基于BP神经网络近红外光谱鉴别茶饮料的研究

提出了一种快速、准确鉴别茶饮料的新思路。采用美国ASD公司的可见-近红外光谱仪对3种茶原料（龙井茶、乌龙茶和铁观音茶）的饮料进行光谱分析。采用多元散射校正（MSC）方法对样本数据进行预处理,再用主成分分析法提取光谱数据的特征值。通过交互验证确定最佳主成分数为5,作为BP神经网络的输入变量,不同原料茶饮料作为输出变量,建立3层人工神经网络鉴别模型,并用模型对20个预测样本进行预测。模型的回判鉴别率达到100%,模型的预测鉴别率达到98.33%。结果表明,基于BP神经网络的近红外光谱鉴别不同原料茶饮料的方法是可行的。     

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。     

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%。     

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。     

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%。     

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。     

不同类型土壤的光谱特征及其有机质含量预测

 【目的】构建适合土壤有机质含量估测的高光谱参数及定量反演模型。【方法】系统分析中国中、东部地区5种不同类型土壤风干样本有机质含量与350～2 500 nm波段范围高光谱反射率之间的关系,利用特征光谱参数和BP神经网络建立土壤有机质的定量估测模型。【结果】光谱一阶导数构成的两波段光谱参数与土壤有机质含量的相关性明显优于原始光谱,尤其采用Norris平滑滤波后导数光谱效果更好。光谱参数构成形式以差值指数最好,其次为比值和归一化指数。与土壤有机质含量相关程度最高的光谱参数是由可见光区554 nm和近红外区1 398 nm两个波段的一阶导数组合而成的差值指数DI(D554,D1398),两者呈显著指数曲线关系,拟合方程为y= 184.2 ×exp[-1297×DI(D554,D1398)],决定系数为0.90。经不同类型土壤的观测资料检验,模型预测决定系数为0.84,均方根误差RMSE为3.64,相对分析误差RPD为2.98,显示估测模型具有较好的预测精度。另外,利用BP神经网络结合偏最小二乘法(PLS)对导数光谱进行分析,提取贡献率达到99.56 %的前6个主成分建立了三层BP 神经网络模型,模型决定系数为0.98,经不同类型土壤的观测资料检验,模型预测决定系数为0.96,RMSE为2.24,相对偏差RPD为4.83。比较利用DI(D554,D1398)和BP网络进行土壤有机质含量的预测结果,前者精度低于后者,但可以满足土壤有机质监测的需要。【结论】利用差值光谱指数DI(D554,D1398)和BP神经网络模型均可实现对土壤有机质的精确估测。     

基于主成分分析和BP神经网络的土壤养分近红外光谱检测

基于近红外光谱技术的土壤养分快速、无损检测,有利于精细施肥决策。在一黄豆田采用7 m×7 m的栅格采集54个土样,测定其土壤有机质、速效氮、有效磷、有效钾,并使用FieldSpec 3光谱仪测定土样的近红外漫反射光谱。将54个样本随机分成预测集与验证集,其中预测集40个,验证集14个。通过平滑预处理后,利用主成分分析法(PCA)提取原始光谱8个主成分。然后以8个主成分为输入,分别以所测土壤养分作为输出,建立土壤有机质、速效氮、有效磷、有效钾的预测模型,最后对14个验证样本进行预测。结果表明,在小尺度采样的情况下进行光谱分析,采用主成分分析和人工神经网络相结合的方法建立土壤有机质预测模型,其测量值与预测值的相关性较高,相关度为0.796 2,相对误差较小,其平均值为1.88%,表明该方法预测土壤有机质含量是可行的。但对土壤速效氮、有效磷和有效钾含量的预测并不理想,还有待进一步研究。     

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。     

基于近红外光谱的番茄农药残留无损检测方法研究

以湖北地区番茄样品为研究对象,对获取的光谱特征信息进行分析,确定了矢量归一化法为最优光谱预处理方法;对各个信息的主成分因子进行了优化,通过主成分分析提取主成分得分向量构成模式识别的输入,利用BP神经网络方法建立番茄有机磷农药残留的无损检测模型。结果表明,当光谱信息主成分因子数为3时,建立的模型最优,预测的识别率达到0.96,训练误差为0.015,相关系数达到0.971。     

