基于 SPA-RBF神经网络的小麦蛋白质含量无损检测

传统半微量凯氏法测量小麦蛋白质含量繁琐费时,应用近红外光谱分析技术结合SPA-RBF神经网络对小麦蛋白质含量进行快速、无损检测.采用SPXY算法划分校正集和预测集样本,运用连续投影算法(SPA)对一阶微分和SNV预处理后的光谱数据提取敏感波点作为RBF神经网络的输入,建立小麦蛋白质含量的SPA-RBF神经网络校正模型.模型的预测均方根误差和预测相关系数可达到0.26576和0.975,预测效果较好,基本上可以完成粮食储备和食品加工行业对小麦及其制品品质的划分以及育种上的前期世代筛选.研究表明:近红外光谱技术结合SPA-RBF神经网络可实现对小麦蛋白质含量的检测,满足现代农业发展对小麦无损、实时、大量检测的需要.     

基于近红外透射光谱分析技术的小麦蛋白质含量测定

近红外分析技术具有快速、简便、准确、非破坏性的优点,为小麦品质检测提供了一个新的技术手段。笔者首先对光谱数据进行移动窗口平均平滑和马氏距离筛选,在以上光谱预处理基础上,建立了小麦籽粒蛋白的偏最小二乘校正模型。仿真试验结果表明：该模型能够较准确地预测小麦蛋白质的含量,预测相关系数、预测均方误差和平均相对误差分别为0.9809、0.1130、1.973%。与用原始数据所建校正模型相比,预测效果显著提高。     

基于近红外光谱的小麦品质分类研究

为了快速、简便、准确地鉴别小麦品质的类别,本研究提出了应用近红外光谱分析技术结合BP神经网络的鉴别方法对小麦进行品质分类。研究过程中对小麦样品的光谱数据进行了详细分析,采用马氏距离剔除了光谱数据中异常数据,并通过主成分分析说明利用近红外光谱鉴别小麦品质分类的可行性。为了提高所建模型的性能,采用SPXY算法对小麦样品进行合理的划分。并选取了一阶微分加归一化的预处理方法来处理光谱数据,消除无关信息和噪声对小麦光谱数据的影响。运用偏最小二乘法压缩光谱数据,减少了数据量,节省建模时间。最后采用BP神经网络方法建立了小麦品质分类模型。实验结果显示：模型的鉴别效果较好,对强筋样品识别的准确率高达94.4%,弱筋样品识别的准确率高达100%。实现了快速、准确地对小麦品质强筋和弱筋两类的鉴别,对小麦生产、市场交易及食品加工有着非常重要的意义。     

花生籽仁蛋白质含量近红外光谱模型的建立

采用近红外漫反射光谱非破坏性分析,结合偏最小二乘法,以河北省地方花生品种为研究对象建立了花生籽仁蛋白质含量的近红外光谱模型。结果表明,对原始光谱数据采用一阶导数+变量标准化处理的方法建立的模型其校正或预测效果最佳。该模型的校正集和验证集决定系数分别为0.9245和0.9018,校正标准误和预测标准误分别为0.3601和0.4153。用该模型对16个未参与建模的花生品种进行了预测,结果表明该模型具有很好的预测能力,可以用于花生品种蛋白质含量的快速检测。     

食用向日葵子仁蛋白质含量近红外光谱模型的建立

以自育的57份食用向日葵子仁为测试对象,用化学方法测定蛋白质含量,对照近红外漫反射光谱,通过偏最小二乘法建立了食用向日葵子仁蛋白质含量的近红外光谱模型。结果表明,对原始光谱数据采用“一阶倒数+多元散射校正(FD+MSC)”处理的方法建立的模型其校正或预侧效果最佳。该模型的校正决定系数和验证决定系数分别为0.95和0.93,校正标准误和预测标准误分别为0.96和1.16。用该模型对16份未参与建模的食用向日葵材料进行了预测,结果表明该模型预测能力较好。     

