可见/近红外光谱快速鉴别米粉辐照剂量

为了实现对不同剂量辐照处理后米粉的快速鉴别,提出了一种基于可见-近红外光谱技术的快速、无损检测方法。试验先利用不同剂量的60Coγ-射线对米粉进行辐照处理,得到了4种样品共200个样本。再应用ASD可见-近红外光谱仪获取所有样本的反射光谱数据,并采用主成分分析方法对数据进行聚类分析,将提取的前6个主成分作为BP神经网络的输入值,建立不同米粉样品的鉴别模型。结果表明,在设定偏差标准为±0.1的情况下,利用该模型对预测集样本进行鉴别,识别率达到100%。该文提出的方法具有很好的分类和鉴别作用,为快速鉴别米粉类产品是否经辐照灭菌及处理剂量等提供了新的技术方法。     

柿子可溶性固形物含量的可见-近红外光谱检测

为了实现柿子（Diospyros kaki thunb）可溶性固形物含量的快速无损检测,提出了一种采用可见-近红外光谱分析技术无损检测柿子可溶性固形物含量的方法。采用Field Spec 3光谱仪对3种不同品种的柿子进行光谱分析,共获取66个样本数据。利用平均平滑法对样本数据进行预处理,再采用主成分分析法,依据可信度获取光谱的6个主成分数据。将样本随机分成51个建模样本（每种各17个）和15个验证样本（每种各5个）,把6个主成分数据作为BP神经网络的输入变量,柿子的可溶性固形物含量作为输出变量,隐含层的节点数为11,建立3层BP神经网络检测模型,并用该模型对15个验证样本进行预测。结果表明,所建校正模型的校正标准差（SEC）为0.232,对预测集样本可溶性固形物含量的预测相对误差在3%以下,预测值和实测值的决定系数（R2）为0.99,预测标准差（SEP）为0.257。结果表明应用近红外光谱技术结合主成分分析和神经网络算法检测柿子的可溶性固形物含量是可行的。     

鸭肉中谷氨酸含量的可见-近红外光谱测定研究

为实现鸭肉中谷氨酸含量的快速测定,提出了利用可见-近红外光谱结合PCA、BP神经网络来建立鸭肉中谷氨酸含量测定的定量分析模型.采集试验首先采集光谱范围在350～1800nm的鸭肉可见-近红外反射光谱,并在430～1000、1001～1400和430～1400nm 3个光谱范围内分别用一阶导数(FD)、二阶导数(SD)、...     

基于近红外光谱技术的大米品种快速鉴别方法

为探索大米无损检测技术,提出了一种基于可见-近红外光谱技术快速、无损鉴别大米品种的新方法。首先采用主成分分析法对大米品种进行聚类,然后利用小波变换技术提取光谱特征信息,把光谱特征信息作为人工神经网络的输入建立品种识别模型,对大米品种进行鉴别。从每种大米60个样本共计180个样本中随机抽取150个样本（每种50个样本）用来建立神经网络模型,剩下的30个大米样本用于预测。品种识别准确率达到100%。说明所提出的方法具有很好的分类和鉴别作用,为大米的品种鉴别提供了一种新方法。     

基于近红外光谱土壤水分检测模型的适应性

由于土壤水分的近红外光谱定量分析模型精度依赖于样品状态,故土壤水分定量分析模型的适应性极其重要。以湖北地区的3种土壤为研究对象,利用偏最小二乘法交叉验证建立了处理后样品下的土壤水分分析模型,模型预测值与标准值的决定系数R2为0.9946,交叉验证预测均方差为0.801%,模型预测决定系数R2为0.9919,预测均方差为0.912%;利用主成分分析了未处理土壤样品与处理土壤样品得分图的差异,结果表明定量分析模型对未处理样品的预测精度降低;采用斜率/截距的方法修正了12个未处理样品的模型预测值,预测平均绝对值误差从0.78%降低到0.38%,结果表明斜率/截距校正法能较好的提高近红外光谱土壤水分定量分析模型的适应性。     

