排序方式: 共有23条查询结果,搜索用时 171 毫秒
1.
光谱质量、样本个体差异、检测系统和建模算法等多种因素共同决定水果糖度检测模型的预测精度和稳定性。采用自主研发的短积分全透射近红外在线检测系统以5 ms积分时间和0.5 m·s-1运行速度在线获取了“富士”苹果全透射光谱信号。不同姿态获取的透射光谱强度差异明显,但曲线走势相近,均在920 nm波段具有最大的光谱强度,在850 nm波段存在波谷。采用移动平均平滑、标准正态变量变换和多元散射校正等预处理方法有效去除原始光谱的随机噪声和基线偏差,减小了样本检测姿态引起的光谱差异。为分析不同检测姿态对苹果整果糖度预测模型的影响,构建了单一姿态局限模型和多姿态通用模型,结果表明基于全位点平均透射光谱构建的单一姿态局限模型对检测姿态具有很大的局限性,而多姿态通用模型预测能力较单一检测姿态相当,但却对不同的检测姿态具有更强的适用能力。为进一步提高光谱信号质量,优化模型预测能力,采用信号强度阈值优选方法实现了苹果整果糖度预测模型优化,发现移除中央位点获取的透射光谱信号,有利于提高苹果整果糖度预测模型精度。多姿态通用信号强度优化模型综合考虑不同姿态获取的光谱信息有效性,有效提升了通用信号强度优化模型的预测能力和稳定性,当多姿态通用模型中信号强度阈值为5 000时,模型预测性能最佳,其预测参数Rp,RMSEP和RPD分别为0.79,0.84%和1.58。表明短积分全透射近红外在线检测系统用于不同姿态苹果糖度预测是可行的,多姿态通用模型的建立,扩大了模型在不同姿态的预测稳健性,短积分光谱采集方式结合信号强度阈值优选方法提升了光谱信号的质量和模型的预测能力。 相似文献
2.
3.
应用CARS和SPA算法对草莓SSC含量NIR光谱预测模型中变量及样本筛选 总被引:11,自引:0,他引:11
采用光谱技术对水果进行定量或定性分析,如何获得一个简单、有效的校正模型对后续模型的应用和维护都非常关键。以草莓内部品质近红外光谱预测为例,从关键变量和特征样本优选两方面进行研究。采用竞争性自适应重加权CARS算法对光谱变量进行初次选择,随后采用连续投影算法SPA对校正集样本进行优选,获得98个特征样本,针对优选后的变量/样本子集利用SPA算法作二次关键变量提取,获得25个关键变量。为了验证CARS算法的性能,蒙特卡罗无信息变量消除MC-UVE和连续投影算法SPA用于比较研究。CARS算法在消除无信息变量的同时可以对共线性信息进行去除。同样,为了评估SPA算法在特征样本选择中的性能,经典的Kennard-Stone算法也用于比较分析。SPA算法能够用于校正集特征样本的优选。针对最终优选后的变量/样本(25/98)子集建立PLS和MLR模型对草莓内部可溶性固形物含量SSC含量进行定量预测。结果表明,两个模型利用原始变量/样本的0.59%/65.33%的信息均能够获得比基于原始变量/样本所建模型更好的性能,且MLR模型比PLS模型性能略优,r2pre,RMSEP和RPD分别为0.909 7,0.348 4和3.327 8。 相似文献
4.
特征变量优选在苹果可溶性固形物近红外便携式检测中的应用 总被引:5,自引:0,他引:5
为实现苹果可溶性固形物(SSC)的便携式快速检测,利用环形光纤探头和微型光谱仪搭建便携式苹果可溶性固形物光谱采集系统,结合无信息变量消除(UVE)、遗传算法(GA)、竞争性自适应加权(CARS)算法筛选基于偏最小二乘(PLS)的苹果可溶性固形物的近红外光谱特征波长。另外,采用反向区间最小二乘支持向量机(BiLS-SVM)和GA算法优选基于LS-SVM的特征波长变量,分别建立所选特征波长和全波段的PLS模型和LS-SVM模型。试验结果表明,经过GA-CARS算法从全波段1 512个波长中筛选出的50个特征波长建立的PLS模型效果最好,其预测相关系数和预测均方根误差分别为0.962和0.403°Brix。利用该检测装置结合GA-CARS筛选的特征波长,可有效简化苹果可溶性固形物近红外便携式检测模型并提高模型的预测精度,为进一步构建便携式苹果可溶性固形物检测设备奠定了基础。 相似文献
5.
