黄山毛峰茶贮藏时间电子鼻检测方法研究

利用电子鼻对6个贮藏时间5个等级的黄山毛峰茶进行检测,首先获取反映茶叶香气的原始特征向量,再通过主成分分析法（PCA）提取出前5个主成分作为主特征向量,然后以主特征向量作为BP神经网络（BPNN）的输入,建立黄山毛峰茶贮藏时间预测模型（PCA BPNN）。结果表明：PCA BPNN对于贮藏0 d的茶叶,最大预测误差为11 d,5个（6.67%）样本预测误差超过13 d;对于贮藏60 d的茶叶,最大预测误差为13 d,4个（5.33%）样本预测误差超过10 d;对于贮藏120 d的茶叶,最大预测误差为16 d,7个（933%）样本预测误差超过10 d;对于贮藏180 d的茶叶,最大预测误差为19 d,8个（10.67%）样本预测误差超过10 d;对于贮藏240 d的茶叶,最大预测误差为21 d,8个（10.67%）样本预测误差超过10 d;对于贮藏300 d的茶叶,最大预测误差为14 d,6个（8.00%）样本预测误差超过10 d。该研究所建立的PCA BPNN预测模型可用于检测黄山毛峰茶贮藏时间,且与以原始特征变量作为输入的BPNN模型相比,性能更好。     

基于支持向量回归的鱼粉TVB-N值电子鼻检测

挥发性盐基氮(TVB-N)是衡量鱼粉新鲜度一个十分重要的指标,探索鱼粉TVB-N快速检测方法对鱼粉品质检测具有重要意义。利用研制的电子鼻对不同新鲜度的鱼粉样本进行电子鼻数据采集,建立了电子鼻数据和TVB-N值之间的支持向量回归模型(SVR),利用预测集进行验证,并与多元线性回归(MLR)方法进行比较。结果表明,支持向量回归模型预测精度优于MLR模型,其决定系数R2、预测标准差SEP、最大相对误差RE-max、平均相对误差RE-mean分别为0.910、4.32、8.92%、1.87%。支持向量回归和电子鼻技术检测鱼粉TVB-N含量是可行、有效的方法。     

茶叶中茶多酚含量电子鼻技术检测模型研究

为探索茶叶茶多酚含量的快速检测方法,利用电子鼻技术对3个品质等级信阳毛尖茶的挥发性气味进行了研究.采用多元线性回归、二次多项式逐步回归分析和BP神经网络分别建立传感器信号和信阳毛尖茶的茶多酚含量之间的预测模型,并用测试集样本对模型进行验证.试验结果表明,3种模型茶多酚含量预测值与实测值之间的相关系数分别为0.86,0.90和0.92;预测标准误差分别为0.61,0.5和0.14;平均误差分别为2.5％,1.5％和1.0％.3种建模方法对茶多酚含量的预测结果都很好,最优模型为BP神经网络.研究结果表明电子鼻技术结合有效地模式识别方法可以用于茶叶理化成分的快速检测.     

基于多光谱成像技术的牛肉干水分含量快速无损检测研究

基于多光谱成像技术对牛肉干中水分含量的快速无损检测方法进行研究,通过对比最小二乘回归(PLS)、最小二乘支持向量机(LS-SVM)和误差反向传播神经网络(BPNN)所建预测模型的性能,发现BPNN模型对牛肉干水分含量预测效果最佳,其确定系数(Rp2)、预测集均方根误差(RMSEP)和剩余预测偏差(RPD)分别为0.941、3.602％和4.142.结果表明,光谱吸收度是检测牛肉干水分含量的重要特征,BPNN结合多光谱建立的预测模型精度较高,鲁棒性较好,在牛肉干水分的实时无损检测中具有良好的应用前景.     

