基于最小二乘支持向量回归的鹅肉弹性的可见-近红外光谱测定

为简化鹅肉弹性的可见-近红外光谱模型和提高预测精度,采用联合区间偏最小二乘法(synergyinterval partial least square algorithm,siPLS)结合遗传算法(Genetic algorithm,GA)提取可见-近红外光谱特征波长,用最小二乘支持向量回归(least square support vector for regression,LSSVR)建立鹅肉弹性的预测模型。试验以万能试验机获取恢复距离S作为鹅肉弹性实际值。在模型建立过程中,先利用sym8小波的2层分解对原始的可见-近红外光谱进行光谱预处理;然后用siPLS优选出4个特征光谱子区间(分别为第3、5、9、13子区间),在这4个特征光谱子区间内继续用GA优选出74个特征波长,并建立基于LSSVR的鹅肉弹性的预测模型。模型预测集的决定系数(R2)和预测均方根误差(root mean squarederror of prediction,RMSEP)分别为0.9096和0.0588。试验结果表明,siPLS结合GA法能够有效提取光谱中的鹅肉弹性对应的特征波长,有利于提高LSSVR模型预测鹅肉弹性的精度。     

基于可见/近红外反射光谱的梨树叶片钾含量的快速测定研究

利用可见/近红外反射光谱定量分析技术对梨树鲜叶钾素含量进行快速测定研究。对150个梨树叶片样本进行光谱扫描,其中120个做建模集,30个做验证集。通过对样品的可见/近红外光谱进行多种预处理,并建立钾素预测模型,探讨了可见/近红外光谱数据预处理对预测精度的影响。结果表明,通过原始光谱与S-G(3)平滑相结合的预处理方法,用17个主成分建立的偏最小二乘法模型最好,其交叉验证集和预测集模型的决定系数(R2)分别为0.722 7和0.679 1,交叉验证均方根误差(RMSECV)为1.171,预测的平均相对误差为6.81%,能高效、快速地预测梨树叶片钾素含量,为梨树钾素快速测定提供了新的手段。     

基于机器视觉和近红外光谱技术的杏干品质无损检测

干果品质直接影响其市场销售。该研究以杏干为对象探讨用机器视觉和近红外光谱技术快速无损检测干果内外品质的方法。拍摄杏干4个不同位置的彩色图像,用基于区域骨架化的填充法分割杏干,提取每种角度下的面积。从100个正常杏干样本中随机挑选75个为校正集,25个为预测集,用多元线性回归对杏干的实际质量和4个面的面积建模,得到校正集和预测集相关系数分别为0.9374和0.9307,杏干质量分级的准确率为90%。提出用基于平均灰度的区域增长法提取杏干缺陷,缺陷检测的准确率为84.5%。采用SNV对杏干近红外光谱进行预处理,然后分别采用偏最小二乘法(PLS)、向后区间偏最小二乘法(biPLS)及联合区间偏最小二乘法(siPLS)建立杏干糖度预测模型。结果表明,当全光谱范围被划分为22个子区间,优选出区间[17、2、3、9、20、13、7、18、15、11、6],主因子数为10时建立的biPLS糖度模型性能最好。其校正集相关系数和校正均方根误差分别为0.8983和1.23,预测集相关系数和预测均方根误差分别为0.8814和1.46。研究表明,机器视觉结合近红外光谱技术能对杏干内外品质进行综合检测,也可为其他干果的品质检测提供借鉴。     