近红外光谱结合化学计量学方法检测蜂蜜产地

为了实现蜂蜜产地的快速判别,应用近红外光谱结合化学计量学方法对蜂蜜产地进行了判别分析。kennard-Stone法划分训练集和预测集。光谱用一阶导数加自归一化预处理后,再用小波变换（WT）进行压缩和滤噪。结合滤波后光谱信息,分别用径向基神经网络（RBFNN）和偏最小二乘-线性判别分析（PLS-LDA）建立了苹果蜜产地和油菜蜜产地的判别模型。对不同小波基和分解尺度进行了讨论。对苹果蜜,WT-RBFNN模型和WT-PLS-LDA模型都是小波基为db1、分解尺度为2时的预测精度较好,都为96.2%。对油菜蜜：WT-RBFNN模型在小波基为db4和分解尺度为1时,预测精度较好,为85.7%;WT-PLS-LDA模型在小波基为db9、分解尺度也为1时,预测精度较好,为90.5%。研究表明：WT结合线性的PLS-LDA建模比WT结合非线性的RBFNN建模更适于蜂蜜产地判别;近红外光谱技术具有快速判别蜂蜜产地的潜力。     

近红外光谱和机器视觉信息融合的土壤含水率检测

为了精确、快速和稳定测定土壤含水率以及扩大所建模型的适应性,该文提出了机器视觉与近红外光谱技术融合的土壤含水率分析方法。通过试验建立了湖北地区主要土壤基于近红外光谱的土壤含水率分析模型、基于土壤表层图像特征参数的含水率分析模型和机器视觉与近红外光谱信息融合的土壤含水率分析模型。结果表明,基于近红外光谱含水率分析模型虽然具有较高的精度,但该模型预测非建模样品黄绵土误差均大于4%;以图像特征参数H,S和V所建BP人工神经网络非线性预测模型最优,模型的决定系数R2为0.9849,但当土壤水分饱和（达到20%以上）时存在分析误差;而所建立的土壤的近红外光谱与机器视觉BP神经网络信息融合模型可预测非建模样品黄绵土与水分饱和达20%以上土壤,决定系数R2可达到0.9961,融合模型分析精度均高于单独使用近红外光谱或机器视觉分析模型。     

茶叶咖啡碱近红外光谱模型简化方法

该文以茶叶为研究对象,以近红外光谱分析技术快速检测茶叶中的咖啡碱含量为目的,采用一种小波包分析-移动窗口偏最小二乘法（WPA-MWPLS）的处理光谱数据方法,即利用小波包精细的多层分解功能扣除背景、降低噪声的影响,利用移动窗口偏最小二乘法（MWPLS）挑选与茶叶中咖啡碱相关性较大的波数区间使用偏最小二乘法建立校正模型。与只经过Savitzky–Golay预处理后直接利用PLS所建模型相比,采用小波包分析-移动窗口偏最小二乘法使得预测相关系数R由0.9170提高到了0.9625;预测均方差RESEP由0.3071下降为0.2463。该结果表明：该方法具有预处理简单、优选参数和建模变量少等特点,能在很大程度上简化建模过程、提高建模和分析速度。     

基于可见-近红外光谱技术的蜜源快速识别方法

蜂蜜蜜源决定了蜂蜜的药用价值。为了实现快速无损识别蜂蜜蜜源,提出了基于可见-近红外光谱技术结合机器学习的方法来实现蜂蜜蜜源的快速无损识别。该研究采集来自4个蜜源共232份蜂蜜样本光谱数据,随机选取其中212个样本用来构建分类器,剩余20个样本进行分类器泛化学习能力的检验评估。光谱数据预处理采用基线校正,数据标准化和平滑消除干扰和噪声。基于一对多分类规则,采用主成分分析结合贝叶斯线性判别构造线性多分类器,并就分类效果和泛化学习能力与前向神经网络器构成的非线性分类器进行比较。结果表明：基于主成分分析结合贝叶斯线性判别构造的多分类器分类正确率为91.95%,前向神经网络的分类正确率为100%。该研究也表明应用可见-近红外技术对蜂蜜蜜源进行快速分类是可行的。     