金鲳鱼贮藏品质BPNN和RBFNN预测模型的构建与评价

针对金鲳鱼(Trachinotus ovatus)贮藏过程中品质变化难以预测的问题，测定金鲳鱼片在0、3、6、9、12℃贮藏条件下挥发性盐基氮质量分数(w(TVB-N))、菌落总数、K值和感官评价值，构建径向基函数神经网络(Radial basis function neural network, RBFNN)和反向传播神经网络(Back propagation neural network, BPNN)预测模型以预测品质，并对模型的预测结果进行残差分析和相对误差分析以评价预测准确度。结果表明：1)BPNN模型和RBFNN模型的残差都是随机且不规则的，说明2种模型都适用于预测金鲳鱼片的新鲜度，但RBFNN模型残差绝对值更小；2)对于4℃贮藏条件下金鲳鱼片的各项品质指标，BPNN模型预测相对误差绝对值小于15%(除K值第0天),RBFNN模型预测相对误差绝对值大部分小于5%,RBFNN模型预测相对误差绝对值较小。对于金鲳鱼片新鲜度的预测，RBFNN模型准确度较高，BPNN模型准确度较低，RNFNN模型更适合用于预测金鲳鱼贮藏品质。     

近红外光谱法快速测定废水生化需氧量

采用透射法采集了污水处理厂废水120个样品的近红外光谱数据,以采用标准稀释法测得的5 d废水生化需氧量为参考值建立废水BOD近红外预测模型.研究比较了以逐步多元线性回归(SMLR)、主成分回归(PCR)、偏最小二乘法(PLS)3种校正方法建立的废水生化需氧量(BOD)预测模型,发现PLS校正模型优于其余2种,其校正相关系数(rc)达0.763,校正标准差为27.7 mg.L-1,预测标准差为29.1 mg.L-1.结果表明,近红外光谱技术可成为废水BOD快速检测的新手段.     

基于便携式拉曼光谱仪的氧乐果含量定量分析

【目的】研究利用便携式拉曼光谱仪测定农药氧乐果含量(质量分数)的定量分析方法,为农药残留的快速检测提供参考。【方法】利用便携式拉曼光谱仪,采集不同含量氧乐果溶液的拉曼光谱,比较不同预处理方法 (卷积平滑、一阶导数、二阶导数、基线校正、基线校正+卷积平滑)对氧乐果溶液拉曼光谱数据的预处理结果,从中筛选出最优预处理方法;以最优预处理方法处理之后的数据作为输入,分别采用偏最小二乘法(PLS)、主成分回归(PCR)和多元线性回归(MLR)算法建立拉曼光谱与氧乐果含量之间的预测模型,并对模型的预测效果进行评价。【结果】5种预处理方法中,氧乐果溶液拉曼光谱数据经基线校正处理后,所建立模型的预测效果最好。分别采用PLS、PCR和MLR算法建立了拉曼光谱与氧乐果含量之间的预测模型,对3个模型的预测结果进行评价,结果显示,PLS预测模型的相关系数(RP)为0.984,预测均方根误差(RMSEP)为1.12;PCR预测模型的RP为0.977,RMSEP为1.39;MLR预测模型的RP为0.539,RMSEP为5.54,可知基线校正与PLS结合建立的模型预测效果最佳。【结论】建立了基于便携式拉曼光谱仪的氧乐果残留的定量分析方法,为农药残留检测提供了一种快速、简单、方便的方法。     

基于REMCC-BPNN的粮食产量预测研究

粮食产量的准确预测对保证粮食安全、维持社会稳定具有重大意义。提出了一种基于K个最近邻训练样本拟合相对误差绝对值与时序的相关系数最小原则优化BP神经网络的时间序列预测模型REMCC-BPNN,并将该模型应用到我国粮食产量及湖南省粮食产量预测中。结果表明,REMCC-BPNN模型的预测精度优于BPNN、SVR、ARIMA、GM(1,N)等常用的时间序列预测模型,训练速度快,稳定性高。     

