排序方式: 共有6条查询结果,搜索用时 0 毫秒
1
1.
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。 相似文献
2.
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σi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。 相似文献
3.
偏最小二乘-反向传播-近红外光谱法同时测定饲料中4种氨基酸 总被引:7,自引:0,他引:7
偏最小二乘与人工神经网络联用对70个饲料样品建立起天门冬氨酸(Asp)、谷氨酸(Glu)、丝氨酸(Ser)和组氨酸(His)4种氨基酸含量的预测校正模型,以样品平行扫描光谱验证校正模型预测的准确性和重现性。用偏最小二乘法将原始数据压缩为主成分,采用单隐层的反向传播网络建模。取前3个主成分的12个数据输入网络,以Kolmogorov定理为依据,经过实验确定中间层的神经元个数为25,初始训练迭代次数为1000。偏最小二乘-反向传播网络模型对样品4个组分含量的预测决定系数(R2)分别为:0.981、0.997、0.979、0.946;样品平行扫描光谱预测值的标准偏差分别为:0.020、0.029、0.017、0.023。本研究为近红外快速检测在组分含量较低的样品实现多组分同时测定提供了思路。 相似文献
4.
基于偏最小二乘与广义回归神经网络的近红外光谱测定土豆中3种营养成分的研究 总被引:1,自引:0,他引:1
偏最小二乘(partial least squares,PLS)与广义回归神经网络(generalized regression neural networks,GRNN)联用对土豆样品建立起粗纤维、淀粉、蛋白质含量的预测校正模型,用PLS法将原始数据压缩为主成份,取前3个主成份的12个特征吸收峰输入GRNN网络,网络光滑因子σi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: 0.945、 0.992、 0.938.结果表明,近红外光谱技术可以快速、准确地同时测定土豆中的粗纤维、淀粉、蛋白质,该方法可应用于果蔬产业的品质管理与控制. 相似文献
5.
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. 相似文献
6.
偏最小二乘近红外光谱法测定瘦肉脂肪酸组成的研究 总被引:2,自引:0,他引:2
利用偏最小二乘将瘦肉的近红外光谱数据分别与其棕榈酸、棕榈油酸、硬脂酸、油酸、亚油酸含量建立校正模型,并用交互校验和外部检验来考查模型的可靠性.各脂肪酸模型的校正相关系数分别为0.9998、0.9844、0.9963、0.9754、0.9969,均方估计残差(RMSEC)分别为0.0231、0.0485、0.111、0.373、0.311,交互校验均方残差(RMSECV)分别为0.509、0.115、0.225、0.848、0.649.应用所建立的各脂肪酸近红外模型对瘦肉脂肪酸组成进行预测,并对各脂肪酸的预测值与气相色谱法测定值进行配对t-检验,结果表明两者差异均不显著(p>0.05). 相似文献
1