基于多元校正法的香梨糖度可见/近红外光谱检测

应用可见/近红外光谱透射技术结合多元校正法探讨了样品在不同温度条件(5、10、15、20℃)下香梨糖度的快速无损检测。在波长500~900nm范围内,用逐步多元线性回归(SMLR)、偏最小二乘法(PLS)、最小二乘支持向量机(LS-SVM1、LS-SVM2)和遗传算法-偏最小二乘法(GA-PLS)等多种多元校正法进行了建模预测比较研究。预测结果从优到差依次为LS-SVM2、LS-SVM1、GA-PLS、PLS、SMLR。     

基于遗传算法近红外光谱检测土壤养分的研究

利用可见/短波近红外光谱(Vis/SW-NIRS)分析测量土壤速效氮(N)和速效钾(K)。探讨遗传算法在分析测量土壤养分上的应用,根据优化结果采用最小二乘支持向量机(LS-SVM)方法建立校正模型。结果表明,LS-SVM模型优于PLS模型;GA-LS-SVM模型预测速效氮的精度较高。基于遗传算法可见/短波近红外光谱利用LS-SVM建模,可以作为一种土壤理化性质的测定方法。     

基于光谱技术的褐壳血斑蛋鉴别方法研究

血斑蛋是一种带有血丝的异常蛋。通过自制的鸡蛋内部品质光谱检测系统,采集40个正常蛋和60个人工注射血样的血斑蛋的可见/近红外光谱,研究比较了3种不同的血斑蛋判别方法:传统的血值判别法、偏最小二乘判别法(DPLS)以及融合光谱信息与蛋壳颜色信息的最小二乘支持向量机(LS-SVM)判别法,结果表明基于颜色信息融合的最小二乘支持向量机的判别结果明显优于传统的血值判别法,正常蛋的判别正确率为90%,血斑蛋的判别正确率为91.7%,证明了此方法可用于褐色蛋的血斑检测。     

近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测

为了快速检测赣南脐橙果树叶片含水率,提出近红外光谱结合最小二乘支持向量机的快速检测方法。采用积分球漫反射方式采集叶片的近红外光谱,通过间隔偏最小二乘法从2 074个光谱变量中优选出345个变量作为建模的输入向量,分别建立最小二乘支持向量机和偏最小二乘校正模型。经比较,以径向基函数为核函数的最小二乘支持向量机模型预测结果最优,预测相关系数为0.942,预测均方根误差为2.7%,模型建立及预测时间为0.176s。实验结果表明近红外光谱结合最小二乘支持向量机的脐橙叶片含水率无损检测方法是可行的。     

LS-SVM和BP-ANN在草莓糖度NIR检测中的应用

为了提高草莓糖度近红外光谱定量模型的性能,采用偏最小二乘法提取的潜在变量作为最小二乘-支持向量机和反向传播人工神经网络的输入变量,建立了草莓糖度的近红外定量模型,并与偏最小二乘模型结果进行了比较,建模所使用的光谱范围为6 000～9 000 cm-1.结果表明,所建立的最小二乘-支持向量机和反向传播人工神经网络定量模型的校正性能、预测性能和稳定性均优于偏最小二乘定量模型,最优模型为前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型,其校正和预测相关系数分别为0.957和0.951,校正和预测均方根误差分别为0.279％和0.272％,剩余预测偏差为3.23,与以往研究文献相比,获得了较为理想的预测精度和稳定性能.     

不同贮存温度蜂花粉的可见-近红外光谱鉴

利用可见-近红外光谱技术结合最小二乘支持向量机(LS-SVM)对不同贮存温度下的蜂花粉进行鉴别.选择-20、4、15、25和40℃ 5个温度下分别贮存60d后的蜂花粉为研究对象.对原始光谱数据进行平滑和附加散射校正(MSC)的预处理后进行主成分分析,选择4～20个主成分作为输入变量进行LS-SVM建模.模型预测参数比较结果显示,当主成分数取20时模型的预测效果最好,预测相关系数r2p≥0.9919,预测标准偏差(SEP)和预测均方根误差(RMSEP)分别为1.7854和1.7675,优于偏最小二乘回归(PLS)的预测结果,说明基于LS-SVM的可见-近红外光谱技术能够很好地对蜂花粉贮存温度进行检测.     

基于可见/近红外光谱谱区有效波长的梨品种鉴别

基于最小二乘支持向量机(LS-SVM)建模方法,提出应用梨在可见/近红外光谱谱区的有效波长(EW)进行其品种鉴别的新方法.用210个样本作为建模定标集,30个样本进行预测.根据偏最小二乘法分析载荷图和回归系数图选择鉴别梨品种的有效波长,并建立EW与最小二乘支持向量机相结合的EW-LS-SVM模型,同时与应用逆反馈人工神经网络(BP-ANN)建立的EW-BP-ANN模型进行判别准确率的比较.结果表明,应用LS-SVM和BP-ANN建立的模型对建模样本和预测集样本的判别准确率分别为100％和93.3％.研究表明,应用EW-LS-SVM模型进行梨品种鉴别是可行的.     

