共查询到19条相似文献,搜索用时 62 毫秒
1.
2.
苹果可溶性固形物含量的检测方法——基于可见光近红外光谱技术 总被引:3,自引:0,他引:3
为了快速检测苹果的可溶性固形物(SSC)含量,采用可见光近红外光谱技术,结合主成分分析(PCA)和BP神经网络技术,来建立苹果SSC的预测模型.获取苹果样本在345~1039 nm波段的漫反射光谱,采用DPS数据处理系统对其进行主成分分析,并提取出累计可信度大于95 %的5个新主成分.建立一个3层的BP神经网络模型,并将这5个新的主成分作为BP神经网络模型的输入量,其结果是98 %以上预测样本的预测相对误差在5 %以下.该研究表明,采用近红外光谱技术来建立苹果可溶性固形物的预测模型是可行的. 相似文献
3.
鲜枣品种和可溶性固形物含量近红外光谱检 总被引:7,自引:3,他引:4
采用近红外光谱分析技术无损鉴别鲜枣品种和测定其可溶性固形物含量.对3个不同品种的鲜枣进行光谱分析,各获取30个样本数据.采用平滑法和多元散射校正方法对样本数据进行预处理,再用主成分分析法对光谱数据进行聚类分析并获得各主成分数据.将样本随机分成75个建模样本和15个预测样本,将建模样本的主成分数据作为BP神经网络的输入变量,鲜枣品种和可溶性固形物含量作为输出变量,建立3层人工神经网络鉴别模型,并用该模型对15个预测样本进行预测.结果表明,在阈值设定为±0.17的情况下该模型对预测集样本品种鉴别准确率达到100%,可溶性固形物含量预测值与实测值相对偏差小于10%. 相似文献
4.
5.
高光谱成像技术的玉米叶片氮含量检测模型 总被引:2,自引:0,他引:2
应用高光谱成像技术,实现了玉米拔节期叶片氮含量的检测。提取出240个叶片样本的平均光谱反射率数据(400~1 000nm),对原始数据分别进行3种预处理(1stDer、2ndDer、SNV),建立了4种预测模型,包括基于幅值参数(Dλr、Dλy、Dλb)的多种回归模型、全光谱PLS模型、基于连续投影算法(SPA)的PLS模型及基于主成分分析法(PCA)的PLS模型。建模结果显示:基于PCA的PLS模型预测精度最低;全光谱的PLS模型Rc2和RP2分别为0.967、0.821;基于SPA算法的PLS模型R_c~2、R_P~2分别为0.944、0.749,与全光谱的PLS模型预测精度相当,而自变量个数减少了95.07%。基于幅值参数的多元回归模型其预测结果虽与基于全光谱的PLS模型有些许差距,但模型简单,运算量最小,适用于对精度要求不高的场合。 相似文献
6.
基于高光谱数据的土壤有机质含量反演模型比较 总被引:8,自引:0,他引:8
以土壤多样化的陕西省横山县为研究区域,比较了3种基于高光谱数据的土壤有机质含量反演模型,在实验室利用ASD Field Spec FR地物光谱仪对横山县野外采集的土壤样品进行光谱测定,并通过重铬酸钾氧化容量法测定土壤有机质含量。然后对原始光谱反射率的倒数进行微分运算获得其一阶导数光谱,将原始光谱反射率、一阶导数光谱分别与土壤有机质含量进行相关性分析,得到相关性系数r较高的特征波段的一阶导数光谱,直接建立基于一阶导数光谱的多元线性逐步回归分析(MLSR)模型。同时针对这些相关性系数较高的特征波段的一阶导数光谱进行主成分分析(Principal component analysis,PCA),利用主成分分析得到的结果分别建立BP神经网络反演模型(PCA-BP)和多元线性逐步回归分析模型(PCA-MLSR)。用上述3种方法进行土壤有机质含量反演,并对3种反演结果进行精度验证与比较。实验分析结果表明:在3种模型中,基于主成分分析结果构建的PCA-BP模型在土壤有机质含量反演中决定系数(R2)最高,为0.893 0,均方根误差(RMSE)为0.118 5%;其次为运用全部主成分PCA分析结果构建的多元线性逐步回归模型,R2为0.740 7,RMSE为0.161 3%;而采用一阶导数光谱反射率构建的多元线性逐步回归模型中,最佳反演模型R2仅为0.689 9,RMSE为0.171 0%。由此说明,PCA-BP模型有机质含量反演精度明显高于多元线性逐步回归模型,利用全部主成分进行多元逐步回归,其有机质含量反演精度优于仅用累计方差贡献率大于90%的主成分进行多元逐步回归的精度,可以更好地反演土壤有机质的含量。 相似文献
7.