基于连续投影算法的小麦湿面筋近红外校正模型优化

为减少建模过程中的计算量、提高模型的稳健性及预测精度,将连续投影算法用于小麦湿面筋近红外校正模型的建立。首先采用SPXY算法选择具有代表性的校正集样本,然后对光谱数据作不同预处理,增强光谱特征;运用连续投影算法对原始光谱和预处理后的光谱进行敏感波点提取,进而分别建立多元线性回归校正模型。测试结果表明,对光谱标准正态变量变换后利用连续投影算法提取敏感波点所建多元线性回归模型预测效果最好,预测均方根误差和预测相关系数分别为1.3332和0.94319,优于同等条件下建立的偏最小二乘回归模型。     

MDBPSO算法优化的全波段光谱数据协同冠层SIF监测小麦条锈病

为了从全波段光谱数据中提取对小麦条锈病敏感的特征参量,提高小麦条锈病遥感探测模型的运行效率和精度,本文首先从惯性权重和粒子更新方式两个方面对传统离散粒子群算法(discretebinaryparticleswarmoptimization, DBPSO)进行改进,利用改进离散粒子群算法(modified discrete binary particle swarm optimization, MDBPSO)从全波段光谱数据中优选遥感探测小麦条锈病严重度的特征变量,然后与冠层日光诱导叶绿素荧光(solar-inducedchlorophyllfluorescence,SIF)数据相结合作为自变量分别利用随机森林(randomforest,RF)和后向传播(backpropagation,BP)神经网络算法构建小麦条锈病遥感探测模型,并将其与相关系数(correlationcoefficient,CC)分析法和DBPSO算法提取特征参量构建模型的精度进行对比分析。结果表明:(1) MDBPSO算法比传统DBPSO算法具有更快的收敛速度和更高的寻优精度,改进前后其迭代次数从395次减少到156次,最优适应度函数(optimumfitnessvalue,OFV)值从0.145减小到0.127。(2)采用MDBPSO算法选择特征变量时,RF和BP神经网络两种方法构建的模型精度均高于CC分析法和DBPSO算法,其中RF算法预测病情指数(diseaseindex,DI)值和实测DI值间的检验集决定系数(validation set determination coefficient, R2V)比CC分析法和DBPSO算法分别提高了9%和3%,均方根误差(validation set root mean square error, RMSEV)分别降低了28%和11%, BP神经网络算法预测DI值和实测DI值间的R2V比CC分析法和DBPSO算法分别提高了13%和6%,RMSEV分别降低了21%和10%,利用MDBPSO算法优选特征参量能够提高小麦条锈病的遥感探测精度。(3)在MDBPSO、DBPSO和CC分析法3种特征选择算法中,RF算法构建的模型精度均高于BP神经网络算法,其中RF模型预测DI值和实测DI值间的R2V比BP神经网络算法至少提高了7%,平均提高了9%,RMSEV至少降低了15%,平均降低了20%。以MDBPSO算法优选的特征参量为自变量利用RF方法构建的小麦条锈病遥感探测的MDBPSO-RF模型是小麦条锈病遥感探测适宜模型,该研究结果为进一步实现作物健康状况大面积高精度遥感监测提供了新的思路。     

基于近红外光谱的棉花毛籽蛋白质和油分含量快速检测

【目的】建立棉花毛籽蛋白质和油分含量的近红外检测校正模型。【方法】检测样本的蛋白质含量和油分含量，根据光谱-理化值共生距离算法（sample set partitioning based on joint X-Y distance sampling, SPXY）按照3∶1的比例将426个样本划分为包含320个样本的校正集和106个样本的预测集，结合多元散射校正和一阶导数等光谱预处理方法对模型进行优化，并采用线性偏最小二乘法（partial least square method, PLS）、支持向量机（support vector machine, SVM）和随机森林（random forest, RF）3种方法对比分析建立棉花毛籽蛋白质和油分含量的近红外快速测定模型，以决定系数、均方根误差和剩余预测偏差作为模型的评价指标。【结果】SVM模型和PLS模型在校正集的拟合效果较好，决定系数均大于0.8，但对预测集的拟合决定系数不到0.8，说明模型均存在过拟合现象；而RF模型在校正集和预测集的拟合效果都非常好，决定系数均大于0.9，其中蛋白质含量预测模型的决定系数、预测均方根误差和剩余预测偏...     