近红外漫反射光谱检测土壤有机质和速效N的研究

利用近红外漫反射光谱检测技术对土壤有机质和速效N含量进行了相关研究。通过自行设计的NIR光谱系统测定了150个土壤样品有机质和速效N。126个土壤样品用来建立校正集模型,其余24个用来验证模型的性能。采集完整土壤样品的近红外漫反射光谱,原始光谱经移动窗口平滑处理、SNV和一阶微分预处理后,分别采用最小二乘支持向量机(LS-SVM)和偏最小二乘法(PLS),建立土壤有机质和速效N含量的定量预测数学模型。结果表明采用一阶微分结合最小二乘支持向量机(LS-SVM)所建模型的预测效果较好,土壤有机质和速效N含量定量预测数学模型的决定系数分别为0.8255和0.8015,均方根误差分别为2.84和16.80。近红外漫反射光谱作为一种检测方法,可用于评价土壤有机质和速效N含量。     

运用近红外漫反射技术检测苹果内部品质

为了建立山东烟台富士苹果糖度和硬度的近红外光谱测定法,本实验应用光纤漫反射近红外光谱检测技术快速定量分析苹果的糖分含量和硬度。使用偏最小二乘法建立预测模型,样品糖分预测值和实测值之间的相关系数为0.97210,校正标准差(RMSEC)为0.363;样品硬度预测值和实测值的相关系数为0.95452,校正标准差(RMSEC)为0.594。通过本次试验研究表明,近红外光谱测定法能准确地对富士苹果糖分含量和硬度进行无损快速定量分析。     

支持向量机在李果实坚实度近红外检测中的应用

为增强模型的适应性,选取了3个不同成熟期(绿熟、半红熟和红熟)的李果实样品建立坚实度指标的近红外检测模型,建模所使用的光谱范围为4 000~12 492cm-1。为改善模型性能,比较了最小二乘支持向量机和偏最小二乘法两种建模算法对李果实坚实度指标的建模结果。研究结果表明,所建立的最小二乘-支持向量机模型的预测性能和稳定性均好于偏最小二乘模型,并以前10个潜在变量得分作为输入变量的最小二乘-支持向量机模型为最佳模型,其校正相关系数、校正和预测均方根误差分别为0.989及1.31、1.84kg/cm2,剩余预测偏差为4.79。与以往研究文献相比,获得了较为理想的预测精度和稳定性能。研究结果表明,最小二乘支持向量机算法结合偏最小二乘法提取的潜在变量作为输入变量,可以使李果实坚实度近红外定量模型有较大程度的改善。     

不同预处理方法对PLS模型检测哈密瓜糖度的影响

为寻找适合可见近红外光谱检测哈密瓜糖度含量的最佳光谱预处理方法,进行哈密瓜样品可见近红外光谱数据的预处理方法比较与研究。研究比较了4种光谱数据预处理方法对哈密瓜糖度偏最小二乘法建模精度的影响。研究结果表明:标准正态变量变换与二阶导数相结合是哈密瓜糖度含量可见近红外光谱检测的有效光谱预处理方法,其相关系数和内部交叉验证均方差分别为0.6893和0.666,并且利用该方法建立的哈密瓜糖度预测模型的相关系数、预测集均方根误差和校正集的相关系数、校正集均方根误差分别为0.7342、0.573、0.7605、0.588,最佳因子数为11。     

基于高光谱成像技术的鲜食核桃仁水分检测研究

为实现对货架期内青皮核桃仁水分的快速预测,利用高光谱成像技术采集货架期核桃青皮光谱数据,测定核桃仁含水量,利用连续投影法(SPA)提取11 个特征波长,建立了偏最小二乘法(PLS)、多元线性回归(MLR)和最小二乘支持向量机(LS-SVM)模型.结果表明,LS-SVM建模效果最好,预测集的相关系数Rp= 0.800 7...     

基于近红外的小麦植株含水率检测方法

针对小麦植株含水率快速检测需求,提出了一种基于近红外的小麦植株含水率检测方法。利用不同波长近红外感光元件组成的探测器研发了小麦植株含水率无损快速检测装置,利用该检测装置对采集的多组样品进行了测量,通过均值滤波与参考实时校正方法得到了小麦植株的近红外反射强度。基于测量数据,分别采用多元线性回归、多元逐步回归、偏最小二乘以及最小二乘支持向量机建立了含水率检测模型。结果表明,基于最小二乘支持向量机建立的模型效果最优,校正集决定系数R2达到0.9742。利用建立的检测模型对另一批样品进行含水率检测试验,结果表明：小麦植株含水率真实值与预测值的决定系数R2为0.9337,预测集均方根误差均小于等于3.00%。研究结果为小麦植株含水率无损快速检测提供了一种有效的方法与装置,能够满足联合收获机在作业现场对小麦植株含水率快速调整作业参数的需求。     