基于近红外光谱的板栗水分检测方法

含水率是影响板栗贮藏、加工的关键指标之一,该文应用近红外光谱技术对板栗含水率进行快速无损检测。试验对240个板栗样本的带壳光谱和栗仁板栗光谱采用SPXY算法进行样本集划分,利用偏最小二乘法建立含水率定量检测模型,并对微分、多元散射校正、变量标准化等多种预处理方法对建模结果的影响进行比较。结果表明：栗仁和带壳板栗的光谱经一阶微分预处理后所建模型性能最佳,其中栗仁的水分检测模型校正集和验证集的相关系数分别为0.9359和0.8473,校正均方根误差为1.44%,验证均方根误差为1.83%;带壳板栗光谱所建模型校正集和验证集的相关系数分别为0.8270和0.7655,校正均方根误差为2.27%,验证均方根误差为2.35%。受栗壳的影响,带壳板栗光谱模型对含水率的预测精度低于栗仁光谱模型的预测精度。研究表明,近红外光谱分析技术可用于板栗含水率的快速无损检测。     

近红外光谱分析技术在饲料质量安全评价中的应用研究进展

近红外光谱分析技术是饲料质量安全控制中不可或缺的一种技术,它不仅能够较准确的测定饲料产品营养价值的各相关参数指标,而且能科学的分析配合饲料的原料组成和来源,应用于饲料安全溯源管理;同时,利用近红外光谱分析技术获取强特异性的个性特征信息,可用于完善饲料产品注册系统。本文综述了近红外光谱分析技术在饲料质量安全评价方面的应用研究成果,以便使该技术更好的为饲料行业质量安全控制服务。     

基于PCA与GA的近红外光谱建模样品选择方法

针对在利用遗传算法进行样品选择(SSGA)时,使用原光谱矩阵运算时间非常长的问题,提出了一种使用丰成分得分矩阵代替原光谱矩阵进行选样的新算法(PCA-SSCA).讨论了PCA-SSGA算法的主成分分解,染色体编码与解码,目标函数与适应度函数确定,选择算子、交叉算子、变异算子等.在Visual C 环境中开发了PCA-SSGA软件系统.通过对131份小麦籽粒样品针对其干基蛋白含量进行PCA-SSGA运算,经过39200代进化,最终找出最佳样品组合:样品数日由131减少为70,通过偏最小二乘留一法交叉验证(PLS-LOO-CV),决定系数(R2)由0.9477增加为0.9841,交叉验证预测均方差(RMSPCV)由0.3938减少为0.1934.从运算时间上看,PCA-SSGA进化一代时间是SSGA的1/2193,整个样品优选过程时间大大缩短,效率得以显著提高.试验结果表明:PCA-SSGA可以方便灵活地调整遗传算法的参数、自动地选择样品,这对优化农产品近红外光谱模型、进一步提高预测精度提供了很好的技术支持.     

利用BP神经网络模型对太湖水体叶绿素a含量的估算

利用太湖2001-2006年常规水质监测资料和气象资料进行主成分分析,确定影响太湖水体叶绿素a 含量的主要因子。在此基础上构建BP神经网络模型,利用模型对太湖湖心区水体叶绿素a含量进行估算,并对模型进行敏感度分析;将所建模型运用于太湖梅梁湾、贡湖湾、竺山湾以及东太湖4个湖区叶绿素a含量的估算,以验证其适用性。结果表明：基于主成分分析的BP神经网络模型估算的湖心区叶绿素a含量与实测值的拟合度良好,对已建立的BP神经网络预测模型进行敏感度分析表明,气温和溶解氧与浮游植物叶绿素a含量密切相关;该模型对太湖其它4个湖区水体叶绿素a含量的估算结果与实测值拟合度良好, 表明其适用性也较好,因此,可以运用于对太湖水体叶绿素a含量的估算及预测。     

基于高光谱特征选择的霉变玉米黄曲霉毒素B_1的检测方法

为研究高光谱技术检测霉变玉米中黄曲霉毒素B_1含量的可行性,选择5种不同霉变程度的玉米为试验材料,利用高光谱图像采集系统获得了250个霉变玉米样本的高光谱数据,并进行多元散射校正(MSC)预处理;运用偏最小二乘回归(PLSR)系数来选择特征波长,筛选出7个特征波长,然后利用Fisher判别分析(FDA)分别对全波长和特征波长下霉变玉米进行鉴别分析。结果表明,5组样本在全光谱波段下的FDA鉴别正确率在85%～88%之间,而在特征光谱下的FDA鉴别正确率均在98%以上,说明特征波长能较好地表征不同霉变等级的玉米。神经网络模型优于PLSR模型,其预测集相关系数和均方根误差分别为0.999 9、0.180 9。因此,可认为利用高光谱技术来检测不同霉变程度玉米中的黄曲霉毒素B_1含量是可行的。本研究结果为高光谱鉴别其他农产品提供了重要参考。     

