不同物候期柑橘叶片钾素水平预测建模

为探究柑橘树钾素质量分数无损检测的技术途径,基于反射光谱建立不同物候期柑橘叶片钾素水平预测模型.以117株园栽萝岗橙树为试验对象,采集4个物候期健康鲜叶数据,用高光谱仪测量叶片反射光谱值,用火焰光度法测定同期同批叶片钾素质量分数.对不同物候期钾素敏感特征波段和钾素质量分数建模进行试验和分析,结果表明:不同物候期钾素质量分数敏感特征波段存在漂移现象;相比多元线性回归,支持矢量回归(SVR)和偏最小二乘法(PLS)用钾素敏感特征波段建模能较好预测K素质量分数;在不同物候期特征波段漂移和模型性能差异情况下,SVR基于反射光谱建立全发育期钾素质量分数模型仍有良好的预测性能,其在测试集上的决定系数R2为0.994,均方误差为0.120,平均相对误差为1.33％.     

基于高光谱技术的牛肉-猪肉掺假检测

利用高光谱技术建立一种牛肉-猪肉掺假的快速无损检测方法.通过对样本集进行划分、光谱预处理以及特征波长的选择,建立了全波长和选择波长的掺假定量检测模型.结果表明:基于基线校正光谱预处理所得的偏最小二乘回归(PLSR)预测模型最优,其交叉验证决定系数R2CV=0.97、预测决定系数R2P=0.98,均方根误差RMSECV=5.20%、RMSEP=4.23%.此外,用回归系数法优选5个波长点作为特征波长进行建模,所得模型与全波长模型相比,具有变量少、结构简单、性能更优等优点.     

基于LS-SVM和高光谱技术的玉米叶片叶绿素含量检测

为实现玉米叶片叶绿素含量的快速无损测定,采集不同氮素水平的玉米叶片,制备校正集样本60个,验证集样本16个,获取400～1 100 nm波段范围的高光谱数据和相应叶绿素含量.采用变量标准化、13点平滑、一阶导数3种预处理方法结合,根据相关系数图谱选择470～760 nm波段作为光谱数据分析对象;利用最小二乘支持向量机建...     

利用近红外光谱技术的葵花籽品质分析

葵花籽作为中国需求量很大的油料作物,常用的化学检测方法虽然准确性高,但是时间久,破坏样本完整性,难以实现快速检测。为了研究近红外光谱法快速无损检测葵花籽中蛋白、脂肪及水分含量的准确性,使用454份葵花籽样本近红外光谱数据及蛋白质、水、脂肪三个含量信息为测试对象,随机选取其中383份作为测试集,71份作为验证集,对测试集使用不同的预处理方法之后分别进行PLS(partial least-square method)和BP神经网络建模,并通过验证集对模型进行预测分析。结果发现:①PLS模型预测中发现小波变换的预处理方法对蛋白质含量的预测最好,小波变换的预处理方法对水分含量的预测最好,标准化的预处理方法对脂肪含量的预测最好;②BP神经网络预测中一阶导数+均值中心化对蛋白质含量的预测最好,一阶导数对水分含量的预测最好,一阶导数+标准化对脂肪含量的预测最好。比较两种神经网络模型的预测结果,PLS模型预测精度要高于BP神经网络模型。     

基于近红外光谱技术的葵花籽品质分析

葵花籽作为国内需求量很大的油料作物,常用的化学检测方法虽然准确性高,但是时间久,破坏样本完整性,难以实现快速检测。为了研究近红外光谱法快速无损检测葵花籽中蛋白、脂肪及水分含量的准确性,本文使用454份葵花籽样本近红外光谱数据及蛋白质、水、脂肪三个含量信息为测试对象,随机选取其中383份作为测试集,71份作为验证集,对测试集使用不同的预处理方法之后分别进行PLS和BP神经网络建模,并通过验证集对模型进行预测分析。结果发现:(1)PLS模型预测中发现小波变换的预处理方法对蛋白质含量的预测最好RMSECV=0.343,RMSEP=0.296,小波变换的预处理方法对水分含量的预测最好RMSECV=0.299,RMSEP=0.354,标准化的预处理方法对脂肪含量的预测最好RMSECV=0.285, RMSEP=0.316;BP神经网络预测中一阶导数+均值中心化对蛋白质含量的预测最好RMSEP=0.341,一阶导数对水分含量的预测最好RMSEP=0.329,一阶导数+标准化对脂肪含量的预测最好RMSEP=0.312。(2)BP神经网络模型与PLS模型预测对比发现,PLS模型预测精度要高于BP神经网络模型。     