霉变稻谷脂肪酸含量的光谱检测模型构建与优化分析

为了实现霉变稻谷脂肪酸含量无损、快速检测,该文研究应用可见/近红外光谱技术检测霉变稻谷的脂肪酸含量。考虑到直接选用霉变稻谷可见/近红外光谱数据构建脂肪酸含量预测模型存在建模费时、预测失准等问题,研究提出了霉变稻谷脂肪酸含量的可见/近红外优化校正模型。研究中通过光谱-理化值共生距离(sample set partitioning based on joint xy distance,SPXY)算法结合偏最小二乘法初步分析了不同校正集样本预测霉变稻谷脂肪酸含量的差异;利用连续投影算法(SPA)提取了反映霉变稻谷脂肪酸含量变化的特征波段;采用偏最小二乘法(partial least square,PLS)和多元线性回归法(multivariable linear regression,MLR)分别建立了基于特征波段光谱反射值的霉变稻谷脂肪酸含量预测模型,并对比分析了采用SPXY样本集划分的模型预测效果。结果表明:采用SPXY法筛选出的65个校正集样本分布与初始校正集相近,脂肪酸含量变化范围为18.55~127.26 mg,其标准差为32.39;SPA算法最终从256个全光谱波段中优选出9个特征波段,实现了光谱数据的压缩;分别建立的SPXY-SPA-PLSR模型和SPXY-SPA-MLR模型预测霉变稻谷脂肪酸含量相关系数RP为0.922 1和0.915 9,预测均方根误差RMSEP为13.889 3和14.261 0;SPXY筛选校正集所构建模型预测精度与初始校正集所建模型相当,但校正集样本数量减少为初始校正集的41%,运算时长缩短为初始样本集的32%,提高了模型的校正速度。     

基于高光谱图像的稻瘟病抗氧化酶值早期预测

水稻稻瘟病是危害水稻种植的真菌病害,早期预测病害源头是防治稻瘟病的有效手段。在病害症状显证之前实现早期预测,能从源头上更好地遏制病害,阻止分生孢子的大量繁殖,达到稻瘟病早期防治的目的。该文通过连续分时段测定水稻稻瘟病潜育期稻苗的高光谱图像和相对应的稻苗抗氧化物酶SOD（superoxide dismutase, SOD）酶值,利用高光谱图像处理技术结合化学计量学方法,建立稻瘟病潜育期内稻苗冠层高光谱图像与抗氧化酶SOD酶活之间的关联预测模型。结果表明,基于全光谱信息建立的SOD酶值预测模型,模型具有较好的预测效果,校正集相关系数RC=0.9921,校正集均方根误差RMSEC=5.135 U/g;预测集相关系数RP=0.9274,预测集均方根误差RESEP=8.634 U/g。出于建立更为广泛应用的稳定的多光谱成像检测系统的需要,基于选定的6个特征波长526、550、672、697、738和747 nm建立了简化的SOD酶值预测模型,该模型的RC=0.6945,RMSEC=17.92 U/g;RP=0.5488,RESEP=22.0085 U/g。研究表明,在水稻稻瘟病潜育期内,通过高光谱图像反演相应的SOD酶活性信息,推断水稻稻瘟病病害胁迫程度信息是可行的。     

基于时间相似数据的支持向量机水质溶解氧在线预测

为及时辨识集约化水产养殖水质变化趋势、动态调控水质,确保无应激环境下健康养殖,该文提出了基于时序列相似数据的最小二乘支持向量回归机(least squares support vector regression,LSSVR)水质溶解氧在线预测模型。采用特征点分段时间弯曲距离(feature points segmented time warping distance,FPSTWD)算法对在线采集的时间序列数据进行分段与相似度计算,以缩减规模的子序列数据集对LSSVR模型进行快速训练优化,实现了多个LSSVR子模型在线建模,将预测数据序列与LSSVR子模型的相似度匹配,自适应地选取最佳的子模型作为在线预测模型。应用该模型对集约化河蟹福利养殖水质参数溶解氧浓度进行在线预测,模型评价指标中最大相对误差、平均绝对百分比误差、相对均方根误差和运行时间分别为4.76%、8.18%、5.23%、8.32 s。研究结果表明,与其他预测方法相比,该模型具有较好的综合预测性能,能够满足河蟹福利养殖水质在线预测的实际需求,并为集约化水产养殖水质精准调控提供研究基础。     

基于神经网络的土壤水分预测建模研究

分析了利用神经网络进行时间序列预测的方法及其基本工作原理,并且利用神经 网络建立了土壤水分预测模型.试验结果表明:所建立的模型具有较好的预测效果;用神经网络建立土壤水分预测模型的方法是可行的.     

