首页 | 本学科首页   官方微博 | 高级检索  
相似文献
 共查询到16条相似文献,搜索用时 248 毫秒
1.
桉树育种和遗传分析是开展桉树世代改良及其目标性状改良等研究的前提。而常用的遗传基础研究方法专业性要求高,且费时费力。该研究旨在利用近红外光谱(NIRs)分析NIRs信息与桉树遗传信息间的关系,并探索NIRs信息用于桉树杂交种判别分析的可行性和准确性。以现有的桉树杂交种测试试验及其亲本材料为对象,用手持式近红外仪Phazir Rx(1624)采集了7个桉树杂交种及其4个亲本树种叶片的NIRs信息。每个树种选择10个单株,每个单株选10片当年生健康叶片,扫描其正面叶脉中部两侧光谱各5次,以均值代表单个叶片的NIRs信息。每种基因型总共各获得100条NIRs信息,其中70条构成训练集样本,30条构成验证集样本。原始NIRs信息采用S.G二阶导数转换预处理,以消除基线及其他因素对光谱信息的影响,增强特征峰信息。经预处理后的NIRs信息用于后续分析,首先通过主成分分析(PCA)的因子得分对树种的分类判断NIRs信息与测试树种遗传信息间的关系。在此基础上,分别用簇类独立软模式(SIMCA)和偏最小二乘判别分析(PLS-DA)两种判别模式建立桉树杂交种的NIRs判别模型。经预处理后的NIRs信息的变异系数曲线显示,在波长2 000 nm后,各树种的NIRs信息存在丰富的特征峰,且特征峰的分布范围存在较大的差异。PCA结果显示,不同的亲本间、杂交种间及杂交种与亲本间样本的PC1和PC2得分可以清晰地将各树种进行分类,这在很大程度上表明NIRs信息可以正确反映桉树不同基因型的遗传信息。NIRs模型的判别效果显示,少数遗传关系比较接近的杂交组合的SIMCA模式相互判别准确率较低,而多数杂交组合间的SIMCA判别准确率则在73%~100%之间;桉树各杂交组合间的单独和综合模型的PLS-DA判别准确率均为100%,且基于PLS-DA判别的综合模型能将7个杂交组合一一与其他组合正确区分开,判别效果明显优于SIMCA模式。结果表明:NIRs信息可以正确反映桉树不同基因型的遗传信息,NIRs判别模型可以比较准确地将各树种进行区分,因此,NIRs信息可用于桉树杂交种和纯种的田间定性判别,从而辅助桉树育种材料遗传基础的研究。  相似文献   

2.
摸清粗皮桉(Eucalyptus pellita)群体的遗传亲缘关系,对研究桉树杂交育种理论,开发优良新品种具有非常重要的意义。研究意在通过对比粗皮桉种源遗传差异与其光谱差异间的关系,探索近红外光谱(NIRs)技术用于粗皮桉遗传亲缘关系分析的可行性。以粗皮桉天然种源材料为对象,每个种源采集8~12个家系叶样。通过全基因组重测序,基于核苷酸序列差异计算种源间的遗传距离。同时,每个家系选择4~6片健康叶片烘至绝干后,将其粉碎装于透明自封口塑料袋。用手持式近红外仪Phazir Rx (1624)采集样品的NIRs信息。以簇类独立软模式(SIMCA)判别分析统计对比种源到目标种源的光谱距离,并基于NIRs欧氏距离对种源进行层级聚类。以NIRs的PCA因子得分图分析种源间的遗传亲缘关系及其遗传变异。结果显示,粗皮桉新几内亚岛种源间的平均遗传距离为0.186,昆士兰州种源间的平均为0.157,新几内亚岛种源与昆士兰州种源间的平均遗传距离为0.295,明显大于区域内种源间的遗传距离。粗皮桉2大区域种源间的NIRs光谱距离与其种源间遗传距离基本呈正相关关系。基于NIRs的层级聚类在一定程度上印证了种源遗传距离、光谱距离的大小关系,但与其地理距离非完全对应,说明基因交流对粗皮桉群体的遗传亲缘关系有较大的影响。PCA聚类显示,遗传或光谱距离大的种源样本因子得分图存在严重重叠,而遗传或光谱距离小的种源样本因子得分反而会清晰聚类,这表明NIRs信息区分异质样本的敏感性,同时也反映了粗皮桉种源内家系间遗传变异的大小。研究结果表明,NIRs技术能够真实反映粗皮桉种源间的遗传差异,可用于桉树群体遗传亲缘关系及群体内的遗传变异分析,可辅助桉树群体的世代改良研究。  相似文献   