基于多光谱影像反演土壤盐分的建模方法研究

土壤盐分的定量遥感反演,为快速、准确、全面地监测盐渍化状况提供了可能。本文以黄河三角洲地区垦利县为例,实地调查采集土壤样本,并获取同时相Landsat 8影像,建立土壤盐分遥感反演的BP神经网络、偏最小二乘回归、主成分分析、多元线性回归多种模型,进而进行精度对比分析,评价、优选最佳建模方法,最后,基于最佳模型进行研究区土壤盐分的空间分布反演分析。结果显示:遥感影像的反射率与土壤盐分含量并不是单纯的线性关系,构建的盐分估测模型BP神经网络预测决定系数为0.8467,均方根误差为0.071,明显高于传统线性统计模型,能较好地模拟土壤盐分与光谱数据的关系。该研究既能为盐渍土的治理、利用提供数据支持,又能推动盐渍化区域遥感研究的定量发展。     

利用BP神经网络由特征气象要素预测土壤湿度

土壤湿度的实测数据量因地面观测网的稀疏不均和观测时间的不连续而十分有限,而其作为气象、农业、水文、环境等学科领域的重要研究内容,数据量的匮乏直接影响了研究工作的顺利进行。地面常规气象数据的观测频率较高(逐日/时),提供了丰富的大气及土壤状态信息,从地气交互作用的普遍性出发,对气象要素与土壤湿度之间的作用关系进行研究,拟借助人工神经网络良好的函数模拟能力,建立以多气象要素为网络输入、以土壤湿度为网络输出的BP神经网络。通过主成分分析筛选特征要素、选择训练函数、确定合理的隐层神经元个数等来精细化网络。以甘肃省2008年8、9月份的AB报(土壤湿度数据)和A报(气象观测数据)资料进行了实验,建立BP神经网络,最终获得了较好的土壤湿度预测结果。     

基于BP神经网络的农田大气氨浓度预测

农业源氨排放是大气氨最主要的来源,其中氮肥施用是最主要的农业氨排放源之一。预测大气氨浓度的变化,确定影响大气氨排放的因素,可为科学管理农田,减轻环境污染提供参考。本文利用BP神经网络分析农田大气氨浓度及与各气象因素的关系,以便清晰地了解农田大气氨浓度的变化规律,为研究农田大气氨提供一种新的思路与方法。首先选取2015年5—10月的农田大气氨浓度数据及气象监测数据,建立以气象因素（气压、气温、相对湿度、降水量、风速和日照时数）为输入变量,农田大气氨浓度作为输出变量的预测模型。其次采用主成分分析法筛选出对农田大气氨浓度影响较大的气象因素,分别为气温、相对湿度、降水量和风速,然后把筛选出的4个主要因素和原来的6个因素分别作为BP神经网络预测模型的输入变量,利用神经网络模型对农田大气氨浓度进行预测。结果显示,农田大气氨浓度的实际值为0.148 5 mg·m^-3,4个因素的预测值为0.159 4 mg·m^-3,6个因素的预测值为0.173 2 mg·m^-3,预测误差分别为7.35%、16.65%,并且4个因素的预测相对误差为1.4%~27.0%,而6个因素的预测相对误差为1.1%~45.0%。预测的农田大气氨浓度在前5 d内变化较大,但随着时间的推移,农田大气氨浓度逐渐变小趋于平缓,且预测值与实际值的变化趋势基本相符。利用4个因素作为输入变量建立预测模型,预测得到的农田大气氨浓度值比6个因素作为输入变量得到的农田大气氨浓度值与实际值更吻合,相对误差值较小。可见,通过主成分分析法去除冗余因素后建立的神经网络模型更加有效,预测结果比筛选之前的预测效果更好,所建立的模型对甄选关键因素具有较好的适用性,并且神经网络预测模型对农田大气氨浓度的预测精度较高。本文构建的农田大气氨浓度预测模型可为农田大气氨浓度分析及相关研究提供方法和思路上的指导。