基于NIR的模式识别技术在地理标志产品响水大米鉴别中的应用

分别利用多元线性回归判别分析和BP人工神经网络分析建立了近红外光谱(NIR)快速鉴别地理标志产品响水大米的新方法.大米的近红外光谱数据经过一阶导数和平滑处理后,利用主成分分析对数据进行了降维处理,并确定了相关性最大的特征波段(7 700~6 700cm-1与5 700~4 300cm-1).利用特征波段的主成分数据建立了多元线性回归判别分析和BP人工神经网络鉴别模型.2种模型对于地理标志产品响水大米的鉴别正确率均为100%,适用于地理标志产品的快速无损鉴别.     

近红外光谱-系统聚类法快速测定煤炭品质

采用偏最小二乘法对95个煤炭样品的近红外光谱数据进行处理,并提取主成分.将提取的主成分与煤炭的发热量、灰分、挥发份、含硫量和全水分共同作为变量,进行系统聚类分析.将样品数据聚类为4组,同时剔除异常样本.对聚类后的各组数据采用多元散射校正、二阶导数、诺里斯导数平滑进行预处理,建立偏最小二乘定量分析模型.采用逐步筛选法,求得以发热量为变量的Bayes判别函数,交互验证结果表明判别函数稳定性良好.对未知样品发热量、灰分、挥发份、含硫量和全水分预测的决定系数分别达到0.992、0.927、0.938、0.778、0.978,说明模型预测性能良好.     

基于相关系数与光谱差异法的草莓光谱特征信息提取

为深入分析诸光谱预处理与特征信息提取方法的精确性,以湖北省广泛种植的丰香与晶瑶2种草莓为研究对象,测定其糖度与水分值,采用高光谱成像系统采集其光谱数据,并对原始光谱进行反射率校正,通过采用各种不同的光谱预处理与特征信息提取方法对其进行分析比较,获得草莓糖度与水分的最佳光谱预处理与特征信息提取方法.结果表明:丰香草莓水分的最佳光谱预处理方式为"Savizky-Golay平滑-1阶导数-标准正态变换";丰香草莓糖度与晶瑶草莓水分的最佳光谱预处理方式均为"移动平均平滑-2阶导数-多元散射校正";晶瑶草莓糖度的最佳光谱预处理方式为"Savizky-Golay平滑-2阶导数-标准正态变换".采用光谱差异法与相关系数法相结合的方法对草莓光谱进行特征信息提取,综合了相关系数法的精确性与光谱差异法的直观性,避免复杂的运算,同时保证所选取的特征波长具有较好的代表性,最终将光谱维数从520降到80左右.     

近红外光谱技术结合主成分聚类鉴别海面溢油

鉴于目前没有一种方法能独立解决溢油鉴别的所有问题[1],本文提出近红外光谱技术结合主成分聚类分析鉴别溢油种类的方法.通过有机溶剂萃取出自行配制的汽油、柴油和润滑油模拟样品中的溢油后记录其近红外光谱,对5 800～6 200 cm-1区段范围内的近红外谱图经过多元散射校正(MSC),Norris一阶导数平滑预处理处理后求其主成分,并在主成分的基础上引入Ward聚类分析法(离差平方和法)对样品分类.     

FTIR/ATR光谱快速测定糖厂废水COD

利用FTIR/ATR光谱技术建立糖厂废水化学需氧量(COD)的快速测量方法.基于光谱Savitzky-Golay(SG)平滑和偏最小二乘法(PLS)建立光谱优化模型.建立计算机算法平台,把540种平滑模式和1-40的PLS因子数任意组合分别建立SG-PLS模型,预测效果最优的模型平滑模式为2阶导数平滑,6次多项式,51...     