基于近红外光谱技术的茶鲜叶海拔高度判别模型建立

以不同海拔高度的茶鲜叶为研究对象,扫描获取其近红外光谱(NIRS)并筛选特征光谱区间后,分别应用逐步多元线性回归法(SMLR)、主成分回归法(PCR)和联合区间偏最小二乘法(Si-PLS)建立茶鲜叶海拔高度预测模型。结果表明,在5 542.41~6 888.48cm-1区间内,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的SMLR模型预测集相关系数和预测均方差分别为0.800 5和0.486;在4 929.16~6 965.62cm-1区间内,当主成分数为3时,对原始光谱进行一阶导数+3点Norris平滑预处理后,建立的PCR模型预测集相关系数和预测均方差分别为0.803 6和0.472;当将光谱划分为18个子区间、因子数为13时,选用[5 8 11 17]4个子区间建立的Si-PLS模型预测集相关系数和预测均方差分别为0.944 3和0.295。经比较,Si-PLS模型预测结果最佳。     

GRNN和Elman神经网络在水体溶解氧预测中的应用

针对池塘溶解氧浓度受较多因素影响的复杂性,选择基于广义回归网络(general regression neural network,简称GRNN)、Elman神经网络和BP(back propagation)神经网络算法构建关于溶解氧的预测模型,并将模型应用于水产养殖池塘溶解氧的预测中,力求找到能够长期预测池塘溶解氧浓度的有效方法。研究结果表明,GRNN和Elman神经网络模型的拟合效果均比BPNN(back propagation neural network)的拟合效果好,且有较高的预测精度,平均相对误差绝对值分别为7.48%、11.03%。同时,GRNN和Elman网络模型的算法稳定,计算复杂性低,因此2个模型适合对溶解氧浓度进行预测,有一定的应用价值,可以为水产养殖管理提供依据。     

基于近红外光谱法的水稻秸秆可溶性糖快速检测

采集并制备不同地域、不同品种的水稻秸秆样本288个,根据浓度梯度法,按照31的比例划分校正集与验证集。采用蒽酮硫酸比色法测定试验样本中可溶性糖含量,并采集在近红外全波段(10 000~4 000cm-1)范围内样本的近红外光谱信息。采用多元散射校正(MSC)、标准正态变量变换(SNV)、导数、S-G平滑及其组合方法对光谱进行预处理,分别运用逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)化学计量学算法,建立基于近红外光谱的逐步多元线性回归(SMLR)、偏最小二乘回归(PLS)和主成分回归(PCR)定量分析模型。通过比较分析,对光谱进行一阶导数预处理,建立的PLS模型效果最优,校正集实测值与预测值之间的决定系数R2C达到0.880 6,交互验证决定系数(R2CV)和验证集决定系数(R2V)分别为0.771 1、0.857 8,均方根差RMSEC、RMSECV、RMSEP分别为0.318%、0.440%、0.404%,校正集相对分析误差(RPDC)和验证集相对分析误差(RPDV)均大于2.5。结果表明,采用近红外光谱法建立的PLS模型基本可以实现水稻秸秆中可溶性糖含量的快速检测。     

低场核磁共振技术结合化学计量学建立鲍鱼水分和脂肪含量预测模型

为研究鲍鱼的无损检测技术,提出了一种基于低场核磁共振技术的快速、无损预测鲍鱼水分和脂肪含量的新方法,采用CPMG序列测定横向弛豫时间T2,结果表明:鲍鱼肉中含有3种不同组分水,分别是结合水(T2b)、肌原纤维内水(T21)和肌原纤维间隙水(T22)。并结合化学计量学建立2种关于鲍鱼水分和脂肪含量的预测模型:校正集(Calibration)用于预测样品水分和脂肪含量,而交互验证集(Validation)被用来验证预测结果的稳健性和预测标准误差(SEP)值。PCR和PLSR预测模型相关系数R2均大于0.9。然而PLS预测模型则给出了最好的预测结果:在水分预测模型中R2val=0.993 5,SEP=0.140 1;脂肪含量预测模型中R2val=0.967 5,SEP=0.265 0。由此表明,2种预测模型都具有评价鲍鱼品质的良好潜力,并且PLS预测模型的精准性和稳健性优于PCR预测模型。     

