源性致病菌的检测分类一直是食品安全领域的重要研究对象,与传统的病原菌分类方法相比,基于拉曼光谱的分类识别方法具有更高的灵活性和准确性.实验以常见食源性致病菌的拉曼光谱为对象,利用11种病原菌的132条光谱数据,提出一种基于主成成分分析(PCA)和线性判别分析(LDA)的Adaboost集成分类识别模型.实验结果表明,...     

基于密集连接网络模型的致病菌拉曼光谱分类

细菌拉曼光谱信号弱、相似度高且易被噪声干扰,使用传统机器学习方法对其分类时必须进行繁杂的光谱预处理,效率低下。为提高细菌拉曼光谱分类的准确率和效率,提出了一种基于密集连接的一维卷积神经网络模型Ramannet,无需额外的光谱预处理就能有效完成光谱分类。实验结果表明,Raman-net对Bacteria-ID公开数据集中30种细菌低信噪比拉曼光谱的分类准确率为84.26%,显著高于传统机器学习方法及对比方法。对于碳青霉烯类抗生素敏感和耐药的2种肺炎克雷伯菌表面增强拉曼光谱,Raman-net取得了99.16%的分类准确率。这表明对于细菌的普通拉曼光谱和表面增强拉曼光谱,Raman-net无需光谱预处理就能取得较好的分类效果,为致病菌的拉曼光谱鉴定提供了一种快速有效的方法。     

基于激光诱导击穿光谱与随机森林识别GCr15钢的硬度

通过热处理工艺制备了6种不同回火温度的GCr15钢样品,通过对样品的光谱特性进行分析,发现谱线强度的比值与样品的硬度之间存在线性相关性,并且这种相关性的大小与所选择的分析谱线有关。因此,提出将激光诱导击穿光谱与随机森林算法相结合的方法,对样品的硬度进行研究。利用两种特征选择方法建立了不同的随机森林模型,结果表明,当基于主成分分析选择特征时,所建立的随机森林模型不能对样品的硬度进行正确的识别,而当基于变量重要性提取特征时,所建立的随机森林模型能有效识别样品硬度,并且调节随机森林模型的参数可以使模型的性能得到进一步提高。研究结果表明,激光诱导击穿光谱与随机森林算法相结合是一种新颖的硬度测量技术,可以应用于工程中钢的性能评估。     

基于拉曼光谱的口罩物证检验方法研究

为分析口罩材质,建立口罩物证鉴别方法,试验用拉曼光谱仪检测107个口罩纤维样品,研究黑色、粉红色、蓝色染料对口罩纤维拉曼光谱的影响程度,基于主成分分析和相关性检验法对不同品牌、相同品牌不同批次的口罩进行区分,并实现未知品牌口罩的预测。研究表明,在拉曼特征峰相同的条件下,通过分析口罩纤维拉曼强度的差异和主成分得分图可快速找到与未知品牌相关性最强的口罩。在犯罪现场模拟试验中,未知品牌与相似品牌在主成分得分图中显示的距离最近,Pearson、Kendall Rank和Spearman 3种相关系数最大分别为0.932、0.799、0.942,据此找到了与未知品牌相似度较高的口罩。该方法缩小了物证搜查范围,可为公安办案寻找线索提供依据。     

拉曼光谱诊断喉癌的初步探究北大核心CSCD

为了比较喉癌组织及癌旁组织拉曼光谱的差别,得出其各自的特点和规律,建立了喉癌诊断模型;收集2014年10月—2015年8月在中南大学湘雅医院耳鼻咽喉头颈外科进行手术切除的54例喉癌样本和56例癌旁样本,样本统一处理后进行拉曼光谱检测,收集原始光谱数据进行预处理和统计学分析。结果表明:喉癌组织比癌旁组织的的平均拉曼光谱强度更大,且喉癌组织存在稳定的拉曼峰群;喉癌组与癌旁组的t检验结果显示,在波数为150~1859cm-1、1864~1872cm-1、1890~1898.5cm-1、1900~1924cm-1、1964~1968cm-1、1993~1998.5cm-1和2010.5~3476cm-1的波段内,两组样本有统计学差异(显著性水平p<0.05);利用主成分分析-线性判别分析(PCA-LDA)法选取差异波段进行分析,提取3个显著性差异主成分,将其作为LDA的输入,计算判别函数系数,并建立判别模型,判别模型对样本的预测具有较好的特异度和灵敏度,分别为80.4%和87.0%;利用受试者工作特征(ROC)曲线法对喉癌诊断模型进行评价,曲线下面积为0.877;喉癌组织和癌旁组织的拉曼光谱存在较明显且稳定的差异,利用多元统计分析的方法建立的判别模型具有较好的可靠性;拉曼光谱具有在分子水平上为喉癌提供无损、实时诊断与检测的潜能。     

