基于可见-近红外光谱和神经网络的土壤类型鉴别

提出一种利用近红外光谱快速、无损鉴别土壤种类的方法。首先利用近红外光谱仪测定不同种类土壤的光谱特征曲线,利用主成分分析法提取主成分,再结合人工神经网络建立模型进行类型鉴别。主成分分析表明,主成分1、2、3的累积方差贡献率达到99.839%,可以很好地代表原始数据特征。以主成分分析得到的前3个主成分作为神经网络输入,以土壤类型为输出,通过对30个样本的训练学习,分别建立了反向传播人工神经网络(BP)和径向基函数人工神经网络(RBF)。对10个样本进行预测,结果表明2种模型预测的准确性均达到100%。RBF神经网络运行时间明显小于BP网络,具有一定优势。     

基于近红外透射光谱及神经网络的大豆油质量分析

提出了一种基于近红外透射光谱及最速下降BP算法识别大豆油质量的方法。光谱采集范围是10 000~4 000 cm-1,将得到的近红外光谱数据作为网络的输入神经元,利用主成分分析方法得出8个变量指标数,该变量指标对样品累计贡献率达到99.9%以上;将8个主成分的特征值作为BP网络的输入向量,建立BP神经网络模型。该模型对预测样品集能正确判别,判别正确率达到100%。     

利用可见近红外光谱技术快速鉴别大米品种

提出了1种应用近红外光谱技术快速无损鉴别大米品种的新方法。采用近红外光谱仪获取3种大米的光谱吸收特征曲线,运用遗传算法抽取15个特征波长,并对15个特征波长运用偏最小二乘法进行模式特征分析;经过交互验证法判别提取主成分,完成特征提取后,将7种主成分作为神经网络的输入变量,建立了3层误差逆传播(back propagation,BP)神经网络。结果表明,对30个未知样本进行预测,预测相对偏差均5%,预测结果准确率达100%;遗传算法结合偏最小二乘法进行聚类比单独使用偏最小二乘法对大量原始光谱数据进行聚类分析的效果好,BP神经网络预测的精确度也大大提高。该方法能快速无损地检测大米品种,同时为其他有机物品种鉴别提供了新方法。     

近红外光谱法对食用植物油品种的快速鉴别

以食用植物油为研究对象,建立了一种用近红外光谱技术鉴别食用植物油品种的方法。分别采用系统聚类法、主成分分析法、BP人工神经网络法进行了4个常用品种食用植物油的鉴别研究。结果表明,系统聚类法和主成分分析法均只能鉴别出4种植物油中的大豆油和花生油,不能识别玉米油和芝麻油,鉴别率仅为31.2%;利用BP人工神经网络法将60个校正集样品的11个主成分数据作为BP网络输入变量,建立的3层BP人工神经网络鉴别模型对4种植物油品种的鉴别效果最优,鉴别率为100%,表明BP人工神经网络法具有很好的分类和鉴别常用食用植物油品种的效果。     

基于BP神经网络的木材近红外光谱树种识别

利用木材近红外光谱数据建立反向传播(BP)神经网络模型,实现对木材树种的分类识别。以桉木、杨树、落叶松、马尾松、樟子松5个树种的296个样本的近红外光谱数据为研究对象,运用主成分分析对光谱数据进行降维,并以处理后的主成分数据作为分类模型的输入变量,分别建立了不同属的桉树和杨树以及同属的落叶松和樟子松的BP神经网络二分类模型;建立了桉木、杨树、落叶松、马尾松、樟子松5个树种的BP神经网络识别模型,并利用遗传算法和粒子群算法对5树种分类模型进行优化。结果显示,对于不同属木材,BP神经网络模型树种识别率可达100%,对于同属木材树种识别率也可达85%以上;对所建立的5树种识别模型,BP神经网络树种识别率有所下降,但正确识别率也均可达到75%以上,经过遗传算法和粒子群算法对模型的优化,木材树种平均识别率可分别达到84%和87%以上,表明遗传算法和粒子群算法可以有效提高木材树种识别率。     