8.
黄瓜叶片叶绿素含量近红外光谱无损检测 总被引:3,自引:0,他引:3
为了简化黄瓜叶片叶绿素光谱模型和提高模型预测精度,采用联合区间偏最小二乘法( SiPLS)结合净分析物法( NAS)提取近红外光谱的特征信息,建立了黄瓜叶片叶绿素光谱模型.收集了110片新鲜黄瓜叶片,用近红外光谱仪采集光谱数据后立刻用化学分析方法测定叶绿素含量.原始光谱经过SNV预处理和子区间总数优化后,将全光谱均匀划分为29个子区间,用联合区间偏最小二乘法优选出4个特征子区间,在上述特征子区间的基础上,用净分析物法分离光谱中同叶绿素相关的光谱信息,并结合线性回归法建立了叶绿素光谱模型.模型对应的校正集相关系数Rc、校正均方根误差、预测集相关系数Rp和预测均方根误差分别为0.947 2、0.079 5 mg/g、0.925 0和0.090 6 mg/g.结果表明:联合区间偏最小二乘法结合净分析物法能够有效提取叶绿素的特征光谱信息,提高模型精度的同时降低其复杂度. 相似文献
9.
茶叶等级评价是检测茶叶品质的一项重要技术指标。通过提取红茶高光谱成像技术下的图像特征和光谱特征,构建一种基于图谱融合方法、适用于英德红茶等级评价的快速无损判别模型。首先制备3种不同等级的红茶样本,采用t分布-随机近邻嵌入和主成分分析对光谱数据进行降维可视化分析,然后从影响内在品质角度用连续投影法提取每种化学值的特征波长,通过多模型共识策略和竞争性自适应重加权算法-连续投影法筛选得出表征其内在品质的最佳特征波长组合,并建立基于遗传算法优化支持向量机的等级判别模型;其模型的训练集准确率为88%,预测集准确率为78.33%。为了融合外形纹理差异,先提取最佳特征波长组合对应的高光谱图像;采用图像掩膜消除背景的干扰和采用图像主成分分析消除多波长图像间的冗余信息,然后采用灰度共生矩阵和局部二值化算法提取主成分前三维主成分图像与特征光谱融合,并建立基于特征融合的遗传算法优化支持向量机等级判别模型,且基于第三主成分图像特征融合模型判别效果最佳,训练集准确率提升至98%,预测集准确率提升至96.67%。 相似文献
10.
11.
基于主成分BP人工神经网络的参考作物腾发量预测 总被引:1,自引:0,他引:1
影响参考作物腾发量的气象因素众多,且相关程度较高。基于主成分分析原理,将影响ET0的7个主要气象因素以及旬序数进行特征提取,形成3个综合影响因子,既可保证气象信息的完整性,又可避免气象信息的交叉重叠。以江苏省无锡市某区作物腾发量预测为例,经主成分分析并简化的参考作物腾发量BP神经网络模型具有结构简单、收敛快、精度高的特点,可用于ET0预测。 相似文献
12.
为解决采用神经网络模型预测参考作物腾发量研究中预测能力不足的问题.将气象因子包括最高、最低和日平均温度、日照时数、气压、水汽压、相对湿度和风速进行主成分分析.提取主成分,建立了基于主成分的三层BP神经网络模型.选取新疆昌吉市气象站2006年3-6月的日气象资料.采用Matlab神经网络工具箱进行模型训练与预测,并以传统BP网络模型作为对照.结果表明,主成分网络模型能够很好地反映诸多影响因子与参考作物腾发量之间的关系,尤其时训练样本以外的验证样本,主成分网络模型具有显著优于传统BP网络模型的识别能力,取得更为可靠的预测结果. 相似文献
13.