槠叶种新鲜茶树叶的拉曼光谱检测

基于激光拉曼光谱技术对新鲜茶叶原叶品质鉴定及产地区分进行了研究,对安徽祁门县六个村庄槠叶种新鲜茶树叶(简称原叶)进行了检测.结果表明不同产地原叶在748,831,1005,1158,1328,1527,1609 cm-1等处均有较强拉曼峰,但每组峰强度存在差异.采用主成分分析法(PCA)及线性判别分析法(LDA)对原叶的拉曼光谱进行了分析,得到不同产地原叶的区分度为70.7％.     

基于HOG随机森林分类器的人体识别

针对目前复杂场景中人体目标的识别率低、误检率高的问题,提出了一种基于HOG的随机森林分类器,将HOG算法对图像局部区域外观和形状的良好表征和随机森林分类器稳健的目标分类性能和效果有效结合,并将其性能与二叉树、Ada-Boost和SVM等分类器进行了比较,证明其具有较好的鲁棒性,且在复杂场景中得到了有效验证.     

基于随机森林的大学英语四级通过率预测模型

为了得到一种实用性较强且具有较高精度的大学英语四级通过率的预测模型,本文尝试将随机森林模型应用到大学英语四级通过率预测中,以学生基本情况(性别、民族、专业)、高考英语成绩、大学英语成绩(共计4学期)、大学生课外英语使用统计数据为输入变量,以通过英语四级和未通过英语四级作为分类变量,建立基于随机森林预测模型.实验结果表明...     

基于支持向量机算法的多环芳烃表面增强拉曼光谱的定量分析

以硫氰化钾(KSCN)为内标物,利用主成分分析(PCA)降维,利用支持向量机(SVM)算法建立定量分析模型——支持向量回归(SVR),并结合网格搜索(GS)、遗传算法(GA)和粒子群优化算法(PSO)三种参数优化方法,实现了芘、菲单一溶液和混合溶液的定量分析。研究结果表明:以KSCN为内标物,提高了定量分析结果的准确性;利用PCA降维提高了建模速度;三种优化模型对芘预测的平均相对误差(ARE)在7.6%以内,对菲预测的ARE在11.3%以内;三种参数优化方法对同一物质的预测结果相近,但GS的运算速度最快;综合考虑误差和分析速度后,采用GS-SVR模型获得了菲、芘混合溶液的最佳结果。表面增强拉曼光谱(SERS)技术结合SVM算法有望实现多环芳烃的定量分析。     

基于拉曼光谱技术的可燃液体快速检测研究

拉曼光谱作为一种分子“指纹”图谱,能够根据物质分子间的振动对物质进行定性分析,广泛应用在很多领域。拉曼光谱可应用于便携式监测系统,但其数据量偏大,如果不对其数据处理,会增加后续的分析时间,影响自动识别的速度。文中选取九种常见可燃液体90#汽油、93#汽油、97#汽油、丙酮、二甲苯、甲醇、乙醇、乙二醇、叔丁醇为例,对其进行数据预处理分析,特征峰提取效果显著,进而对数据进行512点的压缩,然后选取支持向量机(support vector machine,SVM)分类算法和随机森林分类算法进行模型训练。研究结果表明,随机森林算法的识别可燃液体样品的交叉验证精度高于SVM算法,随机森林算法的均方误差的结果也都优于SVM算法。运用拉曼光谱技术可明显检测出可燃液体样品的谱峰,对数据进行压缩,提高分析速度,可为后续仪器小型化提供技术参考。     

