近红外光谱在印刷品颜色检测中的应用

为了对印刷品颜色进行快速、准确检测,应用近红外光谱技术(NIR)并结合偏最小二乘法(PLS)建立印刷品颜色检测模型.对近红外光谱获取的144个样本光谱曲线,应用主成分分析方法进行降维,维数为5.选取的主成分作为光谱优化特征子集以替代原来复杂的光谱数据.随后,将144个样本数据随机分为定标集和预测集,利用偏最小二乘法在103个定标集样本数据基础上建立印刷品颜色预测模型,应用此模型对41个预测集样本颜色进行预测.研究结果表明:利用PLS模型得到样本的实测值和预测值之间的预测决定系数(R~2)为99.74%,预测平均相对误差为0.636%,表明利用近红外光谱技术检测印刷品颜色是可行的.     

基于均矢量相似性的机器学习样本集划分

提出一种基于均矢量相似性的机器学习样本集分割方法(MSSS),根据样本集中每个样本矢量与均矢量之间的余弦相似性,将样本划分成训练集和测试集.为评价MSSS方法性能,分别用随机分割法(RSS)和MSSS方法,按不同比例划分来自UCI的4个数据集,对产生的训练集一测试集进行Hotelling T~2检验;另外,采用得到的训练集对分类BP神经网络进行训练,以相应的测试集测试神经网络.研究结果表明:对用RSS划分4个数据集产生的训练集一测试集进行Hotelling T~2检验,发现均存在F值超出界值的现象,而MSSS均未出现;使用MSSS训练的神经网络所产生的训练-测试误差差异、准确率差异均比使用RSS训练的神经网络所产生的小,说明用MSSS划分产生的训练集与测试集的一致性比用RSS划分产生的好.     

基于BP神经网络检测面粉中滑石粉含量的研究

利用近红外光谱技术对掺杂滑石粉的小麦面粉进行了检测,采用多元散射校正对谱图进行预处理,利用BP神经网络中的SCG反向传播算法训练函数建立了面粉中滑石粉的定量分析模型,并对校正集和预测集进行了定量分析,分析结果为R2=0.997 3,RMSEC=0.436 7,RMSEP=1.708 8.结果表明,BP神经网络结合近红外光谱技术检测面粉中滑石粉含量具有快速、精度高、泛华能力强的优点,可用于面粉中滑石粉含量的快速准确检测.     

水果含糖量近红外漫反射检测实验及分析研究

实现水果内部品质快速无损检测,不仅是农业生产的需要,也是满足我国消费者日益多元化要求的需要.基于近红外光谱分析技术,该文采用近红外漫反射检测方法,设计了水果含糖量的近红外检测的实验系统.实验以新疆阿克苏苹果、海南香蕉和新疆鲜枣为研究样本对象,研究3种水果整体样本光谱图与切片样本光谱图,分析了光谱图的差异性.并且,实验还进一步研究了香蕉和鲜枣实验样本在一定时间周期内的光谱图情况,分析了7 d时间周期内实验样本光谱变化.结果表明,近红外漫反射检测方法可以有效实现实验水果样本的无损检测,检测结果能够反映实验水果样本的含糖量情况.同时,实验水果样本切片反映出的内部信息,比实验水果整体样本更加丰富.并且,实验验证了跃变型和非跃变型水果随时间变化的光谱变化规律,即：跃变型实验水果样本在1周内光谱变化明显,其光谱吸收度呈现出先升高后降低总体趋势;而非跃变型实验水果样本,在1周内的光谱差异性不大.     

近红外光谱分析中的一种基于XY变量联合的异常样本剔除算法

在近红外光谱分析中,异常样本的存在会影响所建预测模型的性能.为了剔除异常样本,提高预测模型的预测能力,首先提出并证明了XY距离关系定理;在此基础上,设计了一种新型的基于XY变量联合的ODXY异常样本剔除算法.本次研究对102个羊肉样本的近红外光谱及其含水率进行了测定,在此样本集上分别采用常用的马氏距离剔除法、蒙特卡洛采样法和本文提出的ODXY算法对异常样品进行判别和剔除,并用剔除后的样本建立偏最小二乘预测模型;然后采用预测均方差RMSEP和决定系数R~2来检验模型的性能;最后,通过重新分配训练集和验证集检验算法的泛化能力.实验结果表明,在利用ODXY算法剔除预测样本的基础上建立的预测模型性能最佳,且具有更好的泛化能力.     