基于GA-BP神经网络的池塘养殖水温短期预测系统 总被引:1,自引:0,他引:1
为解决传统的水温小样本非实时预测方法预测精度低、鲁棒性差等问题,基于物联网实时数据,提出了遗传算法(GA)优化BP神经网络的池塘养殖水温短期预测方法,并在此基础上设计开发了池塘养殖水温预测系统,首先采用主成分分析法筛选出影响池塘水温的关键影响因子,减少输入元素;然后使用遗传算法对初始权重和阈值进行优化,获取最优参数并构建了基于BP神经网络的水温预测模型;最后采用Java语言开发了基于B/S体系结构的预测系统。该系统在江苏省宜兴市河蟹养殖池塘进行了预测验证。结果表明:该系统在短期的水温预测中具有准确的预测效果,与传统的BP神经网络算法相比,研究内容评价指标平均绝对误差(MAE)、平均绝对百分误差(MAPE)和误差均方根(MSE)分别为0.196 8、0.007 9和0.059 2,均优于单一BP神经网络预测,可满足实际的养殖池塘水温管理需要。 相似文献
14.
15.
16.
ET_0的主因子和主成分神经网络模型比较 总被引:1,自引:0,他引:1
为了简化BP神经网络预测ET0的模型,将气象因子包括最高、最低和日平均温度、日照时数、相对湿度和风速进行主成分分析和偏相关分析,提取主成分和主因子,分别建立了基于主成分和主因子的三层BP神经网络模型,并对两种模型的训练和预测结果进行比较。选取湟水流域的乐都气象站2003年到2006年5月逐日的气象资料,采用Matlab神经网络工具箱进行模型训练与预测。结果表明主成分神经网络训练和预测模型的精度都优于主因子神经网络模型。主要是由于两种模型选取输入层的因子不同造成的。 相似文献
17.
基于优化植被指数的多生育期茶叶游离氨基酸含量估算 总被引:1,自引:0,他引:1
不同季节的茶叶外形和品质均具有较大差异,针对运用植被指数检测不同季节茶鲜叶游离氨基酸含量存在难度,选取了10个茶树品种3个季节(春茶、夏茶和秋茶)茶鲜叶中游离氨基酸含量数据和高光谱数据进行分析。首先,对原始光谱数据进行5种光谱变换:倒数T1/R、对数T1gR、一阶微分TR’、倒数的一阶微分T(1/R)’和对数的一阶微分T(1gR)’,并进一步利用不同光谱变换优化了经典植被指数,最终比较了经典植被指数和优化植被指数对不同季节茶鲜叶游离氨基酸模型的影响。结果表明:茶鲜叶建模集和验证集游离氨基酸含量的变化趋势从大到小均为春茶游离氨基酸含量、秋茶游离氨基酸含量、夏茶游离氨基酸含量;光谱变换优化后的植被指数与茶鲜叶游离氨基酸含量的相关性均高于经典植被指数与茶鲜叶游离氨基酸含量相关性,相关系数绝对值范围为0.10~0.30;基于TlgR-VI构建的多元线性回归(MLR)模型在不同季节的建模集和验证集中均得到了较好的精度,且适用于多生育时期茶鲜叶氨基酸含量的估测。基于T... 相似文献
18.
鸡肉中假单胞菌的近红外光谱快速识别 总被引:3,自引:0,他引:3
假单胞菌是鸡肉腐败最主要的致腐菌,为了快速识别鸡肉中的假单胞菌,首先从腐败鸡肉中分离并筛选出致腐菌,进一步利用聚合酶链反应技术对目标菌株进行生物学鉴别(分别为盖氏假单胞菌、嗜冷假单胞菌、莓实假单胞菌和荧光假单胞菌);配置鉴定的4种假单胞菌和等体积混合的4种假单胞菌菌液,采集菌液近红外透射光谱信息;然后运用标准正态变量变换对光谱进行预处理,利用联合区间偏最小二乘法筛选出特征波段;最后有比较地运用K最近邻法、最小二乘支持向量机和反向传播人工神经网络建立5种假单胞菌菌液的近红外光谱分类识别模型。其中反向传播人工神经网络模型预测效果最佳,其训练集和预测集的识别率分别为99.17%和95.00%。研究结果表明,近红外光谱结合反向传播人工神经网络可以快速识别鸡肉中的假单胞菌。 相似文献