3.
PLS-DA法判别分析木材生物腐朽的研究   总被引:6,自引:0,他引:6  
利用近红外光谱结合PLS-DA判别分析方法可用于食品、药品和农产品等的快速识别或检测,因此,研究利用近红外光谱结合PLS-DA方法来检测木材的生物腐朽。研究结果表明:应用近红外光谱结合PLS-DA方法对培训集样本建立的判别模型,其校正及验证结果与实际分类变量的相关系数均超过0.94,SEC和SEP都低于0.17; 利用模型对未参与建模的样本进行检测,发现该模型对未腐朽、白腐和褐腐三种类型样本的判别准确率均为100%(偏差均小于0.5); 与SIMCA法相比,PLS-DA法对木材生物腐朽样本的判别准确率更高,说明应用近红外光谱结合PLS-DA方法能快速地检测到木材的生物腐朽,并能准确地判别出木材的生物腐朽类型。  相似文献   

4.
SIMCA法判别分析木材生物腐朽的研究   总被引:7,自引:1,他引:6  
木材是一种生物质材料,容易受到各种微生物的危害,生物腐朽可以迅速导致木材结构的破坏,因此,对木材生物腐朽的快速、准确地检测或鉴定具有重要意义。近几年来,近红外光谱和SIMCA方法正被用于识别或检测食品、药品和农产品等研究中,因此,本研究尝试利用近红外光谱结合SIMCA方法来检测木材的生物腐朽。研究结果表明,应用近红外光谱和SIMCA方法能有效地判别木材的生物腐朽类型,通过培训集样本建立的基于PCA分析的SIMCA判别模型对未腐朽、白腐和褐腐三种类型样本进行回判,判别准确率分别为100%, 82.5%和100%;而对未知腐朽类型的样本(包括未腐朽、白腐和褐腐样本),判别准确率分别为100%, 85%和100%;SIMCA方法对未腐朽和褐腐类型的判别准确率均达到100%,但对白腐样本都有错判,造成这种错判的主要原因可能是由于样本包括的信息不够丰富以及腐朽初期白腐和褐腐试样的性质差异太小等。  相似文献   

5.
采用近红外透射光谱研究了汽车制动液品牌及新旧的鉴别。采集宝马(BMW),丰田(Toyota),沃尔沃(Volvo)以及嘉实多(Castrol)四种品牌的汽车制动液全新样本以及用过的样本的透射光谱。分别对每一种品牌下全新与用过汽车制动液样本的光谱数据进行主成分分析(PCA),主成分得分图表明不同品牌制动液以及该品牌下全新样本以及用过的样本能够被较好的区分,其光谱特性存在差异。基于主成分载荷(Loadings)进行特征波数选择,偏最小二乘判别分析(PLS-DA),线性判别分析(LDA),簇类独立软模式法(SIMCA),k最邻近分类算法(KNN),随机森林(RF),误差反向传播人工神经网络(BPNN),径向基神经网络(RBFNN),极限学习机(ELM),支持向量机(SVM),最小二乘支持向量机(LS-SVM)等判别分析方法用于建立基于特征波数的判别分析模型,判别模型的建模集和预测集判别正确率均略低于或达到了100%。与其他三种品牌汽车制动液相比,嘉实多全新样本与用过样本的差异较小,KNN与LS-SVM模型的建模集正确率均低于100%。结果表明,近红外透射光谱结合特征波长选择以及判别分析模型对不同品牌制动液以及同一品牌下全新样本以及用过的样本进行识别是可行的,为开发在线或便携式仪器提供理论支持。  相似文献   