基于可见/近红外光谱技术的新鲜茶叶叶片含水率快速测定

提出了利用可见/近红外光谱技术检测新鲜茶叶叶片中含水量的方法.首先采集350~2500nm波段范围内177个新鲜茶叶叶片的光谱反射率信息,作为X变量.将不同预处理后的光谱数据建立偏最小二乘(partial least squares,PLS)模型,再利用回归系数法(regression coefficients,RC)提取全波段光谱中的特征波长并建立基于特征波长的预测模型.结果显示,利用全谱段光谱信息建立的模型中,未经预处理建立的模型最优,建模集和预测集中决定系数(coefficient of determination,R~2)分别是0.9039和0.8856,均方根误差(root mean square error,RMSE)分别是0.0092和0.0120,剩余预测偏差(residual predictive deviation,RPD)是2.9659;基于特征波长的模型中,也是未经预处理建立的模型最优,建模集和预测集中R~2分别是0.9070和0.8199,RMSE分别是0.0107和0.0151,RPD是2.3701.结果表明,可见-近红外光谱技术结合特征波长提取进行新鲜茶叶叶片中含水率检测是可行的.     

基于高光谱特征波长选取的不同类型沉积岩识别方法

为快速无损地实现岩石类型精确识别,以禄丰阿纳恐龙山南缘为研究区,采集3类典型沉积岩样本(泥岩、砂岩和泥灰岩各21块),借助ASD FieldSpec3地物光谱仪获取样本在350～2 500 nm内的高光谱数据,对预处理后的原始光谱进行一阶微分和连续统去除变换,采用马氏距离对全波段光谱进行初步筛选,并使用竞争性自适应重加权算法进一步筛选特征波长,基于全波段和特征波长变量分别建立贝叶斯判别和经过粒子群算法优化的支持向量机识别模型.结果表明,马氏距离结合竞争性自适应重加权算法用来筛选特征波长能提高模型的识别准确率,有效剔除光谱中的冗余信息,其中基于连续统去除光谱构建的组合模型被选为最优沉积岩识别模型,其预测集识别准确率为0.952 4,输入模型的特征波长变量数只占全波段的1.6%.     

基于偏最小二乘法的樟树叶片叶绿素含量高光谱估算

在BRDF测试系统环境下利用ASD便携式野外光谱仪采集樟树叶片光谱,并用UV2450-紫外可见分光光度计对观测叶片进行叶绿素含量测定.考虑到植物色素(叶绿素和类胡萝卜素)对叶片反射光谱的影响主要体现在可见光波段,选取400~900 nm范围波段光谱反射率与叶片叶绿素含量反演偏最小二乘法(PLS)模型,其中29个样本用于建模,10个样本用于验证,结果表明:当主成分个数为4时,PLS模型具有最佳的效果,4个主成分累计解释了99.91%的自变量信息和89.71%的因变量信息,此外,PLS模型能够充分利用高光谱信息,具有较高的精度和稳定性.通过与原始光谱和一阶导数光谱拟合的估测模型进行对比分析,得出PLS模型无论是从建模样本精度还是验证的误差方面均优于这两种传统的模型,适合于利用高光谱数据进行叶绿素含量的估测.     

哈姆林甜橙叶片锰锌缺乏症状的高光谱识别

柑橘树锰、锌等缺乏问题普遍存在,但其症状有时不易识别,不利于对这些微量元素丰缺与否的诊断和有针对性的矫治．采用高光谱成像技术,研究了哈姆林甜橙叶片不同程度缺锰、缺锌症状的光谱响应特征及差异,对Fisher线性判别分析和最小二乘支持向量机两种识别模型的识别精度进行了比对分析．结果表明,利用高光谱原始全光谱反射率,结合最小二乘支持向量机建立叶片缺锰、缺锌症状识别模型,其建模集识别精度达91.88％,预测集识别率可以达到90.00％;利用连续投影算法筛选的40个特征波长,建立最小二乘支持向量机判别模型,其建模集识别精度为90.00％,预测集识别精度也达82.50％．表明基于高光谱成像技术对柑橘树缺锰、缺锌的准确识别是可行的,为高光谱成像技术应用于柑橘树缺素症的快速无损识别奠定了基础．     

基于CARS与PCA的高光谱煤岩特征信息检测方法

针对采煤机智能化截割时存在煤岩识别精度低、稳定性差等问题,提出一种基于高光谱成像技术的煤岩检测方案。使用8种不同类型的煤岩样本(训练集800块、预测集200块)进行分析,利用竞争性自适应重加权算法将光谱全波段降维至11个特征波长形成光谱特征向量;通过灰度共生矩阵来描述煤岩的纹理特征,选取对比度、能量、同质性3个特征参数值作为纹理特征向量;通过主成分分析融合剔除光谱与纹理特征中解释能力较差的特征信息,利用预测集样本分别对光谱全波段、CARS提取特征波长、图像纹理、CARS提取特征波长融合纹理特征、光谱全波段融合纹理特征和PCA融合特征波长与特征纹理特征的特征向量建立偏最小二乘回归模型,通过对比6种特征向量的建模预测性能,选出煤岩最优特征向量。PCA算法融合后特征向量预测性能的R_2,RMSE,平均绝对误差MAE和准确率分别为0.912,0.201,0.151和94%.该方法可改善煤岩特征信息检测的稳定性与可靠性,为煤岩识别提供有效的特征信息,对实现采煤机智能化开采具有重要意义。     