基于介电频谱的灵武长枣可溶性固形物含量的预测模型

为了探寻利用介电频谱预测灵武长枣可溶性固形物含量的可行性,并建立最优模型,该文采用网络分析仪在200 MHz~18 GHz的频率范围内,选取101个频率点,测定分析了300个灵武长枣的介电损耗因子ε″和介电常数ε'频谱,利用长枣的介电损耗因子ε″和介电常数ε'进行了可溶性固形物含量的预测模型研究。通过遗传算法(genetic algorithm,GA)和相关系数法(correlation coefficient,CC)提取了介电频谱的有效信息,并分别采用偏最小二乘(partial least squares,PLS)、主成分回归(principal component regression,PCR)和支持向量机(support vector machines,SVM)法比较建立了可溶性固形物含量的预测模型。研究结果表明:用GA与CC方法提取频谱有效信息的建模效果要优于原始频谱的建模效果;PCR法的建模效果要优于PLS与SVM法的建模效果。以介电损耗因子ε″、介电常数ε'频谱建立的可溶性固形物含量的最优预测模型分别为GA-PCR和CC-PCR。以介电损耗因子ε″建立的GA-PCR模型优于介电常数ε'的CC-PCR模型,其校正集和预测集的相关系数分别为0.933和0.925,均方根误差分别为0.661%和0.702%。结果表明,利用介电频谱预测灵武长枣的可溶性固形物含量是可行的。     

前表面荧光光谱法鉴别不同冷藏时间的大黄鱼鲜度

为研究前表面荧光光谱法在水产品品质评价方面的应用,利用前表面荧光对不同冷藏时间的大黄鱼肌肉进行扫描,对色氨酸和烟酰胺腺嘌呤二核苷酸(NADH)的荧光光谱数据进行主成分分析(PCA)和Fisher线性判别分析(FLDA),并运用偏最小二乘回归(PLSR)建立了大黄鱼鱼肉荧光光谱数据和冷藏时间的预测模型。结果表明,用PCA方法提取色氨酸和NADH荧光光谱的有效信息,所建模型可区分不同冷藏时间(0~8 d)的大黄鱼样品,且色氨酸作为内源荧光探针的分析效果更好;用FLDA方法分析色氨酸和NADH荧光光谱,留一法(leave-one-out)交叉验证的判别正确率分别为100%和98%,对不同冷藏时间的大黄鱼区分效果优于PCA方法;PLSR模型中色氨酸和NADH荧光光谱的校正集和预测集的相关系数均大于0.9,交互验证均方根误差(RMSECV)分别约为1.13、0.41,校正集均方根误差(RMSEC)/预测集均方根误差(RMSEP)分别约为0.53、0.99,通过NADH荧光光谱建立的PLSR模型预测能力较好。前表面荧光光谱法结合化学计量学技术能够对不同冷藏时间的大黄鱼进行有效区分。本研究结果为前表面荧光光谱技术在大黄鱼冷藏保鲜中对冷藏时间的预测提供了一定的理论依据。     

基于遗传算法的土壤质地高光谱预测模型研究

为快速、准确地获取土壤质地信息,利用遗传算法结合偏最小二乘法(GA-PLS)回归建立土壤质地预测模型。采集了丰乐河流域162个表层土样,在实验室内对土样进行质地分析和光谱测量,采用遗传算法(Genetic Algorithm)筛选土壤质地光谱特征波段,在此基础上运用偏最小二乘法(PLS)构建了土壤质地预测模型,并与全谱段PLS模型进行对比分析。结果表明:基于遗传算法结合偏最小二乘的模型验证精度高于全谱段PLS模型,粉粒光谱验证集R~2达到0.841,RPD为2.391,较全谱段PLS模型RPD提高了18.13%,提升效果显著;砂粒光谱验证集的R~2为0.721,RPD为2.142,较全谱段PLS模型RPD提高了10.41%。遗传算法结合偏最小二乘法(GA-PLS)在土壤质地高光谱估测中,压缩了光谱变量,减少了数据冗余,提高了模型预测精度。     

Threshold-based structure-activity relationships of pyrazines with bell-pepper flavor

Quantitative structure activity relationships (QSAR) and comparative molecular field analysis (CoMFA) are applied in order to explain the aroma of 46 bell-pepper aroma compounds. Biological activities log(1/c) values are used, where c stands for the detection threshold value of the aroma compound in water. Results of conventional QSAR and CoMFA are both satisfactory in statistical significance and predictive ability. We construct a qualitative model using the graphic features of CoMFA together with the results of "classical" QSAR analysis, which is performed by multiple linear regression. Finally, the human olfactory detection threshold values of excluded pyrazines are successfully predicted. This makes CoMFA and QSAR two important tools for designing new aroma compounds and in elucidating the mechanism of odor-receptor interaction.     

