基于BP神经网络的高光谱果树树种识别研究

高光谱具有波段窄、波段多的特点,能够提供比多光谱遥感更精细的地物光谱信息,为识别光谱性质相似的森林树种提供了有效途径。对南疆盆地4种主栽果树树种(苹果、香梨、核桃、红枣)的冠层光谱数据进行测量,用BP神经网络对原始光谱数据及其经一阶微分、对数一阶微分、归一化一阶微分变换后的光谱数据进行分类识别,结果表明:对数一阶微分和归一化一阶微分变换后树种识别精度分别为94%和88%以上;红边区的光谱波段包含了大量树种识别的信息;采用BP神经网络能够对南疆盆地主栽果树进行基于冠层光谱的分类,而且分类精度相对较高。     

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。     

基于可见/近红外光谱识别东北地区常见木材

探索可见/近红外光谱识别生长锥取得的木材样品的可行性,为野外木材检测提供方法。木材品种涉及东北地区常见的14个树种,木材样品由生长锥南向北方向钻取树木1.3 m胸高处得到,观测木样的可见/近红外光谱并采用导数、对数与平滑处理,运用距离法建立识别模型,测试并分析不同光谱预处理方法对可见/近红外光谱木材识别准确率的影响。结果显示:在不使用平滑处理时,使用一阶导数处理之后的光谱木材树种识别的准确率（96.79%）明显高于二阶导数（78.57%）和三阶导数（75.00%）。在使用导数和平滑处理时,使用二阶导数（98.21%）或三阶导数（98.21%）处理之后的光谱用于识别的准确率略高于一阶导数（97.50%）。单独使用平滑处理不能提高模型预测准确率,单独使用导数处理可以提高模型预测准确率。在最优的参数设置下使用导数和平滑处理时,使用S-G导数平滑（98.42%）和Norris导数滤波（98.57%）的效果无明显差异。     

基于连续投影算法-遗传算法-BP神经网络的可见/近红外光谱木材识别

  目的  基于可见/近红外光谱技术,以10种木材为研究对象,探索不同预处理和特征提取方法下BP神经网络识别木材的效果。  方法  利用美国ASD公司生产的LabSpec 5000光谱仪采集10种木材的光谱图,分别进行移动平均法处理、移动平均法+多元散射校正(MSC)、移动平均法＋标准正态变量变换(SNV)、Savitzky-Golay卷积平滑算法(S-G滤波器)、S-G滤波器+MSC和S-G滤波器+SNV的预处理,运用主成分分析法(PCA)、连续投影算法(SPA)、SPA和遗传算法(GA)联合分别进行特征提取,将提取的特征结合BP神经网络进行木材识别试验。  结果  以SPA和GA联合提取光谱特征时,移动平均法+SNV的预处理效果最佳,以吸收峰为起始波段(W_initial=1 445 nm)、吸收峰个数为特征个数(N_tot=9)时,识别率较高,特征个数大部分减少为SPA提取特征值个数的一半左右。BP神经网络的平均识别速度提升明显。10种木材的平均识别率为98.0%,其中7种木材的识别率达到了100.0%。  结论  在移动平均法+SNV的预处理下,SPA和GA联合提取光谱图的特征,既可提高BP神经网络识别木材的正确率,又可提升识别速度。图3表6参23     

基于改进BP神经网络的高光谱遥感树种信息提取技术

【目的】通过分析树种间的光谱差异及改进分类算法以提高树种信息提取精度。【方法】文章采用安徽省砀山县EO-1 Hyperion影像,通过不同树种光谱信息的差异分析,筛选出区分树种信息的光谱指标,并采用改进的BP神经网络模型完成树种信息提取。【结果】结果表明,原始反射率和一阶微分部分光谱波段可用于树种识别,且一阶微分光谱的差异大于原始反射率;引入动量项和遗传算法改进的BP神经网络模型树种识别精度较传统BP神经网络提高8.5%,Kappa系数提高0.12。【结论】该方法可以实现较为准确的树种信息提取,能够达到对林业工程进行监测的目的,对快速评价工程质量有重要意义。     