近红外高光谱大米典型特征提取分类识别

针对大米近红外高光谱特征轮廓不清导致有效信息损失与有损化品质检测的问题, 提出一种基于掩膜下能量泛函活动轮廓波的大米高光谱典型特征区域提取算法组合模型. 该方法对目标样本形态学区域与几何形心点进行高光谱谱段信息对比寻优建模, 对4个产地、3种品质大米进行泛化性可视判别. MATLAB实验结果表明, 对不同品质大米典型特征区域的光谱信息进行建模对比, 形态学感兴趣区域识别准确率更高, 泛化预测集精度为94.84%, 优化了近红外高光谱大米典型特征区域择优建模问题, 实现了大米快速无损化品质检测.     

基于RFE_RF算法的幼龄沉香叶片含水率预估模型

【目的】针对随机森林算法在树木水分预测模型中高维度变量筛选困难及精度较低的问题,研究基于递归特征消除(RFE)与随机森林(RF)的融合算法,构建幼龄沉香(Aquilaria sinensis)可见光图像与叶片含水率的估测模型,探索适合幼龄沉香生长的水分条件,为实现沉香幼苗水分亏缺程度的无损监测提供可行方法。【方法】以2年生的名贵树种沉香为研究对象,用相机获取4种不同水分梯度下的幼龄沉香可见光图像,提取15种图像特征,利用递归特征消除法筛选沉香叶片最优的图像特征子集,然后结合随机森林算法构建沉香叶片含水率的预测模型,最后利用十折交叉验证法,将RFE_RF模型与常规随机森林(RF)以及最小二乘法支持向量机(LSSVM)相比较,检验模型的可行性。利用递归特征消除和随机森林融合(RFE_RF)算法筛选出幼龄沉香叶片图像的标准红光值(I_NR)、饱和度(S)、矩形度(E_R)3个特征,并以此作为模型自变量。【结果】与重度水淹胁迫相比,幼龄沉香对于长期重度干旱胁迫更加敏感,且干旱时间超出2周时幼苗叶片严重受损,威胁沉香生长;沉香最适叶片水分生长范围为50%~65%,适度增加水分,有利于沉香生长。基于RFE_RF融合算法构建的预测模型敏感度、特异性、误报率和精度分别达到88.64%、85. 31%、14. 39%和91.62%,优于LSSVM模型效果;与RF预测模型相比其敏感度提高3.34%、特异性提高10.87%、误报率降低36.83%、精度提高13.39%。【结论】基于RFE_RF融合算法建立的沉香叶片颜色、形状特征与含水率的模型,解决了随机森林过程中高维度变量选择问题,提高了RF在林木水分预测模型中的精度,实现了沉香幼苗叶片含水率的无损估测和诊断,为珍贵树种在经营管理中对水分进行准确管控提供了新思路。     

基于短波近红外光谱盐酸氟桂利嗪粉末药品质量比的估算方法

基于短波近红外(SW-NIR)漫反射光谱,提出一种非破坏定量预测盐酸氟桂利嗪粉末药品质量比的新方法.以高效液相色谱法(HPLC)分析值为参考值,将遗传算法(GA)和神经网络相结合,建立盐酸氟桂利嗪粉末药品的光谱特性与质量比间的定量分析模型.应用GA自动构建神经网络拓扑结构,选择最优的网络参数和光谱波段;讨论不同光谱预处理方法对神经网络预报能力的影响,并对测试集样品质量比进行预测.结果表明,一阶导数数据预处理方法为最优预处理建模方法,其测试集的均方根误差RMSE=0.198 7%,相关系数R=0.986 3.     