应用近红外透射光谱和人工神经网络的豆油脂良莠鉴别

提出了一种利用近红外透射光谱结合BP神经网络识别未知豆油脂良莠类别的方法。在10 000～3 500 cm-1范围内分别采集合格油、不合格油(精炼垃圾油、煎炸油和变质合格油)的透射光谱,对光谱数据依次作出Savitzky-Golay平滑、基线校正预处理,采用SPSS 11.0抽取出9个主成分(累计贡献率达到99.89%)作为神经网络输入神经元,建立3层BP神经网络模型,模型能够有效辨识未知豆油脂的良莠以及不合格具体种类,类别预测正确率为100%。     

近红外光谱技术在玉米种子活力检测中的应用研究

利用近红外光谱和BP神经网络建立玉米种子活力的快速无损检测模型。首先通过人工老化将样本按老化程度分为3种级别,分别采集样本的近红外光谱。对原始光谱进行矢量归一化预处理以消除光谱噪声。然后利用主成分分析(PCA)方法提取光谱特征,作为BP神经网络的输入,依据预处理及特征提取构建出BP神经网络种子活力检测模型。试验结果表明,该识别方法的准确率为90.3%,平均识别时间为27.36 ms。研究结果为玉米种子活力的快速无损检测提供了理论依据和实用方法。     

基于可见-近红外光谱变量选择的土壤全氮含量估测研究

【目的】变量选择是可见光-近红外光谱研究至关重要的步骤,通过分析可见光-近红外光谱不同特征的选择方法筛选出土壤全氮敏感波段,建立基于敏感波段的土壤全氮最佳预测模型,为土壤全氮的快速定量估算提供重要的理论指导依据。【方法】在红壤典型地区江西省吉安县采集代表性土壤样品120个,对可见光-近红外光谱采用主成分分析（PCA）、无信息变量消除（UVE）和无信息变量消除后结合连续投影（UVE-SPA）3种变量特征选择方法,建立基于不同变量选择的偏最小二乘回归（PLSR）模型、最小二乘-支持向量机（LS-SVM）、反向传播神经网络（BPNN）和遗传算法优化的反向传播神经网络（GA-BPNN）模型,从模型对预测集的预测精度分析不同变量选择方法对不同土壤全氮定量估算模型的差异。【结果】经UVE算法筛选后,光谱变量从200个减少至59个,其中可见光波段处10个,其余在近红外光谱的合频区和一倍频区,信息量丰富;进一步采用SPA进行变量选择,得到共线性最小的5个有效波长,分别为820、940、1 040、1 060和1 990nm;基于UVE变量选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型,经不同的土壤全氮的数据检验,预测精度最高的为LS-SVM,决定系数（R2）、均方根误差（RMSEp）和相对偏差（RPD）分别为0.7492、0.2921和1.8904;基于UVE-SPA特征选择建立的PLSR、BPNN、GA-BPNN和LS-SVM模型对预测集的验证表明,UVE-SPA提取的特征波段建立的LS-SVM建立模型预测效果最好,其建立的LS-SVM定量估算模型预测集的决定系数R2为0.7945,均方根误差RMSEp为0.2499相对偏差RPD为2.0009,模型稳定;基于PCA提取的7个主成分建立的LS-SVM、BPNN和GA-PBNN模型预测性能差,不能用于定量估算土壤全氮。对比相同的变量建立的GA-BPNN和BPNN,GA-BPNN预测性能比BPNN高。【结论】UVE-SPA变量选择方法结合LS-SVM模型能用来估算土壤中的全氮含量,同时UVE-SPA是一种有效的土壤光谱变量选择方法。     