近红外高光谱图像结合CARS算法对鸭梨SSC含量定量测定 总被引:3,自引:0,他引:3
高光谱数据量大、 维数高且原始光谱噪声明显、 散射严重等特征导致光谱建模时关键波长变量提取困难。 基于此,提出采用竞争性自适应重加权算法(CARS)对近红外高光谱数据进行关键变量选择。 鸭梨作为研究对象。 采用决定系数r2、 预测均方根误差RMSEP和验证集标准偏差和预测集标准偏差的比值RPD值进行模型性能评估。 基于选择的关键变量建立PLS模型(CARS-PLS)与全光谱变量建立的PLS模型进行比较发现CARS-PLS模型仅仅使用原始变量中15.6%的信息获得了比全变量PLS模型更好的鸭梨SSC含量预测结果,r2pre,RMSEP和RPD分别为0.908 2,0.312 0和3.300 5。 进一步与基于蒙特卡罗无信息变量MC-UVE和遗传算法(GA)获得的特征变量建立的PLS模型比较发现,CARS不仅可以去除原始光谱数据中的无信息变量,同时也能够对共线性的变量进行压缩去除,该方法能够有效地用于高光谱数据变量的选择。 结果表明,近红外高光谱技术结合CARS-PLS模型能够用于鸭梨可溶性固形物SSC含量的定量预测。 从而为基于近红外高光谱技术预测水果内部品质的研究提供了参考。 相似文献
6.
LS-SVM的梨可溶性固形物近红外光谱检测的特征波长筛选 总被引:2,自引:0,他引:2
为提高梨可溶性固形物含量(soluble solids content,SSC)的近红外光谱模型的精度和稳定性,以160个梨样品为实验对象,分别对原始光谱、多元散射校正(MSC)和标准正态变量变换(SNV)处理后的光谱,经无信息变量消除算法(UVE)挑选后,再结合遗传算法(GA)和连续投影算法(SPA),筛选梨可溶性固形物的近红外光谱特征波长。将筛选后的波长作为输入变量建立梨可溶性固形物的最小二乘支持向量机(LS-SVM)模型。结果表明经过SNV-UVE-GA-SPA从全波段3112个波长中筛选出的30个特征波长建立的梨可溶性固形物LS-SVM模型效果最好,该模型的预测集相关系数(Rp)和预测均方根误差(RMSEP)分别为0.956和0.271。该模型简单可靠,预测效果好,能满足梨的可溶性固形物含量的快速检测,为在线检测和便携式设备开发提供了理论基础。 相似文献
7.
8.
9.
自适应蚁群优化算法的近红外光谱特征波长选择方法 总被引:2,自引:0,他引:2
为提高近红外光谱预测模型的精度和适用性,同时简化模型,提出了自适应蚁群优化偏最小二乘法优选特征波长的方法,建立不同产地苹果可溶性固形物含量混合分析模型。收集山东、陕西和新疆的富士苹果,采集3800~14000 cm"1范围的近红外光谱,并对其重要品质指标可溶性固形物含量进行测定。利用蚁群算法启发式全局搜索的特点,结合蒙特卡罗轮盘赌随机选择机制,优选苹果可溶性固形物含量的近红外光谱特征波长,然后用偏最小二乘法建立分析模型。与全光谱偏最小二乘模型和遗传偏最小二乘模型相比,蚁群优化算法选择的波长数最少,模型预测能力最强,预测的相关系数R和预测均方根误差RMSEP分别为0.9708和0.5144。研究结果表明,自适应蚁群优化算法可以有效选择近红外光谱特征波长,提高模型的稳健性和适用性。 相似文献
10.
以高光谱数据有效预测苹果可溶性固形物含量 总被引:4,自引:0,他引:4
从高光谱数据中选取能够有效进行内部品质检测的特征波长,是利用高光谱成像技术进行水果品质定量分析的关键。本文采用遗传算法(GA)、连续投影算法(SPA)和GA-SPA算法分别从400~1 000 nm的苹果高光谱图像中提取特征波长,利用偏最小二乘法(PLS)、最小二乘支撑向量机(LS-SVM)和多元线性回归(MLR)建模进行苹果可溶性固形物含量(SSC)的定量分析并进行了综合比较。160个样品中,120个用于建模,40个用于预测。比较发现SPA-MLR模型获得了最好的结果,R2p,RMSEP和RPD分别为0.950 1,0.308 7和4.476 6。结果表明:SPA能够有效地用于高光谱数据的变量选择,利用SPA-MLR可建立稳健的苹果SSC预测模型,较少的有效变量和MLR模型的易解释性表明该模型在在线检测和便携式仪器开发中具有较大的应用潜力。 相似文献