利用冠层光谱监测小麦籽粒蛋白质积累动态

于2003-2006年连续3个生长季, 利用不同小麦品种在不同施氮水平下进行大田试验,在小麦不同生育期采集田间冠层高光谱数据并测定植株氮素含量、生物量和籽粒蛋白质积累量(GPA)。通过定量分析小麦籽粒蛋白质积累量、冠层氮素营养指标及高光谱参数的相互关系,确立了能够准确预测小麦籽粒蛋白质积累动态的敏感光谱参数及定量模型。结果表明,在籽粒灌浆期间冠层氮素营养指标(CNNI)自开花期随时间进程的积分累积值与对应时期籽粒蛋白质积累状况存在显著的定量关系,其中植株氮积累量(PNA)表现最好。对冠层氮素营养指标的光谱估算,在不同品种、氮素水平、生育时期和年度间可以使用统一的光谱模型。根据特征光谱参数-冠层氮素营养指标-籽粒蛋白质积累量这一技术路径,以冠层氮素营养指标为交接点将两部分模型链接,建立高光谱参数与籽粒蛋白质积累量间定量方程。经不同年际独立数据的检验,基于SDr/SDb–PNA–GPA技术路径建立模型可以估算小麦籽粒生长过程中蛋白质积累动态,预测精度和相对误差分别为0.954和13.1%。因此,利用关键特征光谱参数可以实时监测小麦籽粒生长进程中蛋白质积累状况。     

基于便携式光谱仪和反射、透射光谱技术的小麦叶片叶绿素定量分析研究

为了无损检测小麦叶片叶绿素含量,应用便携式高分辨率光谱仪及内置钨卤灯光源的叶片夹采集小麦叶片的反射、透射光谱数据,采用多种预处理方法对光谱数据进行预处理。用偏最小二乘法建立小麦叶片叶绿素含量与反射、透射光谱间的数学模型,同时分析了不同预处理方法对模型预测性能的影响。结果表明,基于反射光谱的最优检测模型校正集的相关系数r为0.950,预测标准偏差SD为0.1287,相对标准偏差RSD为5.67%。检验集的相关系数r为0.926,预测标准偏差SD为0.1892,相对标准偏差RSD为8.26%。基于透射光谱的最优检测模型r为0.846,SD为0.2201,RSD为9.69%。检验集的r为0.880,SD为0.2714,RSD为11.84%。研究表明,应用便携式高分辨率光谱仪和反射、透射光谱技术来定量分析小麦叶片叶绿素含量是具有可行性的;通过对比发现,基于反射光谱模型的预测性能较好;为叶片叶绿素含量的现场快速无损测定提供了一种有效途径。     

神经网络自变量输入模式的视电阻率求解算法

根据瞬变电磁场理论公式中的响应和自变量之间的关系特点,提出用非线性方程模式的BP神经网络求解电阻率。通过构造单输入单输出网络结构,建立以不同时间点上的电流归一化的感应电压值为输入、视电阻率值为输出的神经网络,来拟合瞬变电磁场的二次涡流曲线。利用数值方法计算出的数据验证该训练网络的精确性,比较了不同算法对训练精度和收敛速度产生的影响。以重庆大学某处的防空洞探测实验为例验证了该算法的有效性,该算法避开具体的复杂电磁场计算或数值反问题计算,从而实现电阻率快速计算,为快速成像准备必要条件。     

基于LM-BP神经网络的耕地土壤养分等级划分模型──以皖南山区为例

研究旨在通过BP神经网络方法,构建起LM-BP网络结构(5-M-1)模型,达到对土壤养分等级划分的目的,为合理的土壤养分管理提供可靠依据。采用Levenberg-Marquardt (LM)训练算法,构建3层网络模型：一个输入层、一个隐含层、一个输出层,利用3层网络作为耕地土壤养分等级划分模型。利用土壤养分各级评价标准作为模型的训练样本和测试样本,以此来对BP神经网络进行训练和测试,并对歙县土壤养分进行综合评价。结果表明：LM-BP网络结构对测试样本输出的预测值和实际参考值是一致的。最终通过灰色关联模型和主成分分析方法对歙县土壤养分的综合评价结果与BP神经网络的模拟结果相对比,发现也是基本一致的。LM-BP网络结构应用于土壤养分等级划分中,得到了很好的预测效果,为智能算法应用于农业领域奠定了良好的基础。     