基于Spark的改进随机森林算法

针对基于单机的经典随机森林算法无法满足海量数据处理需求的问题,文中采用Spark分布式存储计算技术设计并实现了改进的随机森林算法。首先计算特征的重要程度,将特征分为公共特征、独有特征和非重要特征;然后按顺序和比例分别在各个特征子空间中随机选择特征;最后通过Spark集群进行实验,分析改进的随机森林算法分类性能、加速比和效率。结果证实改进的算法提高了随机森林构建效率,可以用来解决海量数据挖掘问题,具有良好的可扩展性。     

基于NIR-SERS光谱技术分析宫颈癌氧合血红蛋白

采用电解法制备新型、高效纳米银膜作为近红外表面增强拉曼散射(NIR-SERS)基底,检测了22例健康女性和22例宫颈癌患者氧合血红蛋白的NIR-SERS光谱。对比宫颈癌患者与健康女性氧合血红蛋白NIR-SERS光谱,发现两者区别明显。利用多变量统计分析方法得到宫颈癌患者与健康女性氧合血红蛋白的NIR-SERS光谱在472、662、720和1209 cm-1谱峰处区别最为明显,诊断的特异性与灵敏度均为86.4%。由谱峰归属分析得知,宫颈癌患者血液中高铁血红蛋白吡咯环折叠振动、氧合血红蛋白吡咯环的对称变形振动、反对称变形振动和吡咯环间CmH基团的变形振动等振动模式与健康女性相比有明显的减少。研究表明,NIR-SERS技术结合多变量统计分析方法可以较好地区分宫颈癌患者和健康女性氧合血红蛋白,有望发展成为一种新型的宫颈癌临床诊断工具。     

Human Action Recognition Based on Dense Trajectories Analysis and Random Forest

This paper presents a human action recognition method. It analyzes the spatio-temporal grids along the dense trajectories and generates the histogram of oriented gradients (HOG) and histogram of optical flow (HOF) to describe the appearance and motion of the human object. Then, HOG combined with HOF is converted to bag-of-words (BoWs) by the vocabulary tree. Finally, it applies random forest to recognize the type of human action. In the experiments, KTH database and URADL database are tested for the performance evaluation. Comparing with the other approaches, we show that our approach has a better performance for the action videos with high inter-class and low inter-class variabilities.     

基于随机森林的乳腺肿瘤诊断研究

采用人工智能方法对乳腺肿瘤进行自动诊断实质是对乳腺显微图像进行模式分类识别问题,比传统的人工诊断方法具有更高的准确率和效率,从而提高肿瘤治疗效果。基于随机森林的分类器具有良好的泛化性能,首先讨论了随机森林模型的建立,然后利用训练好的模型对乳腺肿瘤数据进行分类测试,最后讨论了影响随机森林分类器性能的因素以及如何选择随机森林里的决策树的数量。仿真实验表明,利用随机森林分类器对乳腺肿瘤进行分类识别比采用BP、LVQ神经网络、决策树方法可以获得更好的泛化性能。     

真假百元人民币的拉曼光谱研究

采用拉曼光谱作为分析手段,以近红外激光785 nm波长激发,获得了真、假一百元人民币在固定人像水印、全息开窗安伞线、隐形面额数字和光变油墨数字等处的谱图.发现真币与假币的谱图有明显差别,而且不同来源的假币的拉曼光谱也存在着可分辨的差异.研究表明,利用拉曼光谱的分子指纹和微区分析能力,不仅对伪造、变造人民币的识别有重要价值,而且可以分辨不同来源的假币.     

基于表面增强拉曼光谱的甲萘威水溶液检测分析

以表面增强试剂OTR202和OTR103作为表面增强拉曼光谱(SERS)的活性基底,探索建立甲萘威水溶液的SERS检测方法。首先对比分析了甲萘威水溶液的普通拉曼光谱与SERS。然后分析了表面增强试剂与待测样本的加入量对甲萘威水溶液的SERS的影响。最后分析了质量浓度在0.1~15.0 mg/L范围内的甲萘威水溶液的SERS,并以1374 cm-1处的特征峰强度与甲萘威水溶液浓度进行线性回归,得到线性方程为y=414.5x+481.59,决定系数R2=0.9864。试验结果表明该研究方法对甲萘威水溶液的检测限可达到0.1 mg/L,说明以表面增强试剂OTR202和OTR103为SERS活性基底的SERS检测方法可用于水中甲萘威残留检测。