基于Vis-NIR光谱的土壤质地BP神经网络预测

为快速、准确地获取土壤质地信息,提出了应用Vis-NIR光谱结合BP神经网络的建模方法。以河南封丘县的86个土壤样本为研究对象,以原始光谱和微分光谱主成分为输入变量,建立土壤粘粒和砂粒的BP神经网络预测模型,并将其预测结果与多元线性逐步回归模型进行比较。结果表明:基于原始光谱主成分的BP人工神经网络预测结果最好,优于多元逐步回归模型,预测粘粒和砂粒的RMSE分别为1.62和6.52。BP神经网络所建模型训练时间短、准确度也较高,能实现对土壤质地的高效预测。     

应用可见/近红外光谱技术快速鉴别山西陈醋品种

为了实现对山西老陈醋品种的快速鉴别,应用可见/近红外光谱透射技术,结合化学计量学方法,进行了山西老陈醋品种的判别分类试验研究。对4个不同品种共240个山西老陈醋样品采集其光谱数据,结合主成分分析和神经网络技术分别对山西陈醋原始光谱、一阶微分光谱、二阶微分光谱进行了判别分析。结果表明:可见/近红外原始光谱结合主成分分析神经网络判别分析法的分析结果最优,校正集正确分类的百分比达92.1%,预测集达85.0%;二阶微分光谱分析结果最差。     

A method for estimating the number of hidden neurons in feed-forward neural networks based on information entropy

The number of hidden neurons of feed-forward neural networks is generally decided on the basis of experience. The method usually results in the lack or redundancy of hidden neurons, and causes the shortage of capacity for storing information or learning overmuch. This research proposes a new method for optimizing the number of hidden neurons based on information entropy. Firstly, an initial neural network with enough hidden neurons should be trained by a set of training samples. Secondly, the activation values of hidden neurons should be calculated by inputting the training samples that can be identified correctly by the trained neural network. Thirdly, all kinds of partitions should be tried and its information gain should be calculated, and then a decision tree for correctly dividing the whole sample space can be constructed. Finally, the important and related hidden neurons that are included in the tree can be found by searching the whole tree, and other redundant hidden neurons can be deleted. Thus, the number of hidden neurons can be decided. Taking a neural network with the best number of hidden units for tea quality evaluation as an example, the result shows that the method is effective.     

比色法测定茶叶GABA含量的可行性研究

应用比色法、HPLC和氨基酸自动分析仪法同时测定了六大茶类共45个样品的GABA含量,结果表明,HPLC与氨基酸分析仪测定结果基本一致,比色法和HPLC法测定的普洱茶、红茶、白茶、黄茶的结果差异极显著(P0.01),应用比色法测得的普洱茶和黑茶中GABA含量比HPLC测定结果高,而其他茶类测定结果低,推测茶叶中含有化学物质(色素、氨基酸等)干扰比色法测定。目前比色法不能应用于茶叶GABA测定,需要进一步改进方法以排除如氨基酸、茶色素等的干扰。     

香气提取方法对绿茶主要生化成分的影响

分别对同时蒸馏萃取法（SDE法）、顶空吸附法（HSA法）和减压蒸馏萃取法（VDE法）提取绿茶香气后茶汤的主要生化成分进行了分析研究。结果表明：香气提取方法不同程度地影响绿茶和速溶绿茶主要生化成分的含量，其中SDE法和HSA法的影响较大，SDE法引起儿茶素异构和降解，HSA法影响可溶性单糖和游离氨基酸的含量，但VDE法对绿茶主要生化成分的影响较小，感官审评结果也表明，经SDE法提取香气后的茶汤已完全没有原休的滋味，其次是HSA法，而VDE法提取香气后的茶汤尚有茶的滋味。     

基于概率神经网络的广东省土地资源评价

用概率神经网络的方法，以广东省土地资源为对象进行了土地资源评价的研究，并与BP网络的评价结果作了比较,结果表明，用概率神经网络进行评价的结果比BP网络的评价结果更加准确，更加切合实际情况，一定程度上避免了人为因素的干扰，提高了土地资源评价的准确性．     