基于主成分分析和K-means的便利贴显微共聚焦激光拉曼光谱分类

显微共聚焦激光拉曼光谱法与机器学习结合,建立便利贴物证识别分类模型,为基层民警开展侦查工作提供帮助。以36个不同产地、不同生产厂家的便利贴样品为研究对象,利用显微共聚焦激光拉曼光谱法获取便利贴样品拉曼光谱数据,并对拉曼光谱数据进行基线校正、曲线平滑、标准化预处理。利用主成分分析法对36个便利贴样品预处理后的拉曼光谱数据降维,提取了3个特征值大于等于1且累计贡献率85%以上的主成分,3个主成分解释了样品拉曼光谱数据大部分信息。利用K-means无监督聚类算法,指定K值范围,并计算对应聚类系数,确定36个便利贴样品最佳聚类数为6类。利用判别分析验证基于主成分分析和K-means的样品分类模型的适用性和准确性,经验证,样品分类模型原始分类正确率和交叉验证分类正确率分别为100%和97.22%。实验结果表明,显微共聚焦激光拉曼光谱法结合主成分分析和K-means可以实现便利贴分类模型构建,且分类结果可靠。     

基于贝叶斯优化的JADE-SVM中红外食品掺伪判别模型

开展了独立成分分析(independent component analysis, ICA)联合支持向量机(support vector machine, SVM)模型对食品掺伪的判别.通过傅里叶变换红外光谱仪获得食用植物油(正品油、掺伪油和炸货油)以及奶粉(纯奶粉和掺三聚氰胺奶粉)的中红外光谱,首先,探究不同的光谱预处理方法对所建立模型的影响,经考察选取归一化结合移动平滑对光谱进行预处理;然后采用特征矩阵联合近似对角化(joint approximate diagonalization of eigenmatrices, JADE)方法提取光谱特征信息,其结果优于主成分分析对特征信息的提取效果;通过Kennard-Stone算法划分训练集和测试集,利用贝叶斯优化(Bayesian optimization, BO)对SVM模型参数进行优化.经考察,所构建的JADE-BO-SVM模型对掺伪食品的识别准确度达到100%,该法可为食品掺伪的高效、准确鉴别提供新的途径和思路.     

容错粗糙主成分分析的属性约简方法

在分析大肠早癌荧光数据属性约简方法的基础上,提出一种基于容错关系信息熵的粗糙主成分属性约简方法.该方法首先针对数据的不完整特性,建立容错关系粗糙集模型.然后,引入随信息量减小而单调下降的信息熵,建立基于信息熵的容错关系粗糙集模型,并进行初步数据属性处理.最后,结合主成分分析方法,形成基于容错关系信息熵的粗糙主成分分析方法,在进行数据降维处理的同时提取数据特征.以大肠早癌荧光光谱为实验数据的分析处理结果表明,该方法可以有效地降低荧光光谱数据的处理维数,提取影响医疗诊断的特征数据,减少后续数据处理的复杂度.     

基于多维度光谱特征波长提取大豆冠层SPAD值估算模型

应用多种光谱特征波长段提取技术,研究了全生育期大豆冠层的近红外光谱曲线特性,提出了基于多维度光谱特征波长提取的大豆冠层叶绿素相对含量(SPAD值)估算模型.在大豆冠层原始近红外光谱曲线中,优选多元散射校正预处理和偏最小二乘回归法建模.经多元散射校正预处理后,应用竞争性自适应重加权采样算法(CARS)、主成分分析法(PCA)和连续投影算法(SPA),提取大豆冠层的光谱特征波长数量分别为22,51和12个.以此特征波长为基础,利用偏最小二乘回归法和多元线性回归法(MLR),分别建立大豆冠层SPAD值估算模型.结果表明CARS-MLR模型试验效果较好,该模型校正样本和预测样本SPAD值的均方根误差分别为5.67和5.94,平均值约为5.81.     

