高光谱图像技术检测黄瓜叶片的叶绿素叶面分布

以黄瓜叶片为材料,利用高光谱图像技术结合独立分量法(ICA),研究了叶绿素浓度叶面分布的快速、无损检测方法.用高光谱相机采集了80片黄瓜叶子的高光谱图像(408～1117 nm),利用ICA方法提取了高光谱图像的8个独立分量信号,通过逐步线性回归(SMLR)优选出第1、第2和第5个ICA信号,并在此基础上建立了叶绿素浓...     

基于聚苯胺-镍酞菁多孔渗透薄膜的氨气传感器

利用磺化镍酞菁(NiTSPc)对苯胺(PANI)聚合的催化作用,通过简单的电聚合方法在叉指金电极(IAE)表面合成了PANI/NiTSPc多孔渗透膜.利用扫描电子显微镜(SEM)、原子力显微镜(AFM)、能量色散图谱(EDS)和拉曼光谱对PANI/NiTSPc多孔膜进行表征.在室温下,采用基于PANI/NiTSPc多孔膜制备的传感器对不同浓度(3.8~1900 mg/m~3)的NH_3进行了检测.结果表明,对于76 mg/m~3的NH_3,传感器的灵敏度为2.75,响应时间为10 s,且该传感器具有恢复时间短、重复性及稳定性良好等优点.所制备的PANI/NiTSPc薄膜传感器在NH3检测及电子鼻的应用中具有巨大潜力.     

近红外光谱LASSO特征选择方法及其聚类分析应用研究

近红外光谱技术是一种通过分析样本的特征光谱数据,实现定性或定量分析的无损检测方法,特征数据的完整性和代表性决定了所建模型的性能,而现有分析方法只能实现光谱子区间特征筛选,导致分析模型稳定性差、且难以再优化。为实现近红外光谱区间高维数特征提取,有效提高近红外光谱定性分析模型的精度和稳定性,提出一种基于最小绝对收缩和选择算法(LASSO)的光谱特征筛选方法,并以我国特色高值外贸产品云南松茸为分析对象进行聚类应用研究,讨论了该方法对于高维光谱特征筛选的有效性、分析对比了LASSO筛选特征变量及主元分析(PCA)降维算法所建松茸真伪甄别及食用菌分类模型的预测精度及稳定性。通过调研发现,云南产鲜松茸因其独特外形易于分辨,而片状的干松茸失去其独有的外形特征,导致国内干松茸掺假事件屡禁不止。选取云南产松茸、杏鲍菇、老人头、姬松茸四种干样共166样本数据进行分析,采用光谱范围为900～1 700 nm的NIRQuest512型近红外光谱仪获得166×512维原始光谱数据,剔除异常数据后采用标准正态变换对光谱数据进行预处理。在此基础上,利用LASSO筛选出全光谱区间的特征变量,再使用Kennard-Stone法并结合典型线性(KNN)和非线性建模(BP)算法,构建松茸真伪甄别模型和食用菌分类模型,对两种模型进行盲样测试,并分析了LASSO与PCA算法的不同点,最后使用蒙特卡罗方法检测两种模型的稳定性。实验结果表明基于LASSO光谱特征选择的松茸真伪甄别模型和食用菌分类模型预测精度和稳定性均高于PCA方法,其中基于原始光谱数据所建真伪甄别模型的预测准确率为69.57% (BP)和60.87% (KNN),食用菌分类模型准确率为67.39% (BP)和65.22% (KNN),基于LASSO特征筛选的真伪甄别模型预测准确率分别达到100% (BP)和78.26% (KNN),食用菌分类模型预测准确率分别达到89.13% (BP)和80.43% (KNN),对两种模型进行10次蒙特卡罗实验,其结果平均值分别为99.93%和97.22%,由此可知,与PCA等数据降维算法相比,LASSO可实现全光谱区间的光谱特征选择和数据降维,有效地提高了近红外定性分析模型的预测性能,为近红外分析提供了一种新的特征筛选方法。     