Quantitative structure-activity relationship analysis as a tool to evaluate the mode of action of chemical hybridizing agents for wheat (Triticum aestivum L.)

Augmentation of wheat production calls for introduction of wheat hybrids in cultivation. In the absence of viable alternative technology of hybrid wheat development, chemical induction of male sterility mediated technology based on chemical hybridizing agents (CHAs) holds a great potential. The QSAR method was applied to two families of CHAs in the N-acylanilines and pyridone class of chemistry. The models for each CHA family gave good correlation between the variations in log percent of male sterility and the steric-electrostatic properties of the sets. QSAR analysis has revealed a direct relationship of the Swain-Lupton constant F(p) and molecular mass but an inverse relationship of MR, ES, and Swain-Lupton resonance constant R in influencing the bioactivity in the N-acylanilines. QSAR analysis of four parent families consisting of two training sets each of pyrid-2-ones and prid-4-ones revealed the positive contributions of field effect exemplified by the Swain-Lupton field constant (F) and the negative contributions of the molar refractivity (MR) of aromatic substituents in all but one training set. The QSAR models also indicated that increased steric bulk at the 4-position on the phenyl ring is associated with enhanced activity. These leads will be useful in explaining the CHA binding fit in the macromolecular receptor site.     

Binding model construction of antifungal 2-aryl-4-chromanones using CoMFA, CoMSIA, and QSAR analyses

Flavonoids, generated by plants upon attack by a range of pathogens, are demonstrated to have a role in biotic and abiotic stress response phenomena in plants, and there is increasing evidence for the antibacterial, antifungal, and antiviral activities of these compounds. Using the bioisosterism strategy, a series of 2-aryl-4-chromanone derivatives based upon the structure of flavanones, a kind of flavonoid phytoalexins, were synthesized and tested for the antifungal activity against Pyricularia grisea, which have been reported in our previous papers. To further explore the comprehensive structure-activity relationship and construct the binding model for the antifungal compounds, two kinds of molecular field analysis techniques, comparative molecular field analysis (CoMFA) and comparative molecular similarity indices analysis (CoMSIA), were performed following a Hansch-Fujita QSAR study. Superimpositions were performed using three alignment rules, that is, centroid-based alignment, common substructure-based alignment, and field fit alignment, and statistically reliable models with good predictive power (CoMFA r(2) = 0.952, q(2) = 0.727; CoMSIA r(2) = 0.965, q(2) = 0.751) were achieved on the basis of the common substructure-based alignment. The combined results of CoMFA, CoMSIA, and former Hansch-Fujita QSAR analyses resulted in comprehensive understanding about the structure-activity relationships, which led to this construction of a plausible binding model of the title compounds.     

采用高光谱图像深度特征检测水稻种子活力等级

为实现水稻种子活力的准确检测,该文研究了一种基于高光谱图像技术结合深度学习的高精度检测方法。采用人工加速老化的方式得到老化0,1,2和3 d的1 200个水稻种子样本,使用高光谱成像设备获取不同老化天数样本的高光谱图像,并从单个样本区域提取其光谱信息。随后对1200个样本进行发芽试验,根据发芽试验结果将所有样本划分为高活力、低活力和无活力3个等级。采用小波阈值去噪(Wavelet Threshold Denoising,WTD)结合一阶导数(First/1~(st) Derivative,FD)的方法(WTD-FD)对原始光谱进行预处理,使用主成分分析(Principal Component Analysis,PCA)和堆叠自动编码器(Stacked Auto-Encoder,SAE)分别从预处理光谱中提取特征变量。分别基于PCA和SAE特征变量构建支持向量机(Support Vector Machine,SVM)模型,并根据模型准确率确定较佳模型,最后使用灰狼优化算法(Grey Wolf Optimizer,GWO)对选择的模型进行参数优化。结果显示WTD-FD对原始光谱的预处理是有效的,使用从预处理光谱中提取的SAE非线性深层特征相比于PCA线性特征更具有代表性,基于其建立的SAE-SVM模型的准确率达到96.47%。SAE-SVM模型经过GWO优化之后,模型准确率提高到98.75%。研究结果表明,高光谱图像技术结合深度学习方法对水稻种子活力等级准确检测具有指导意义。     