6.
近红外光谱技术快速识别针叶材和阔叶材的研究   总被引:1,自引:0,他引:1  
对一种针叶材和一种阔叶材的横切面采集波长范围为780~2 500 nm的近红外漫反射光谱,结合偏最小二乘判别分析法(PLS-DA)对针叶材杉木和阔叶材桉树快速识别的可行性进行了研究,结果表明:(1)利用近红外光谱结合PLS-DA法建立的识别模型对建模样品的识别正确率达到100%,识别模型预测的分类变量值与实际值之间相关系数r达到0.99,SEC为0.07;(2)即使采用短波区域780~1 100 nm的近红外光谱也可以获得理想的识别结果(识别正确率为100%),识别模型的r也达到0.99,SEC为0.07;(3)利用近红外光谱建立的识别模型对未知样本的识别正确率都为100%,说明近红外光谱技术可以快速、准确识别针叶材和阔叶材,这为木材识别提供了一种新方法和技术,也为开发低成本的近红外光谱识别仪器提供了科学依据。  相似文献   

7.
开展种子品种的识别研究是保证种子质量的重要手段。利用高光谱图像技术融合图像特征信息对脱绒棉种的品种进行判别分析。采集4个品种共240粒脱绒棉种样本的高光谱图像数据(400~1 000 nm),提取样本的光谱信息及长、宽、面积、圆形度、等12个形态特征。采用连续投影算法(SPA)选出11个特征波段作为输入结合偏最小二乘判别分析法(PLS-DA)、软独立模式识别法(SIMCA)、最邻近节点算法(KNN)、主成分分析结合线性判别(PCA-LDA)及二次判别(PCA-QDA)进行建模分析,得出PLS-DA建模集和预测集的总体识别率分别为93%和90%。利用图像信息进行建模分析,模型整体的识别率均不高,说明单独使用高光谱图像的形态特征进行分类效果不佳。将特征波段的光谱和形态特征信息进行融合作为输入,建立基于PLS-DA,SIMCA,KNN,PCA-LDA及PCA-QDA的信息融合模型,其精度均比基于光谱或形态信息模型高,其中PLS-DA模型识别效果最好,建模集和预测集总体识别率分别为98%和97%。表明融合高光谱图像的光谱与图像信息可以在少量波段情况下有效的提高脱绒棉种品种的分类检测精度。  相似文献   

8.
近红外高光谱成像技术用于转基因大豆快速无损鉴别研究   总被引:1,自引:0,他引:1  
以近红外高光谱成像技术,结合化学计量学方法,研究了转基因大豆的快速、无损检测方法。实验以3种不同非转基因亲本(HC6, JACK, TL1)及其转基因大豆作为研究对象。采用高光谱成像系统采集874~1 734 nm波长范围的256个波段范围的高光谱图像,提取大豆的光谱信息,剔除明显噪声部分后,采用Moving Average(MA)平滑预处理的941~1 646 nm范围光谱数据进行分析。采用偏最小二乘判别分析算法(partial least squares-discriminant analysis, PLS-DA),对3种非转基因亲本大豆建立模型进行判别分析,其相应的建模集和预测集的判别正确率分别为97.50%和100%,100%和100%,96.25%和92.50%,结果表明,高光谱成像技术可用于非转基因大豆的识别。对非转基因亲本及其转基因大豆进行判别分析,基于全谱,3种的建模集和预测集的判别正确率分别为99.17%和99.17%,87.19%和81.25%,99.17%和98.33%;以x-loading weights提取非转基因亲本及其转基因大豆判别分析的特征波长并建立PLS-DA模型,3种的建模集和预测集的判别正确率分别为72.50%和80%,80.63%和79.38%,85%和85%,该结果表明非转基因亲本与转基因品种的判别分析是可行的,特征波长的选择也可用于非转基因亲本与转基因品种的判别分析。研究表明采用近红外高光谱成像技术对非转基因大豆、非转基因亲本及其转基因大豆进行鉴别是可行的,为转基因大豆的快速无损准确鉴别提供了一种新方法。  相似文献   