A new pattern recognition method of gas sensor array detection

BP neural network based gas sensor array detection pattern recognition has some disadvantages, such as slow convergence and local minimum problem. A modified immune neural network model which combines BP algorithm and immune algorithm is proposed to enhance global search capability and improve the performance of the neural network model. Orthogonal test is adopted to design the study samples of neural network. This ensures the accuracy of neural network while reducing the number of samples. The simulation results show that the proposed pattern recognition method solves the cross sensitivity of gas sensor effectively, overcomes the disadvantages of traditional BP neural network and improves the learning speed and detection accuracy.     

雄先型核桃雄花疏除的二次回归与BP神经网络模型研究

雄先型核桃雄花疏除（去雄）是提高产量的重要管理措施,为提高核桃去雄的效率,建立二次回归与BP神经网络模型。分别以乙烯利、赤霉素和甲哌鎓为自变量和核桃雄花脱落率为响应指标,进行田间建模试验,建立了二次多项式回归方程和BP神经网络模型,并于翌年进行BP模型田间确认试验。试验数据分为训练集、确认集和试验集,中心组合（二次旋转回归试验设计）田间建模试验得到的20组数据随机划为训练集(17)和确认集(3)数据,试验集为翌年田间确认试验得到的数据,BP神经网络的拓扑结构为3-5-1。（1）BP神经网络对确认集样本的预测值误差分别为1.3550%、0.4291%、0.3538%;（2）BP神经网络的预测值与田间确认试验结果相差为2.04%,回归预测值与田间确认试验结果相差为3.12%;（3）BP神经网络预测比回归预测提高预测精度1.0%以上。将二次多项式逐步回归分析和BP神经网络方法有效的结合使用,既可明确各因子的作用效应亦可得到相对准确的预测结果。     

Nonlinear Forecast System for River Water Pollution Based on GIS

Based on the analysis of the water pollution spatial distribution characters of Yangtze River in Chongqing,a new method based on the integration of BP neural network and genetic arithmetic(GA) is proposed.For some shortcomings existed in the standard BP neural network,this method has ultimately overcome these shortcomings by combining the GA with BP artificial neural network through altering stimulating function,adding momentum factor to power value for BP algorithm and introducing genetic arithmetic to searching for the knots of the hidden layer,momentum factor and learning level.Using this method can easily overcome the difficulty of measuring the water prediction model's parameters.GIS is used as a tool for data management and spatial analysis,and the prediction result of the model for the water pollution spatial distribution characters of Yangtze River in Chongqing is visualized and explored with the precision of more than 78%.     

罗非鱼池塘养殖溶解氧预测研究

为及时有效地掌握池塘养殖中溶解氧浓度的变化趋势,保障罗非鱼稳定高效养殖,在对罗非鱼池塘养殖实际情况进行研究和分析的基础上,采用粒子群算法对BP神经网络模型进行参数优化,针对无锡市2015 年8 月23—11 月4 日这段时间内南泉实验基地的水产养殖溶解氧进行预测。同时,将粒子群优化BP神经网络模型与BP神经网络模型的训练结果和预测结果进行对比。研究结果表明,PSO-BP优化模型的训练和预测结果远远优于普通BP神经网络模型,除异常点外,误差率基本均低于0.5%。同时,该模型收敛速度快,计算复杂性低,能够较好的体现和预测罗非鱼池塘养殖的溶解氧趋势,也为其他水质指标的预测提供了研究方向。     

Using BP Neural Network to Determine the Membership Function of the Input of Fuzzy Control System

While design the fuzzy controller, it is very important to determine the membership function of fuzzy variables.The data can be broadly classified as fuzzy sets by using the classification property of the BP neural network. The author selects a BP neural network with one hide layer and uses S function to the input and hide layer, and linear function to the output layer.Advanced BP algorithm isused to train the BP neural network in the environment of MATLAB . The nearer to the target values is the better the last output is.With the trained BP network , the membership values of the inputs can be got ten. This method has high rate and low error.