基于支持向量机和ReliefF算法的玉米品种抗倒伏预测

针对目前玉米品种抗倒伏鉴定方法费时、费力，玉米抗倒伏品种选育周期长的问题，该研究采用高光谱成像技术结合统计学习方法在玉米营养生长期开展品种抗倒伏预测。于2018年和2019年开展田间试验采集不同抗倒伏的8个玉米品种的高光谱成像数据，基于区域识别方法提取感兴趣区域（Region of Interest，ROI）的光谱曲线，分析抗倒样本和不抗倒样本的数据特性；然后分别采用过滤式特征选择算法ReliefF（Relevant Features）和主成分分析（Principal Component Analysis，PCA）结合ReliefF算法的方式，挖掘抗倒品种和不抗倒品种的光谱分类特征；最后使用交叉验证的方式，对ReliefF方法选择的原始光谱数据特征数量和PCAReliefF方法选择的主成分特征数量进行优化，分别建立ReliefF-SVM和PCAReliefF-SVM支持向量机（Support Vector Machines，SVM）分类模型，并对SVM模型的惩罚参数和核参数进行优化，以获得更好的模型预测效果。结果表明：经过特征优化，2018年试验和2019年试验分别选择了40和50个特征参与建模，且使用PCAReliefF方法选择的主成分特征与使用ReliefF方法选择的原始光谱数据特征相比，几乎不含有冗余特征；通过对支持向量机模型的惩罚参数和核参数进行优化，2018年试验ReliefF-SVM和PCAReliefF-SVM模型对预测集样本的抗倒伏分类预测正确率分别为84.17%和85 %，2019年试验模型分类预测正确率分别为84.17%和85.83%。可见，采用高光谱成像数据和统计学习方法可以实现对玉米品种抗倒伏的早期预测，使用PCAReliefF-SVM模型比ReliefF-SVM分类模型综合性能更优，试验为玉米抗倒伏品种的高效筛选提供了方法和借鉴。     

基于无人机高光谱遥感的柑橘黄龙病植株的监测与分类

柑橘黄龙病(Huanglongbing,HLB)是柑橘产业的毁灭性病害,及早发现并挖除病株是防治HLB的有效手段。通过无人机低空遥感监测大面积果园,可大大减少HLB排查工作量和劳动力。该文获取了无人机低空柑橘果园的高光谱影像,分别提取并计算健康和感染HLB植株冠层的感兴趣区域的平均光谱,并对初始光谱进行Savitzky-Golay平滑、异常数据剔除和光谱变换,得到原始光谱、一阶导数光谱和反对数光谱3种光谱,对这3种光谱采用主成分分析法进行降维,与全波段信息比较,分别采用k近邻(kNN)和支持向量机(SVM)进行建模和分类。结果表明,以二次核SVM判别模型对全波段一阶导数光谱的分类准确率达到94.7%,对测试集的误判率为3.36%。表明低空高光谱遥感监测HLB的手段具有可行性,可大大提高果园管理效率和政府防控病情力度。     

黄花梨果形的机器视觉识别方法研究

黄花梨的果形是分级的重要特征之一。利用机器视觉采集黄花梨图像,研究了不规则果品的形状描述方法,提出在黄花梨的分级过程中采用傅立叶变换与傅立叶反变换对来描述果形,开发了基于人工神经网络的果形识别软件。研究发现该傅立叶描述子的前１６个谐波的变化特性足以代表梨体的主要形状,采用傅立叶描述子与人工神经网络相结合的方法进行果形识别的精确率可达９０％。而且只要有合适的训练对,该方法也可以用来对其它水果进行外形识别