9.
栀子药材提取工艺的近红外光谱实时控制方法研究   总被引:5,自引:1,他引:4  
提出了用近红外光谱技术实时控制中药提取工艺的新方法。采用光纤近红外光谱法分析不同工艺条件下的栀子药材提取液样本,通过SIMCA方法建立了工艺稳态监控模型,用于评价26个未知样本的工艺状态,成功地判别了其中的全部异常工艺样本。结果表明,近红外光谱结合SIMCA分析方法是一种快速、方便、有效的工艺监测手段,该方法无需对指标成分进行定量,即可通过样品整体近红外光谱监控其工艺是否正常,从而为中药提取工艺的实时控制提供了一条新的思路。  相似文献   

10.
SIMCA采用PCA模型参数和F检验构造计算T2i/T2uclSi/Q统计量作为样本分类的新属性,并计算待测样本到各类主成分空间的欧式距离作为判别类别的依据,是一种最常用和优秀的光谱分类方法。但是,在QT2作图平面上,以欧式距离确定的样本分布范围是一个圆,多数情况下并不一定能符合实际样本分布规律。本文在分析了SIMCA理论缺陷的基础上,提出了一种新方法,即用马氏距离代替欧氏距离作为判别依据来判断样本的类别。并设计了采用红外光谱判别组分比例很接近的掺假食用油样本的实验,以及用近红外光谱判别相近皮毛样本的实验。用调和比5%~8%的食用油红外光谱PCA模型,分别以马氏距离和欧式距离计算出其样本的分布范围,结果表明马氏距离的分类与识别能力更强。新方法和SIMCA对动物皮毛样本的正确识别率分别为87.5%和75%,对比例相近的食用油调和油的正确识别率分别为65%和55%。结果表明新方法对化学组成差异微小的样品分类精度明显优于SIMCA。  相似文献   

11.
Our recent work on the detection of explosives by laser-induced breakdown spectroscopy (LIBS) is reviewed in this paper. We have studied the physical mechanism of laser-induced plasma of an organic explosive, TNT. The LIBS spectra of TNT under single-photon excitation are simulated using MATLAB. The variations of the atomic emission lines intensities of carbon, hydrogen, oxygen, and nitrogen versus the plasma temperature are simulated too. We also investigate the time-resolved LIBS spectra of a common inorganic explosive, black powder, in two kinds of surrounding atmospheres, air and argon, and find that the maximum value of the O atomic emission line SBR of black powder occurs at a gate delay of 596 ns. Another focus of our work is on using chemometic methods such as principle component analysis (PCA) and partial least squares discriminant analysis (PLS-DA) to distinguish the organic explosives from organic materials such as plastics. A PLS-DA model for classification is built. TNT and seven types of plastics are chosen as samples to test the model. The experimental results demonstrate that LIBS coupled with the chemometric techniques has the capacity to discriminate organic explosive from plastics.  相似文献   

12.
PCA和SPA的近红外光谱识别白菜种子品种研究   总被引:2,自引:0,他引:2  
为了实现对不同品种白菜种子的快速无损鉴别,应用近红外光谱技术获取白菜种子的光谱反射率,首先采用变量标准化校正和多元散射校正对原始光谱进行预处理;其次,采用主成分分析法(PCA)对光谱数据进行聚类分析,从定性分析的角度得到三种不同白菜种子的特征差异,并采用连续投影算法(SPA)选取特征波长;最后,分别基于全波段光谱、PCA分析得到的前3个主成分变量以及SPA算法选取的特征波长,建立了最小二乘支持向量机(LS-SVM)和偏最小二乘判别(PLS-DA)模型进行白菜种子不同品种的鉴别。从主成分PC1、PC2得分图中可以看出,主成分1和2对不同种类白菜种子具有很好的聚类作用。基于特征波长建立的PLS-DA和LS-SVM模型的判别结果优于基于主成分变量建立的模型,其中基于特征波长建立的LS-SVM模型识别效果最优,建模集和预测集的品种识别率均达到100%。结果表明,通过SPA算法选取的6个特征波长变量能够很好的反映光谱信息,提出的SPA算法结合LS-SVM预测模型能获得满意的分类结果,为白菜种子品种的识别提供了一种新方法。  相似文献   