基于神经网络及近红外光谱的草莓成熟度快速识别方法

[目的]探究快速检验草莓的成熟度、提高草莓采摘自动化水平的方法。[方法]采集350～2 500 nm波段草莓的光谱信息,提取光谱的一阶导数值并进行主成分分析,取2个主成分并获得了主成分中贡献率最大的6个峰值点,将各个峰值点两侧各取5个波段点作为特征点。随机选取58个样本组成60×58的矩阵作为训练集,导入用Matlab建立的人工BP神经网络中进行训练。[结果]利用测试集进行识别模型的检验,识别正确率达到93.1%。[结论]利用近红外光谱对草莓成熟度进行识别是可行的。     

近红外光谱技术法快速鉴别茶油掺伪

[目的]采用近红外光谱技术法,快速鉴别茶油掺伪。[方法]基于近红外光谱技术,比较马氏距离聚类分析法与反向传播神经网络,建立茶油与掺有菜籽油、棕榈油掺伪茶油的模式识别模型。[结果]采用马氏距离聚类分析法建模时,参数如下:光谱一阶导数处理后,结合SNV、Norris Derivative滤波方法,经主成分分析法,提取8个主成分,模型对预测集样本的准确率达100%;采用反向传播神经网络建模时,参数如下:输入向量为前8个主成分的33个吸收峰,隐含层神经元个数为15,训练学习速度为0.1,训练220步时,模型对预测集样品识别准确率亦为100%。[结论]反向传播神经网络方法更加具有较快的运算速度和较好的收敛性,可为茶油品质评价与检测提供一种新方法。     

基于近红外光谱技术的大豆种子老化级别快速鉴别方法研究

大豆种子容易发生老化并丧失活力,大豆种子活力检测对目前农业生产具有重要意义。以2020年收获的大豆种子为样本进行人工老化试验,老化时间设置为1、2、3、4、5、6d,以未老化的种子作为对照组,每个老化等级30个样本。扫描获取全部210条近红外光谱数据,以4：1的比例划分样本集。对原始光谱数据建立BP网络模型1,再分别采取多元散射校正和标准正太变量变换对原始光谱进行预处理,建立模型2,模型3。比较3种模型可以发现预处理技术能缩短模型迭代时间,同时可以消除部分噪声,提高模型预测能力,且经过标准正太变量变换处理后的模型结果较优,由于预处理后的数据维度并未发生变化,模型的迭代时间较长,不利于实际应用。因此采取主成分分析、连续投影法、竞争自适应重加权法对经过标准正太变换后的数据进行特征波长变量提取,将光谱数据由原来的1845维降到10维、23维和150维。对经过特征波长变量提取后的数据分别建立BP网络模型,得到模型4、5、6。综合分析上述六种模型,最终建立了150输入、10个隐层、7个输出的神经网络鉴别模型6,其分类准确率达到93.43%,迭代时间2.25s可以较好实现对七类不同老化级别的大豆种子快速、无损鉴别。     

复方板蓝根颗粒中靛蓝和靛玉红含量的近红外光谱检测模型研究

[目的]提出一种用近红外光谱技术快速检测复方板蓝根颗粒中靛蓝和靛玉红含量的新方法。[方法]首先应用光谱仪获得6种复方板蓝根颗粒的光谱曲线,用主成分分析法进行聚类分析,再结合人工神经网络技术建立模型进行检测。在主成分分析的基础上,以每一个样品的前7个主成分作为神经网络的输入节点,成分类型作为神经网络的输出节点,建立一个7（输入节点）-7（隐含层节点）-2（输出节点）的3层BP人工神经网络模型。[结果]复方板蓝根颗粒中靛蓝和靛玉红2项指标人工神经网络模型预测值的平均相对误差分别为4．14％和4．72％,与高效液相色谱法测定值的符合程度很高,该模型具有很好的预测能力。[结论]新模型可用于复方板蓝根颗粒的质量检测和生产加工过程中的质量控制。     