基于轻量级神经网络MobileNetV3–large的黄茶闷黄程度判别

以碧香早品种为材料,通过相机采集不同闷黄时长下的闷黄叶图像共675张,建立了3种闷黄程度的黄茶样本数据集,采用位置变换、随机亮度、增加对比度、添加噪声、随机缩放操作对闷黄叶图像集进行数据增强,运用迁移学习方法,在ImageNet数据集取得MobileNetV3–Large的预训练模型,对迁移网络的所有权重信息进行训练,最终建立了针对黄茶闷黄程度的轻量级卷积神经网络MobileNetV3–Large识别模型,并利用Grad–CAM热力图可视化和置信分数监控黄茶品质的变化。结果表明：经训练后的MobileNetV3–Large模型测试的识别准确率达到98.51%,精确率为99.10%,召回率为98.93%,加权分数为98.20%;MobileNetV3–Large模型的识别准确率高于传统机器学习模型SVM、XGBoost和KNN;通过Grad–CAM热力图可视化显示,MobileNetV3–Large模型在不同的识别场景下能够准确定位并提取闷黄叶特征,准确地识别闷黄程度。可见,MobileNetV3–Large模型有较好的泛化性,可以快速、无损地识别黄茶的闷黄程度。     

茶色素制备方法的研究

以绿茶提取的茶多酚为原料,通过采用化学氧化法和酶促氧化法进行分析,探讨这2种方法对茶多酚氧化产物——茶色素的得率及其主要组成成分的影响,结果表明:在化学氧化体系中增加K3Fe(CN)6的用量有利于茶黄素的积累,但茶色素的得率却呈下降趋势,酶促氧化法所得的茶色素中茶黄素含量高达52.73%,远高于化学氧化法。     

神经网络技术在节水灌溉专家系统中的应用

针对传统专家系统开发和应用过程中存在的问题,利用神经网络的学习功能、记忆功能和并行处理的优势,提出了用神经网络建立专家系统的方法,构造了神经网络专家系统的基本框架,并介绍了神经网络专家系统在节水灌溉上的应用。     

BP神经网络在储粮害虫分类中的应用研究

综合利用计算机视觉技术和BP神经网络技术,实现了对粮仓害虫的无损检测.通过对粮仓害虫图像的CCD图像预处理,获取了几何特征和不变矩等15个特征参数,并通过优化选取其中七个参数输入神经网络进行训练.仿真结果表明训练网络对粮仓四类常见害虫的识别率达到了85%,得到了较好的识别结果.     

绿茶中茶多酚的超声波法提取工艺及HPLC法测定

[目的]优化绿茶中茶多酚的提取工艺并测定其含量。[方法]以浙江绿茶为原料,对超声波辅助法提取茶多酚的条件进行了研究,采用高效液相色谱法测定最佳条件下茶多酚含量并与酒石酸亚铁吸光光度法的测定结果进行比较。[结果]经过单因素和正交试验得出超声波提取绿茶中茶多酚的最佳工艺为：以70%的乙醇为提取溶剂,超声提取温度为70℃,超声处理25 min,功率为60%(150 W),提取率为20.87%。浸提物经过纯化后采用HPLC法测定,其茶多酚含量为18.17%。[结论]研究可为绿茶在提取工艺的改进和茶多酚在天然解酒药物方面的应用提供参考。     

基于FTA与BAM神经网络融合的飞机故障诊断方法

飞机由大量彼此关联的组件组合而成,其大规模特性使得基于故障树（FTA）和基于神经网络的故障诊断方法在应用于其故障诊断时分别存在空间爆炸问题和训练样本整理困难问题.本文融合故障树和BAM神经网络,由故障树归纳出系统所有的故障模式,整理出BAM神经网络所需的具有规范性、独立性、正交性的训练样本, 然后用BAM神经网络实现飞机故障的快速和准确诊断.实验评估结果表明,融合方法有良好的可扩展性,而且故障判别率提升了20%.