多层局部感知卷积神经网络的高光谱图像分类

针对高光谱图像分类中光谱特征的高度非线性问题,提出一种基于多层感知器卷积层和批标准化层的改进卷积神经网络模型,提高模型在光谱域处理的非线性特征提取能力.该算法通过构建七层网络结构,实现多层局部感知结构,逐个像素对光谱信息开展分析,区分不同目标物的光谱信息,将全光谱段集合作为输入,舍去空间信息,利用动量梯度下降训练算法对多层局部感知卷积神经网络训练,实现对不同目标物体光谱特征的提取与分类.实验中,采用两组高光谱遥感影像进行对比分析,以Pavia University数据集为例,在3 600个训练样本情况下,测试集为1 800个样本,本文方法正确率为90.23%,LeNet-5正确率为87.94%,Linear-SVM正确率为90.00%;在21 000个训练样本情况下,测试集为全部样本,本文方法正确率为97.23%,LeNet-5正确率为96.64%,Linear-SVM正确率为92.40%.实验结果表明,在训练集较小的情况下,本文方法优于传统神经网络,能有效提取数据特征,并且在精度上和计算成本上略优于在小样本分类中具有高效和鲁棒性良好的SVM算法.在大规模训练集时,本文方法表现出良好的学习能力,在分类精度上优于LeNet-5.本文提出的多层局部感知网络结构增强了对非线性特征的学习能力,无论训练集规模大小,都比传统的SVM和一般的深度学习网络更能有效的利用高光谱图像中的逐像素点的光谱域信息,能有效提高分类精度.     

卷积神经网络在SAR图像海面溢油检测中的应用

针对合成孔径雷达（SAR）海面溢油检测问题，采用Yolov4目标检测模型、语义分割网络（U-Net）模型、Xception预训练模型等多种卷积神经网络模型进行SAR图像海面溢油检测的模拟实验。基于一个仅有790个样本的像素为256×256的SAR图像海面溢油数据集，深入对比研究了3种SAR图像海面溢油检测神经网络模型，分析了不同检测模型在海面溢油检测中的检测效果。实验结果表明，相较于其他两种检测模型，Xception预训练模型具有更高的SAR图像海面溢油检测精度，更加适合应用于小数据集的溢油检测。     

基于choquet模糊积分的多神经网络融合模型的研究

为了进一步提高网络入侵检测系统的检测性能,提出了基于choquet模糊积分的多神经网络融合模型。它的基本思想是按照TCP／IP属性集的类别不同将TCP／IP数据集分成三个不同属性集的子数据集,在不同属性集上训练形成不同的子神经网络,然后用choquet模糊积分将多个子神经网络对TCP／IP数据的检测结果进行非线性融合形成最优判断。采用KDD99实验数据验证该模型的有效性,实验结果表明,该模型可以得到较好的融合效果。     

基于深度卷积神经网络的脑电图异常检测

为解决EEG自动检测的错误率非常高的问题,提出了一种基于深层卷积神经网络(CNN)对脑电图进行异常检测的方法:首先,对多个异构数据源按标准进行重构和预处理,生成了有118 716个样本的训练集和有12 022个样本的测试集;然后,构建有快捷连接的深层CNN模型,以自动化学习ECG特征并进行分类识别; 接着,将模型在训练集上进行试验与调参,保存了性能最好的模型参数; 最后,在测试集上进行预测.预测结果显示该模型达到了94.33%的分类准确率.通过所提方法对脑电信号进行处理与分析,能够自动提取EEG特征并进行异常识别,从而达到快速检测与辅助诊疗的目的.     

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.     

基于玉米近红外光谱的CWT-SVR蛋白质预测模型

采用国家标准方法测定125个玉米样品的蛋白质含量,并同时进行红外光谱(NIRS)测定.在连续小波变换(CWT)处理玉米NIRS数据的基础上,通过多次随机选择定标集和校正集样品的模型优化方法,建立了二次ε不敏感损失函数的CWT-SVR蛋白质预测模型.模型用于检验集样品中蛋白质的测定,结果满意,且优于传统的偏最小二乘模型(PLS).     

Packaging Bags with the Function of Micro-environment Modification

Three kinds of packaging bags composited with barrier film and moisture absorbents were designed in order to find out how to create an internal micro-environment with low 02 content and relative humidity （RH）. Peanuts with different moisture contents were filled into packaging bags and stored in an environmental chamber for a certain period of time. An RH recorder was sealed in each bag and the RH inside the bag was recorded. The moisture contents of peanuts before and after storage were measured as well. It is found that peanuts with moisture content of 13 % can reduce 02 content inside the bag by the aerobic respiration, achieving the self modified atmosphere packaging （ MAP ） effect. A micro- environment with lower RH can be created by using super-absorbent fiber （SAF） or mineral bag as the moisture absorbent. The moisture contents of peanuts stored in the bags with SAF and mineral bag as moisture absorbent decreased from 13% to 10.5% and 11.3%, respectively. SAF is a promising material of packaging bags composited with barrier film, in which a low RH and high CO2 content can be created.     