运用近红外透射光谱技术检测苹果内部品质

通过运用近红外透射光谱技术快速分析了苹果的糖度和硬度,使用偏最小二乘法建立预测模型,得出校正集苹果糖度的最佳主因子维数为3,相关系数R为0.9943,校正标准差为0.2476;校正集苹果硬度交叉校验的最佳主因子维数为3,相关系数R为0.9644,校正标准差为0.3529。研究结果表明：运用近红外透射光谱技术可以准确地无损快速定量分析苹果糖度和硬度。     

混沌遗传最小二乘支持向量机法预测日用水量

利用混沌运动的初值敏感性、内在随机性和遍历性的特点,提出基于混沌遗传算法和最小二乘支持向量机的城市日用水量预测法。通过混沌映射搜索自适应遗传算法的较优初始种群,采用自适应遗传算法优化最小二乘支持向量机的超参数,利用交叉验证法确定遗传算法个体的适应值,建立基于最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更高的预测精度。     

LS-SVM在径流预测中的应用

提出一种基于最小二乘支持向量机(LS-SVM)的径流预测方法。采用线性函数,多项式函数和径向基函数三种核函数,进行机器学习,经过反复计算和对比分析,建立了精度较高的径流预测模型。预测实例表明,LS-SVM模型预测的平均相对误差比支持向量机 (SVM)减少了2.4％,预测合格率为100％。LS-SVM建模速度快,适用于小样本情况并能得到全局最优解,将其用于径流预测是可行的。     

赣南脐橙叶片SPAD值可见近红外光谱无损检测

为了提供果树精准肥水管理参考数据,进行了果树叶片SPAD值近红外光谱无损检测研究。采用反射方式,采集100片赣南脐橙叶片的可见近红外光谱;利用移动窗口偏最小二乘法结合遗传算法、连续投影算法筛选光谱变量,并建立偏最小二乘回归校正模型。采用移动窗口偏最小二乘法和连续投影算法组合筛选的39个光谱变量建立的校正模型预测结果最优,模型预测相关系数为0.898,模型预测SPAD值均方根误差为2.116。试验表明,应用可见近红外反射光谱技术结合化学计量学算法进行赣南脐橙叶片SPAD值无损检测是可行的。     

核桃仁脂肪含量的近红外光谱无损检测

为了实现核桃仁脂肪含量的快速无损检测,在1 040～2 560 nm光谱范围内采集了核桃仁近红外光谱。首先,通过多元散射校正和标准正态化组合方法对原始光谱信息进行预处理,采用马氏距离法剔除异常样本;然后,运用竞争性自适应重加权采样算法与相关系数法相结合,进行特征波段筛选;最后,采用偏最小二乘回归和支持向量机回归算法建立了核桃仁脂肪含量的预测模型。结果显示,以筛选出的6个特征波段为输入,采用偏最小二乘回归算法建立的核桃仁脂肪质量分数预测模型的验证集决定系数为0. 86,均方根误差为1. 584 9%;采用支持向量机回归算法建立的模型验证集决定系数为0. 88,均方根误差为1. 371 6%;表明支持向量机回归算法的建模质量优于偏最小二乘回归算法。采用特征波段建立的支持向量机回归预测模型能大幅降低建模复杂度,实现核桃仁脂肪含量的快速无损检测。     

基于DPLS和LS—SVM的梨品种近红外光谱识别

为了实现不同品种梨的快速光谱鉴别,采用主成分分析法(PCA)对光谱数据进行聚类分析,得到3种不同品种梨的特征差异,主成分分析表明,以所有建模样本主成分PC1和PC2做出的得分图,对不同种类梨具有很好的聚类作用。利用主成分分析得到的载荷图可以得到对于梨品种敏感的特征波段,用特征波段图谱作为输入建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。3个品种梨各70个共210个分别建立偏最小二乘判别(DPLS)模型和最小二乘支持向量机(LS-SVM)模型。对未知的24个样本进行预测,LS-SVM模型品种识别准确率达到100%,DPLS模型的校正及验证结果与实际分类变量的相关系数均大于0.980,交叉验证均方根误差(RMSECV)和预测均方根误差(RMSEP)都小于0.100,品种识别率为100%。表明提出的方法具有很好的分类和鉴别作用,提供了梨的品种快速鉴别分析方法。     

基于支持向量机的有机肥总养分含量NIRS分析

以我国22个省市的120份畜禽粪便为原料的有机肥产品样品为研究对象,利用近红外漫反射光谱法与支持向量机相结合建立了有机肥产品中总养分含量的快速测定模型,并与偏最小二乘法所建模型作了比较.利用偏最小二乘回归法所建立的基于原始样品和干燥粉碎样品的总养分含量近红外模型验证决定系数R_v~2、预测标准差SEP和验证相对分析误差RPD分别为0.96、7.95 g/kg、2.47和0.93、8.02 g/kg、3.58.利用支持向量机回归法所建立的干燥粉碎样品中总养分含量的近红外模型验证决定系数R_v~2、预测标准差SEP和验证相对分析误差RPD分别为0.93、7.38 g/kg和3.88.结果表明,近红外漫反射光谱法可以快速测定畜禽粪便为原料的有机肥产品中总养分含量,与偏最小二乘法相比,支持向量机所建模型具有更高的预测精度.