13.
葡萄酒如果贮存方法不当极易发生劣变,失去原有的风味和质感,影响品质,因此对葡萄酒劣变进行检测,具有重要意义。在红葡萄酒劣变过程中,主要发生了酸败现象,产生了过量的有机酸类物质,致使葡萄酒原有性状发生变化。利用傅里叶变换红外光谱技术研究红葡萄酒特征光谱及其品质劣变的判别方法。对劣变过程的理化特性进行了分析,并对葡萄酒的FTIR光谱的主要吸收峰进行了解析。在劣变判别过程中,创新性的采用了比较多个吸收峰之间的吸光度比值之间大小关系的方法实现对劣变的判定,但此方法具有一定的相对性。通过对变质红葡萄酒与未变质红葡萄酒的FTIR光谱数据进行对比分析,发现在3 020~2 790,1 760~1 620以及1 550~800 cm-1三个波段内,在光谱特征上具有一定的差异,为了能够将这些光谱差异与葡萄酒的劣变情况建立联系并能够实现判别分析,引入了化学计量学方法。采用主成分分析(PCA)结合软独立建模聚类分析法(SIMCA)分别对以上三个特征波段内光谱数据进行了分类,最后利用偏最小二乘判别分析(PLS-DA)对验证集数据在这三个波段进行了判别,结果表明FTIR结合化学计量学方法能够成功区分开变质和未变质的红葡萄酒样本,且具有很好的识别率,其中利用1 550~800 cm-1波段来建模分析效果最好,SIMCA和PLS-DA识别率分别为94%和100%。  相似文献   

14.
茶叶是我国重要的经济作物,对茶叶病害的及早发现与诊断,有利于农业生产者及时采取有效的防护措施。为了实现对茶叶病害的准确判别,采用叶绿素荧光光谱对茶叶的光谱特性展开研究。实验采集了健康茶叶样本90片,藻斑病轻度病害叶片90片,藻斑病重度病害叶片90片,并根据Kennard-Stone算法将样本数按3∶1划分训练集和预测集样本数,其中校正集为200个、验证集为70个。采用叶绿素荧光光谱采集系统对茶叶藻斑病、正常叶片进行光谱采集,其中采集参数设置为:积分时间20 ms,激光功率40 mW。分别分析了患病叶片和正常叶片的光谱响应特性,总体上看,三种叶片光谱主要存在吸收强度差异,光谱走势基本一致。在685和740 nm附近存在叶绿素的荧光峰,其差异主要表现在正常叶片光谱较另外两种叶片光谱吸收强度较高,而重度病害强度最低。然后使用多项式平滑(Savitzky-Golay)对原始光谱进行平滑和降噪处理,建立了偏最小二乘判别模型(PLS-DA),在PLS-DA建模集模型中,误判样品数为3个,误判率为3%;PLS-DA预测集模型中,误判样品个数为5个,误判率为7.1%。然后建立4种不同核函数的支持向量机模型进行比较得到,由RBF作为核函数,经主成分分析法(PCA)降维后的变量建立的SVM模型误判率最低,准确率达到95.72%,最后采用PCA结合线性判别分析方法(LDA)建立的模型效果最好,准确率达到98.9%。其中最优主成分数的选取由留一验证法取得,选用前10个主成分进行建模时,交叉验证准确率最高,达98%。通过模型对比得到PLS-DA建模集和预测集精度都达到90%以上,以四种核函数建立的支持向量机模型中,径向基核函数模型效果较优,达到95.72%。经主成分分析后建立的LDA效果最好,识别率为98.9%。该研究采用叶绿素荧光光谱结合化学计量学对茶叶病害进行识别,为茶叶病害的快速、准确预测提供一种新方法。  相似文献   