我国中药材价格指数预测研究

以中药材天地网30种中药材价格指数为研究对象,使用HP-LSTM-MLP混合预测模型对中药材单品种价格指数和综合价格指数进行预测,并与LSTM(long short term memory networks,长短期记忆网络)、RNN(recurrent neural network,循环神经网络)、GRU(gated recurrent unit,门控循环单元)等预测模型进行比较分析。研究结果表明,在RMSE和R_(score)~2两个预测效果衡量指标中,HP-LSTM-MLP混合预测模型的RMSE为65.33,R_(score)~2为0.99,皆优于其他3种模型。采用HP-LSTM-MLP模型分别预测我国30种主要中药材综合价格指数以及单品种价格指数,结果显示,对中药材综合价格指数的预测结果平均相对误差为1.89%;对黄连、连翘和麦冬等单品种价格指数的预测结果的平均相对误差分别为3.36%、5.66%和3.22%,说明HP-LSTM-MLP模型泛化能力较好,对我国中药材价格指数预测具有一定的应用价值。     

基于灰色理论和回归分析的需水量组合预测研究

【目的】建立精度更高的需水量预测模型,为水资源规划提供理论依据。【方法】建立基于灰色预测和线性回归预测的需水量组合预测模型,以深圳大鹏半岛需水量为例,对组合预测模型的预测结果与单独采用灰色预测、线性回归模型预测的结果进行了比较。【结果】单独采用灰色预测模型和线性回归模型进行预测的平均误差分别为6.5%和2.5%,而基于灰色预测和线性回归的组合预测模型的平均误差仅为1%。【结论】组合模型的预测精度较单一模型的预测精度明显提高,并且该模型可以更全面地反映需水量的变化规律。     

基于BP神经网络预测林内PM2.5浓度

[目的]利用BP神经网络预测林内PM_(2.5)浓度。[方法]利用人工神经网络理论,采用2013年7月—2014年5月野外实时监测数据,建立了以气象参数、污染源强变量和林分结构特征为输入因子,林内PM_(2.5)小时平均浓度为输出因子的预测模型,并对其预测精度进行了评价。[结果]BP人工神经网络模型能够很好地捕捉污染物浓度与气象因素和林分结构间的非线性影响规律,预测结果的平均相对误差为1.71×10~(-3),均方根误差为6.77,拟合优度达0.98,模型具有很高的预测精度。而传统的多元线性回归(MLR)模型预测结果的平均相对误差、均方根误差和拟合优度分别为0.27、22.92和0.93。[结论]研究成果印证了应用BP人工神经网络模型预测林内PM_(2.5)浓度的可行性和准确性。     

基于叶绿素荧光图像的辣椒叶片氮含量的预测

提取辣椒叶片的25个叶绿素荧光图像的特征参数,其中18个特征参数与氮含量呈极显著相关(P0.01)。用主成分分析法(PCA)提取主要特征参数,将其结果作为遗传算法优化的反向传播人工神经网络(BPNN)、广义回归神经网络(GRNN)和多元线性回归(MLR)模型的输入变量,分别建立辣椒叶片氮含量的预测模型,建模集的相关系数分别为0.959 2、0.963 3、0.943 5,预测集的相关系数分别为0.914 5、0.821 3、0.774 1。     

数学模型在淮安市食物中毒事件预测中的应用

[目的 ]构建淮安市食物中毒发生事件数的数学模型并验证其合理性和准确性。[方法 ]收集2003-2015年淮安市食物中毒事件数据,用EXCEL和SPSS拟合灰色预测模型GM(1,1)、回归预测模型进行统计分析和预测。[结果 ]使用灰色预测模型GM(1,1)取得的后验差比值为0.7631;平均相对误差e%为11.48%,后验差比值0.76310.8852,拟合精度合格;使用幂函数模型预测2003-2015年淮安市食物中毒事件数各年度的相对误差最低为0.4%,最高为82.4%,平均相对误差为29.3%。[结论 ]两种方法预测2016年淮安市食物中毒事件数为4件。两种方法均可用来预测淮安市食物中毒发生事件数,预测效果可靠。     