利用近红外及中红外融合技术对小麦产地和烘干程度的同时鉴别

小麦是制作馒头的主要原料之一,小麦中水、蛋白质、淀粉会因产地以及烘干程度的差异而不同,进而影响到加工成馒头的品质。所以实现对小麦产地和烘干程度的快速鉴别就显得尤为重要。感官评定是鉴别小麦产地和烘干程度常用的方法,对比感官评定,光谱分析可以识别样品中的分子结构等信息。基于此,尝试利用近红外和中红外光谱融合技术实现对不同产地和不同烘干程度的小麦同时鉴别。首先选取了两个不同产地的小麦,再利用微波干燥法对两个不同产地的小麦做烘干预处理,使烘干的小麦水含量为12%±0.5%,原麦水含量为18%±0.5%。分别标记为原麦A,烘干A,原麦B,烘干B,再将小麦研磨成粉末,过100目筛网筛选后,置于自封袋中备用。随后分别采集四种小麦样品的近红外和中红外光谱信息,在Matlab 7.10的环境下使用标准正态变量变换(standard normal variable transformation, SNVT)对采集到的原始光谱数据进行预处理,利用主成分分析对预处理后的数据进行降维处理,再结合线性判别分析（linear discriminant analysis,LDA）和支持向量机（support vector machine, SVM）分别建立小麦近红外、中红外光谱数据识别模型。另外利用联合区间偏最小二乘法（synergy interval partial least square, SiPLS）筛选出利用标准正态变量变换(SNVT)预处理后的小麦近红外和中红外光谱数据特征光谱区间,将筛选出的近红外和中红外光谱数据特征光谱区间融合后再结合线性判别分析（LDA）和支持向量机（SVM）建立小麦融合光谱信息的识别模型。然后比较同种光谱数据下利用线性判别分析（LDA）和支持向量机（SVM）建立的小麦识别模型识别率、比较同种建模方法下近红外和中红外光谱数据建立小麦识别模型识别率、比较同种建模方法下光谱数据融合和单一光谱数据建立小麦识别模型识别率。结果表明,同种光谱分析方法,利用SVM建立的四种小麦识别模型识别率高于利用LDA建立的小麦识别模型识别率。同种建模方法,近红外光谱数据建立的小麦识别模型识别率优于中红外光谱数据建立的小麦识别模型识别率。而在同种建模方法下,利用SiPLS筛选出近红外和中红外光谱数据的特征光谱区间数据融合后建立小麦识别模型识别率最高,光谱数据融合后结合LDA建立的小麦识别模型校正集识别率为98.75%,预测集识别率为97.50%;而将此选择的变量结合SVM建立的小麦识别模型的校正集和预测集识别率都达到100.0%。对比利用单一光谱数据建立的小麦识别模型识别率,光谱数据融合之后建立的小麦识别模型识别率得到显著提高,该研究从纵向和横向上全面地比较了光谱数据建立的小麦模型识别率,结果可为更准确地运用光谱融合技术建立小麦产地以及烘干程度识别模型提供参考。     

HS-SPME/GC-MS/GC-O对镇江香醋特征香气成分的确定

采用顶空固相微萃取提取了镇江香醋的挥发性成分,用气相色谱-质谱联用技术结合气相色谱-嗅觉测量法以及化合物的保留指数,鉴定了镇江香醋的主要香气成分;同时利用气相色谱-嗅觉测量技术,采用探测频率和探测强度相结合的办法,初步确定了乙酸、3-甲基丁酸、乙酸乙酯、乙酸-3-甲基-丁酯、乙酸苯乙酯、苯乙醇、2,3-丁二酮、二氢-5-戊基-2(3H)-呋喃酮、2-甲基丙醛、3-甲基丁醛、糠醛、苯甲醛、三甲基恶唑、2,3-二甲基吡嗪、三甲基吡嗪、四甲基吡嗪16种化合物为镇江香醋的特征香味物质.     

电子鼻在食品行业中的应用研究进展

电子鼻是一种新颖的模拟人的嗅觉来分析、识别和检测复杂嗅味和挥发性成分的仪器。通过人的鼻子和电子鼻的类比,详细介绍了电子鼻的基本原理和组成。通过对电子鼻与气相色谱法的比较,了解电子鼻的应用领域。综述了国内外的研究现状及其发展趋势,对其市场前景进行了展望。     

人工嗅觉系统及其在卷烟烟气中的研究

用金属氧化物半导体气敏传感器阵列组成的人工嗅觉系统 (电子鼻 )对 3种品牌卷烟烟气进行分析 详细阐述了实验过程及确定传感器的组成方法 ,并从样本中用马氏距离选取合适的样本 ,用主成分分析法和神经网络聚类分析法对样本进行分析 主成分分析结果是已较好地把各品牌的烟分开 ,神经网络对 3种品牌烟的识别率分别为玉溪 85%、白沙 90 %、红梅 95%     

高层钢筋混凝土框架结构的非线性时程分析

首先综述了非线性时程分析方法,然后较为详尽地介绍非线性时程分析方法的基本理论,并用该方法计算了钢筋混凝土框架结构的弹塑性地震反应。通过按照时程分析法原理用MATLAB语言进行计算机编程,得出了结构的地震反应时程曲线,同时利用其他两种软件得出了结构的地震反应时程曲线进行对比分析。     

人工嗅觉系统及其在卷烟烟气中的研究

用金属氧化物半导体气敏传感器阵列组成的人工嗅觉系统对３种品牌卷烟烟气进行分析，详细阐述了实验过程及确定传感器的组成方法，并从样本中用马氏距离选取合适的样本，用主成分分析法和神经网络聚类分析法对样本进行分析。主成分分析结构是已较好地把各品 烟分开，神经网络对３种品牌的识别率分别为玉溪８５％、白沙９０％、红梅９５％。     

遗传算法在电子鼻中的应用研究

当今国内外对电子鼻的研究异常活跃,它是涉及传感器融合技术、计算机技术、应用数学等诸多领域的一门综合性技术.在电子鼻的研究中,最重要且最困难的问题是被测信号的特征提取和模式识别,目前尚无令人满意的方法.本文介绍了所研制的适用于传感器阵列反应的试验装置,在获得传感器与食醋挥发气体反应的整个过程的数据的基础上,提取了时域历程的特征值,提出了一种称为"遗传特征参数法"的新方法,提高了模式识别的精度.同时该方法对于解决其他模式识别问题也有参考价值.