基于支持向量回归的驴肉脂肪和蛋白质近红外检测模型优化

驴肉的脂肪含量低、蛋白质含量高,是一种营养价值较高的食用肉类.选择了40个不同个体和不同部位的驴肉鲜肉样品,采集了样品在4 000～12 500 cm~(-1)光谱的近红外漫反射光谱,并使用索氏提取法和凯氏定氮法分别检测了样品的脂肪和蛋白质参考数据.分别使用主成分分析和偏最小二乘回归对肉块和肉糜2种类型的样品光谱数据进行了压缩,结合支持向量回归算法分别建立了驴肉脂肪和蛋白质的定量模型,并与偏最小二乘回归模型进行了性能比较,发现肉糜光谱使用主成分分析降维结合支持向量回归算法所建立的驴肉脂肪模型,以及肉块光谱使用偏最小二乘回归降维结合支持向量回归算法所建立的驴肉蛋白质模型定量结果最优,其交叉验证均方根误差和相对预测误差分别达到了0.058%、14.69以及0.111%、14.39.结果表明,近红外光谱结合主成分分析或偏最小二乘回归降维以及支持向量回归算法所建立的模型预测精度较高,可对驴肉的脂肪和蛋白质含量进行可靠的检测.     

保健品中枸橼酸西地那非成分近红外快速定性定量分析

建立了应用近红外光谱技术对保健品中枸橼酸西地那非成分的定量及定性分析方法.采集36个样品的液体透射光谱,分别采用主成分分析法和第一范围标定法建立定量和定性模型,并将定量分析方法的结果与HPLC定量结果进行比对.所建定量分析模型,主成分数为4,R2为99.92%,RMSECV为31.5.该模型对预示集的枸橼酸西地那非HPLC平均方法回收率为104.8%,近红外光谱分析法处理结果与HPLC法处理结果无显著差异.定性分析模型组间选择性为4.38,对18个未知样品判错率为0.所建立的新方法可对保健品中枸橼酸西地那非成分进行快速准确的定性及定量分析.     

短波近红外光谱-偏最小二乘法对食醋中总酸含量的无损定量分析

将短波近红外光谱技术与偏最小二乘法（PLS）结合,对食醋中的总酸含量进行快速、无损定量分析,建立了最佳数学校正模型．讨论了光谱预处理方法和主成分数对PLS模型预报精度的影响．研究表明,采用一阶导数预处理光谱建立的数学校正模型能够得到最佳的预报结果,在对预测集8个样本中总酸的含量进行预报时,所得的集相对标准偏差为1．386％．实验结果表明,该方法方便快捷,并且具有较高的预报精度,可以用于食醋中总酸含量的测定．     

近红外光谱法快速检测白酒基酒中甲醇含量

采用近红外光谱法快速检测白酒基酒中的甲醇含量,对光谱数据进行了处理,采用偏最小二乘法建立甲醇的定量分析模型。通过对模型进行优化,得到最佳预处理方法为一阶导数+矢量归一化,主成分数为2,最优波段谱为6 102~5 450 cm~(-1),校正集样品的真实值与预测值的决定系数(R~2)为0.955 2,校正标准偏差为1.30。对模型进行验证,得到验证集的决定系数(R~2)为0.950 6,预测标准偏差为1.83。研究结果表明:所建立的甲醇定量分析模型与常用的气相色谱法预测效果一致,模型的精密度和稳定性良好,可为白酒基酒中甲醇含量的在线快速检测提供方法指导。     

基于结构特征点的手势建模与高层特征提取

在单目环境下,为提高手势特征提取的精度,提出一种图像结构特征点的提取方法,使用提取出的结构特征点建立手势模型并优化求解得到高层特征.对图像的梯度图进行分析,通过给出图像平滑点、非平滑点的定义,提出冲突值的计算与结构特征点的提取方法,对图像的局部结构特征进行适当地描述;建立2D结构手模型替代3D手模型;基于提取出的结构特征点,将贪婪算法与局部随机抽样一致性匹配算法相结合,对手势模型参数进行优化求解,进行手掌、手指和指尖定位.实验结果表明:该算法对预处理结果具有一定的鲁棒性,对分割出的边缘不敏感,因此能有效减少传统曲率算法中对干扰点的误判.     