基于机器学习的粮食产量预测模型研究

科学统计粮食产量数据并合理预测其发展趋势有助于稳定粮食生产、保障粮食安全。本文基于差分整合移动平均自回归(ARIMA)模型、广义回归神经网络(GRNN)模型以及长短期记忆人工神经网络(LSTM)模型,运用皮尔逊相关性分析方法选出影响粮食产量的主要因素并进行预测。以河北省保定市在1996—2014年粮食产量及16个粮食产量影响因素等历史数据为例,预测2015、2016和2017年粮食产量。试验结果表明,基于ARIMA模型预测的平均相对误差为0.96%,基于LSTM模型预测的平均相对误差为2.20%,基于ARIMAGRNN组合模型预测的的平均相对误差为0.47%。相比于其他预测模型,ARIMA-GRNN组合模型可有效地对粮食产量进行预测,并为粮食产量的预测提供了1种新方法。     

基于反射光谱全波段与双波段甘蔗叶片叶绿素预测模型比较

以甘蔗品种新台糖22号(ROC22)叶片为研究对象,针对全波段和双敏感波段处的反射率分别建立甘蔗叶片叶绿素含量的预测模型,对比各模型的精度。全波段方面,以可见-近红外光谱反射率为输入量,提取出前5个主成分后,分别采用多元线性回归(MLR)与BP神经网络(BPNN)方法建立全波段模型M1与M2;敏感波段方面,选择731和785nm这2个敏感波段及由二者计算出的植被指数为输入量,建立一元线性回归(SLR)模型M3、MLR模型M4以及BPNN模型M5。研究结果表明:M1与M2的预测值与实测值间的决定系数R~2分别为0.792 4和0.892 9;M3、M4、M5的R~2分别为0.821 2、0.840 1和0.848 2;BPNN模型精度高于线性回归模型;虽M5的精度稍低于M2的精度,但M5只包含2个敏感波段信息,具有更高的工程应用价值。     

基于时间序列和多元模型的集约化猪舍温度预测

目的 从挖掘猪舍历史环境参数数据时序信息角度出发,提出基于时间序列模型和多元模型序列的猪舍温度预测模型。方法 采取缺失部分环境因子统计预测,评估猪舍环境中相对湿度、二氧化碳浓度、氧气浓度等环境因子对温度预测的影响程度。针对猪舍温度时间序列进行数据预处理,滤除错误值和缺失值,采用时间序列模型构建基于门控循环单元网络(Gated recurrent unit,GRU)的猪舍温度预测模型,采用多元模型建立基于梯度提升决策树(Extreme gradient boosting,XGBoost)缺失值重要程度的猪舍温度预测模型。将该预测模型用于预测广东省某集约化猪场母猪分娩舍温度,并与循环神经网络(Recurrent neural network, RNN)模型、反向神经网络(Back propagation neural network, BPNN)模型进行对比试验。结果 对比温度预测值与实测值发现,基于GRU模型对应的猪舍温度均方根误差和平均绝对误差分别为0.25和0.19 ℃,平均绝对百分比误差为0.65%;基于XGBoost多元模型的猪舍温度均方根误差和平均绝对误差分别为1.21和0.71 ℃,平均绝对百分比误差为2.50%。在时间序列的温度预测模型中,GRU模型表现出更优的预测效果;在多元模型的温度预测中,XGBoost模型的预测效果更优。结论 本研究使用的GRU模型在时间维度上对母猪分娩舍温度的变化起到了预警作用,确定了各种环境参数对温度的影响程度,为养殖环境的精细调控提供了参考。