基于近红外光谱技术对绿豆产地溯源的研究

为探索绿豆产地鉴别可行性,实现对来自白城、杜尔伯特、泰来、泗水绿豆原产地的快速鉴别。研究运用近红外光谱技术,并结合PLS-DA法（偏最小二乘判别分析）进行建模,对4个产地的120份绿豆粉末样品进行近红外光谱的扫描,分别采用不同光谱预处理方法[标准正态变换（SNV）、多元散射校正（MSC）、矢量归一化与导数处理等]最终确定矢量归一化+MSC建立的模型最稳定,建模波长为12 000～4 000 cm-1全波长。主成分分析提取3个有效主成分（主成分1贡献率为52.44%,主成分2贡献率为30.16%,主成分3贡献率为9.57%）,其累计贡献率达到92.17%。用预测样本集进行模型的验证,白城、杜尔伯特、泰来、泗水4个产地的预测正确率分别为100%、80%、80%和100%。预测结果达到80%以上,初步认定近红外光谱分析技术可用于绿豆产地溯源研究。     

土壤墒情预测模型对比

为实现实时准确的墒情预报,以北京市延庆区为例,利用在该地区获取的2012—2016年5年的系列土壤墒情和气象数据,对土壤墒情预测模型进行了对比研究。通过相关性分析选取时段初墒值W_0、降雨、湿度、气温、气压、地温和蒸发7种影响因子,对土壤墒情分别建立线性回归方程、基于主成分分析的径向基函数(PCA-RBF)神经网络和误差反向传导(BP)神经网络3种预测模型,并对3种模型预测结果进行了对比分析。结果显示:PCARBF神经网络模型精度最高,平均精度达到96.8%,线性回归模型和BP神经网络模型分别为94.6%和95.7%。研究认为,PCA-RBF神经网络具有稳定性好、精度高的特点,可以很好的实现土壤墒情预测。     

基于光谱技术的土壤快速分类方法研究

针对浙江省4种典型土壤,研究应用可见-近红外光谱、近红外光谱和中红外光谱3个波段范围进行土壤快速分类的方法.在获取光谱信息的基础上,采用不同光谱建模方法以提高检测精度,简化分析计算;并分别采用主成分分析结合人工神经网络(PCA-ANN/BP)、偏最小二乘法(PLS)和偏最小二乘法结合人工神经网络(PLS-ANN)3种方法进行建模.结果表明:中红外光谱波段对土壤分类的效果不理想,而可见-近红外光谱、近红外光谱波段均能较好地进行土壤分类;在可见-近红外波段,PLS-ANN模型对土壤的分类效果优于PCA-ANN/BP和PLS模型,为土壤快速准确分类提供了一种简便可行的方法.     

黄芩中黄酮类化合物的定性与定量分析

[目的]提出一种用近红外光谱技术快速检测黄芩中黄酮类化合物的新方法j[方法]首先应用光谱仪获得4种黄芩的光谱曲线,用主成分分析法进行聚类分析,再结合人工神经网络技术建立模型进行检测。在主成分分析的基础上,以每一个样品的前8个主成分作为神经网络的输入节点,黄苓苷和汉黄芩苷2种成分类型作为神经网络的输出节点,建立一个8（输入节点）-13（隐含层节点）一2（输出节点）的3层人工神经网络模型。[结果]黄芩中黄芩苷和汉黄芩苷这2项指标人工神经网络模型预测值的平均相对误差分别为3．87％和5．15％,与高效液相色谱法测定值的符合程度很高,该模型具有很好的预测能力。[结论]新模型可用于黄芩的质量检测和生产加工过程中的质量控制。     

基于支持向量机和近红外光谱特性的土壤质地分类

为了分析不同质地土壤的近红外光谱特性,建立合适的土壤质地分类预测模型。研究以沙土、壤土和黏土3种不同类型土壤作为研究对象,采集了山西省内3个地区的土壤样本共156个,获取其近红外光谱数据,采用支持向量机(SVM)在1 001~2 500 nm波段内对不同质地土壤的吸光度值进行建模预测。结果表明,3种质地土壤具有不同的光谱反射特性;利用支持向量机建立的土壤分类预测模型,其测试集的预测正确率达到91.67%,说明SVM在土壤分类应用中的效果较好,可以利用SVM模型进行土壤属性预测。