沥青路面使用性能评价模型与性能评价案例分析

为了客观准确了解沥青路面的实际使用性能,以便及时进行沥青路面管理与维修养护,依据检测数据对沥青路面进行了使用性能评价研究,即将主成分分析法与层次分析法相结合,建立了基于主成分-层次分析法的评价模型,并进行了评价案例分析。本研究以荣乌高速保定段2016~2019年的路面定检数据为基础,首先用主成分分析法对性能指标归类和预处理后的检测数据进行主成分提取,建立判断矩阵,再用层次分析法对各指标赋予权重系数,得到上下行路面的使用性能评价模型。选用荣乌高速检测数据进行了模型验证,并与现行《公路技术状况评定标准》评价结果相比较,评价等级高于《标准》的路段样本比例约为0.34%,低于《标准》的比例约为6.83%。本研究的评价结果更能够反映路面的实际衰变特性。     

利用主成分分析法提取水体信息

以陕北农牧交错带为试验区,采用主成分分析法对TM图像进行增强,然后应用最大似然分类法提取水体信息,并将提取的结果与单纯依靠最大似然分类法得到的结果进行了对比.试验结果表明,主成分分析法应用于水体信息提取中,可明显增强水体光谱特征,主成分分析法与最大似然分类法结合得到的提取精度高于直接采用最大释然分类法提取的精度.     

基于主成分分析的短期PV/T组件温度预测

为进一步提高光伏/光热(photovoltaic/thermal,PV/T)综合利用系统中PV/T组件温度预测精度,该文采用主成分分析法对原始输入样本数据进行预处理,提取主成分,并利用遗传算法优化BP神经网络结构,对组件温度数据建立预测模型。仿真结果表明,相对于未经主成分提取的神经网络,该方法使得网络模型在晴天和多云天气条件下的预测精度分别提高了7.68%和4.97%,使得网络模型预测精度更高,泛化性能更强。     

基于近红外光谱技术结合遗传算法的安溪铁观音品质评价

以清香型铁观音茶叶为试验原料,基于近红外光谱技术结合遗传算法,建立相关的数学分析模型,用于安溪铁观音综合品质得分的测定,完善茶叶检测体系,进一步推动我国茶产业的标准化进程。实验结果表明,经二阶导数+平滑+归一化方法对光谱进行预处理后,得到综合品质得分PLS测定模型最优,验证集相关系数为0.913,均方根偏差为0.665。选用近红外光谱6 670-4 000 cm-1谱区,经遗传算法筛选特征波长后,建立茶样综合品质得分GA-PLS测定模型,校正集相关系数为0.959,均方根偏差为0.413;验证集相关系数为0.940,均方根偏差为0.587,GA-PLS模型的预测能力和精度更高。     

岩溶水水化学特征的主成分分析和因子分析

【目的】为了解岩溶区地下水水化学特征以及地下水成分的来源。【方法】以广西果化镇地下水为研究对象,于2017年7月共采集地下水样品21件,运用Gw_chart软件制作水化学Piper三线图,结合R软件进行相关性分析、主成分分析法、因子分析法等对数据进行处理。【结果】研究区岩溶地下水水化学类型主要为重碳酸-钙型水,Ca2+和Mg2+为地下水中主要阳离子,HCO-3和SO2-4为地下水中主要阴离子。HCO-3与Ca2+,Na++K+与Cl-,SO2-4与Mg+2、Ca2+,相关性较强,它们经历了相似的化学反应过程。通过主成分分析法提取了3个主成分,共解释了91%的方差,可以很好地代表原始数据;通过因子分析提取出3个公共因子,共解释了86%的方差。【结论】自然因素水-岩作用为水化学元素特征与来源主导因素,人类活动也起到了重要作用。     

基于高光谱图像技术的番茄叶片氮素营养诊断

通过提取番茄叶片高光谱图像的灰度、纹理特征将高光谱数据立方体转化成二维特征曲线,再利用特征选择方法 CFS对所有波长进行筛选,确定灰度特征的特征波长:549,669,742,830 nm和纹理特征的特征波长:482,684 nm.每个样本共有12个特征变量,对这12个变量进行主成分分析,提取9个主成分因子作为模型的输入向量,采用支持向量机建立番茄氮素营养水平诊断模型,得到4个梯度氮素水平(N1,N2,N3,N4)番茄叶片的正确识别率为96%,88%,92%,92%.研究结果表明高光谱图像技术对番茄氮素营养水平具有较好的诊断作用.