15.
木材的种类识别是木材加工和贸易的一个重要环节,传统的木材种类识别方法主要有显微检测法和木材纹理识别法,其操作繁琐,耗时长,成本高,不能满足当前需求。本研究利用木材的近红外光谱(NIRS)结合模式识别方法,以期实现木材种类的快速准确识别。采用近红外光谱结合主成分分析法(PCA)、偏最小二乘判别分析法(PLSDA)和簇类独立软模式法(SIMCA)三种模式识别对58种木材进行种类鉴别研究;5点平滑、标准正态变量变换(SNV)、多元散射校正(MSC)、Savitzky-Golay一阶导数(SG 1st-Der)和小波导数(WD)五种光谱预处理方法用于木材光谱的预处理;校正集和测试集样品的正确识别率(CRR)用于模型的评价。采用PCA方法,通过样品的前三个主成分空间分布图分辨木材种类的聚类情况。在建立PLSDA模型,原始光谱的正确识别率最高,分别为88.2%和88.2%;5点平滑处理的光谱校正集和测试集的CRR分别为88.1%和88.2%;SNV处理的光谱校正集和测试集的CRR分别为84.4%和84.5%;MSC处理的光谱校正集和测试集的CRR分别为83.1%和84.2%;SG 1st-Der处理的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD(小波基为“Haar”,分解尺度为80)处理的光谱校正集和测试集的CRR分别为87.3%和87.2%。可知,在PLSDA模型中,木材光谱未经预处理种类识别效果最后好。在建立SIMCA模型过程中,原始光谱的校正集和测试集的CRR分别为99.7%和99.4%;5点平滑处理的光谱校正集和测试集的CRR分别为100%和100%;SNV处理的光谱校正集和测试集的CRR分别为99.5%和99.1%;MSC处理的光谱校正集和测试集的CRR分别为99.0%和98.4%;SG 1st-Der的光谱校正集和测试集的CRR分别为81.8%和82.7%;WD处理的光谱校正集和测试集的CRR分别为100%和100%。可知,在SIMCA模型中,木材光谱经平滑和小波导数处理后的识别效果最好,且光谱的校正集和测试集CRR都为100%。采用三种模式结合五种不同的预处理方法对木材近红外光谱进行定性建模识别时,由于木材样本属性复杂,主成分分布图相互交织,PCA无法识别出58种木材;原始光谱的PLSDA模型可以得到较好的判别模型,但校正集和测试集的CRR只有88.2%和88.2%;木材光谱经过5点平滑或WD预处理后的SIMCA模型可达到最好的识别效果,校正集和测试集的CRR均为100%,且WD-SIMCA模型因子数比5点平滑SIMCA模型小,模型更为简化,故WD-SIMCA为58种木材种类识别的最优模型。研究表明光谱预处理方法可以有效的提高木材种类识别精度,有监督模式识别方法SIMCA可以用来建立有效的木材识别模型,近红外光谱结合模式识别可以为木材种类的识别提供一种快速简便的分析方法。  相似文献   

16.
玉米杂交种品质性状的近红外光谱分析技术研究   总被引:31,自引:8,他引:23  
以我国常用玉米自交系、杂交种样品为材料,采用偏最小二乘(PLS)回归法,建立了近红外反射光谱测定玉米完整籽粒的粗蛋白、粗淀粉和油分含量的校正模型。并利用40个玉米杂交后代材料对3个模型的实际预测效果进行了验证,预测值与化学值间的相关系数(r)可达0.98(粗蛋白)、0.93(粗淀粉) 和0.97(油分), 最大相对误差仅为2.46%(粗淀粉)~7%(油分)。文章还从理论上研究了以数量相对较少的亲本自交系为建模样品、建立可适用于分析大量杂交种样品的近红外数学模型的可行性,提出了作物近红外光谱某些特征具有遗传性这一新的观点。  相似文献   

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号