食品比热容的支持向量回归预测

利用粒子群优化算法和支持向量回归方法建立不同食品的比热容与其水、蛋白质、碳水化合物和脂肪等含量间的预测模型,且在相同的训练样本和测试样本条件下,该预测模型的食品比热容预测精度高于反向传播神经网络模型,具有更强的泛化能力。结果表明：该预测模型能有效地预测食品比热容。     

基于连续投影算法的食用油激光诱导荧光光谱特征波长筛选

针对目前质量监督领域中难以快速准确地识别食用油种类的问题,提出了一种激光诱导荧光技术结合连续投影算法的食用油光谱识别方法.实验搭建激光诱导荧光系统采集了5种食用植物油共计500组荧光光谱数据.首先,通过实验对比选择Savitzky-Golay卷积平滑算法对荧光光谱进行预处理;然后使用连续投影算法筛选特征波长;最后,将筛...     

基于BP人工神经网络的非饱和黄土湿陷系数计算方法

在综合分析非饱和黄土湿陷系数影响因素的基础上,采用BP人工神经网络方法建立了湿陷系数的计算模型.用西安地区黄土的实测资料作为网络模型的学习训练样本和测试样本,对网络模型的计算结果与实测进行了对比.结果表明,用人工神经网络方法计算非饱和黄土湿陷系数,结果准确、可靠,更接近于实际,为湿陷系数的理论计算提供一种新方法.     

桥梁承载能力状态评估的模糊神经网络推理方法

在综合现有的状态评估理论方法的基础上,提出了基于层次分析的承载能力状态评估模型.结合模糊理论和神经网络技术,建立了一套基于监测信息输入的模糊神经网络推理系统框架,并利用模糊规则生成的规则库作为神经网络训练和学习的样本.利用实例验证了采用此智能评估技术进行承载能力状态评估的可行性和实用性.     

基于改进BP网络的中文歧义字段分词方法研究

文本挖掘中中文歧义字段的自动分词是计算机科学面临的一个难题.针对汉语书写时按句连写,词间无间隙,歧义字段分词困难的特点,对典型歧义中所蕴含的语法现象进行了归纳总结,建立了供词性编码使用的词性代码库.以此为基础,通过对具有特殊语法规则的歧义字段中的字、词进行代码设定,转化为神经网络能够接受的输入向量表示形式,然后对样本进行训练,通过改进BP神经网络的自学习来掌握这些语法规则.训练结果表明:算法在歧义字段分词上达到了93.13%的训练精度和92.50%的测试精度.     

基于卷积神经网络的灾难场景图像分类

为了对灾难场景图像进行快速分析和识别,提出了一种基于多分辨率卷积神经网络和残差注意力机制(attention module)相结合的图像分类模型.首先,对灾难场景数据集进行预处理,在相同类型的条件下将其随机划分为训练集和测试集.基于改进的卷积神经网络(convolutional neural network,CNN),提取训练集的图像特征.使用训练集图片的特征进行训练,并且在测试集图片上实现分类测试.选取DenseNet、Xception和MobileNetV2三种模型,以灾难场景数据集(Disaster_Data_Scenes)为数据集进行实验验证.结果表明:改进的Xception和MobileNetV2网络在灾难场景数据集上进行的图像分类实验测试,比原网络精度分别提升了4.56％和3.04％.其中改进的DenseNet网络比原网络模型精度分别提升9.13％、17.88％和10.27％.可见改进的卷积神经网络模型的分类精度得到有效提高.     

粗糙集和神经网络相融合的钻井安全评价模型

针对动态性、随机性和不确定性较强的钻井作业现场,开展了安全评价的研究。提出了一种基于粗糙集和BP神经网络对作业现场进行安全评价的方法。首先以粗糙集为基础来构建BP神经网络的前置系统,对采集到的样本数据进行属性约简。其次,根据约简结果以及作业当天的事故情况完成了BP神经网络输入层和输出层的设计,并根据输入层和输出层神经元的个数通过试凑法确定网络隐含层的神经元数量范围,并采用训练样本对不同神经元个数所对应的网络模型进行训练,选择网络误差最低的网络作为所构建的网络模型。最后,选取16 d的测试样本对网络进行验证,将网络的输出同作业现场的实际结果进行比较,有14 d的网络结果与实际结果相符,测试准确率达到了87.5%。     

基于虚拟仪器和 BP 神经网络的语音识别系统的设计

基于传统的语音识别系统的缺点,提出了一套基于虚拟仪器和 BP 神经网络的语音识别系统设计方案。利用LABVIEW 软件和 PC 机声卡硬件相结合采集和提取语音数据特征,并把数据分成测试集和训练集,再调用 MATLAB Script 节点利用 BP 神经网络对测试集进行学习并对训练集进行识别。经过测试,该系统识别准确率高、成本低,具有一定的适用性。