烟草类消费价格指数预测模型的研究

用神经网络中的：BP网络建立了烟草类消费价格指数预测模型,首先选定历年数据为训练组,初步确定烟草类消费价格指数预测网络结构,然后计算出网络各层上的权重值,并使其达到稳定,通过比较网络精度,确定其最优隐含层层数和各层节点数,从而确定烟草类消费价格指数预测最优模型,使用了LevenbergMarquardt优化方法,克服了传统BP算法收敛速度慢,难以确定隐含层和隐含层节点数的缺陷,从而使学习时间更短,运用该模型对城市居民烟草类消费价格指数进行了预测,用检验样本验证训练结果,绝对误差为-2.0,相对误差为2,0964％,预测某城市3年烟草类消费价格指数分别为97.3752,97.3973和97.400O。获得了可信的结论。     

基于等时距处理和IOWHA算子的路基沉降预测

为避免随机因素对单一预测模型影响,建立更符合软土路基沉降规律的模型和方法以提高预测模型的精度和可靠性,分别以原始沉降数据、经三次样条插值和经分段三次Hermite插值处理的数据为样本值建立Gompertz模型、Logistic模型和灰色Verhulst模型3种预测模型,将每种模型的3种情况的预测值同实测值进行对比分析,选出每种模型对样本处理的优势方法。以每种模型的优势方法为单一模型,建立基于IOWHA算子的组合模型,该组合模型按照每个时刻单一模型的预测精度的高低对最优权系数进行求解。研究结果表明:在沉降速率发生明显变化时刻的数据作为最后一组样本值进行预测时,Gompertz模型和Logistic模型以分段三次Hermite插值等时距处理的数据为样本值预测效果更好,灰色Verhulst模型以原始沉降数据为样本值预测结果精度更高。求解基于IOWHA算子的组合预测模型的赋权系数时,GA比使用MATLAB的非线性优化的工具箱的求解方法更为可靠,得到的组合模型预测精度更高。     

基于光谱特征的玉米品种高光谱图像识别

为了对玉米种子进行无损识别分类,对玉米种子的高光谱图像的光谱信息进行分析,探索高光谱图像技术在玉米种子识别分类上的可行性。利用波长范围为400～1 000 nm的高光谱图像采集系统采集11类共528粒玉米样本的高光谱图像;在每个玉米样本上提取感兴趣区域并获取此区域的平均光谱信息,对光谱曲线进行分析,去除12个奇异样本;结合偏最小二乘判别分析法对所选玉米种子样本识别分类。实验结果表明,在所选玉米样本的识别中训练集样本的识别精度可以达到99.22%,测试集样本的识别精度也达到了94.66%。研究结果表明,不同种类的玉米种子的光谱信息具有一定的差异性,利用高光谱图像技术提取其光谱信息对玉米种子品种进行无损识别分类是可行的。     

基于双向波段预测的超光谱图像无损压缩

为了解决超光谱图像海量数据无损压缩计算复杂度高、实时性差的问题,将预测树模型和双向多波段谱间预测算法用于超光谱无损压缩研究。在对超光谱图像进行基于预测树模型的谱内预测的基础上,通过双向谱间多波段预测,利用谱间局部统计冗余和结构冗余,建立了对预测树模型误差进行自适应补偿的预测器模型,设计了一种基于“权重”的方法。该方法利用已编码像素对系数进行自适应估计。采用SPIHT (Set Partitioning in Hierarchical Trees)算法对去冗余后的残差图像进行编码。试验结果表明,该算法在较低的计算复杂度下,压缩比优于目前流行的无损压缩算法。     

插值算法在高光谱数据中的应用

针对高光谱遥感数据具有波段多,各光谱通道间连续,含数据信息量大,像元光谱曲线交叉并不甚多等特点,就分析光谱曲线特点之后,选择性的运用波段插值方法进行光谱重建,利用MAT-LAB平台对多种插值算法进行了拟合实现。通过对比实验插值结果与原始数据,以及各插值算法插值精度,均方差和峰值信噪比等图像参数相互比较,显示用二次拟合的方法能够得到较好的拟合效果。     

IA-BP算法在谐振腔物料水分测量中的应用

为提高微波谐振腔物料湿度测量精度,提出一种基于IA-BP优化算法的进化神经网络模型,对微波谐振腔湿度测量结果进行校正.模型首先利用IA算法能够保持解群分布多样性的特性进行全局搜索,从而得到最优解或次优解附近,然后根据BP算法基于梯度信息指导权值调整的性能进行局部搜索,进而避免在最优解或次优解附近震荡,并迅速收敛到最优值.结果表明该优化算法有效地避免传统BP算法易陷入局部极小,同时保持其高预测精度,且收敛速度快,具有寻优的全局性和精确性,提高了测量精度.预测湿度与实际湿度间的均方差为0.012 5,平均绝对误差为0.071 5,平均相对误差为0.118 6,确定系数为0.996 5.     

基于广义判别分析的高光谱影像特征提取

为提高高光谱影像地物识别的精度与速度,采用基于核方法的广义判别分析进行高光谱影像的非线性特征提取.研究了广义判别分析的数学模型、模型求解方法及特征提取过程,并进行了高光谱影像特征提取与分类实验.结果表明:样本点在特征空间中,同类目标大体聚集成团,异类彼此分离,具有良好的紧致性,特征提取结果优于线性判别分析结果.