可见/近红外光谱技术识别树叶树种的研究

探索使用可见/近红外光谱技术识别树叶树种的可行性,为野外可见/近红外光谱技术用于树种识别提供方法。本试验识别了9个树种,测试了光谱预处理方法、识别方法对可见/近红外光谱识别的准确率的影响。对9种阔叶树种共46棵树,分别采用距离法和PLS-DA建立识别模型,比较不同波段和导数预处理方法对模型预测效果的影响。结果表明,使用距离法对原始光谱进行识别时,识别准确率<50%,不能够有效识别树叶树种。使用距离法对预处理后的光谱进行识别时,识别准确率为近红外350～2 500nm(99.16%)>350～1 000nm(88.05%)>1 000～2 500nm(81.24%),且任意单个树种的识别准确率都>98%,能够有效识别树叶树种。使用偏最小二乘法(PLS-DA)结合单列识别变量矩阵时,识别准确率高达100%,识别模型的相关系数为0.993 6,RMSEC为0.120,RMSEP为0.144,但只能成功识别4种树叶树种,当树叶种数>4时,预测模型的识别准确率陡降。使用偏最小二乘法(PLS-DA)结合多列识别变量矩阵对9种树叶的识别准确率高达99.58%,识别模型的相关系数为0.888 6～0.956 9,RMSEC为0.084 5～0.15,RMSEP为0.088 7～0.155。本试验为可见/近红外光谱技术快速识别树种提供了一种新的方法和思路。     

基于BP神经网络的数字识别

介绍了字符识别的几种方法及神经网络的基本原理,并将BP神经网络应用于数字识别,选取最佳的隐含层节点数及训练样本个数,实现了基于BP神经网络的数字识别。仿真试验结果表明,BP神经网络可以对阿拉伯数字进行快速、准确的识别,具有广泛的应用前景。     

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。     

基于近红外光谱技术的果树花期树种识别方法

为建立果树花期树种识别的有效模型,利用ASD Field Spec 3全波段便携式光谱分析仪采集了4种果树花期花的光谱数据。利用剔除异常光谱、5点移动平滑等技术对4种果树花期花的光谱反射率进行预处理,使用连续投影算法(SPA)进行有效波长选取并获得7个波长下的反射光谱,同时增加了590 nm和720 nm处2个波形差异大的光谱,与归一化植被指数(INDV)和比值植被指数(IRV)共11个特征波段作为分类建模数据,建立了偏最小二乘判别分析(PLS-DA),正交偏最小二乘判别分析(O-PL-DA)和基于误差反向传播算法的多层前向神经网络(BP)算法3种识别模型。结果表明:对测试样本的识别率由高到低依次为BP(93.90%)O-PLS-DA(81.82%)PLS-DA(76.36%)。综合研究认为:在优选波段的基础上,对果树花期树种判别应优选BP神经网络模型。     

应用遗传算法-主成分分析-反向传播神经网络的近红外光谱识别树种效果

以风车木(Conbretum imberbe)和非洲小叶紫檀(Pterocarpus tinctorius Welw)为研究对象,应用LabSpec光谱仪采集光谱样本进行主成分分析(PCA),并运用遗传算法(GA)对主成分进行寻优,分别以未经GA寻优的主成分和经GA寻优的主成分作为反向传播(BP)神经网络输入量,测试了BP神经网络识别两种树种的效果。结果表明:寻优前,获得高识别率的主成分区间较窄,仅有5种情况识别效果理想,此种情况不利于主成分数的恰当选择;寻优后,获得高识别率的主成分区间较宽,从前6到前17有12种情况可供选择,此种情况更利于主成分的合理选择;寻优后的识别率比寻优前高,且稳定性较好。利用近红外光谱,依据GA-PCA-BP神经网络方法识别树种是一种理想的方法。     

近红外光谱结合ANN法快速测定水稻叶片氮含量

应用近红外(NlR)光谱和误差反传人工神经网络(BP-ANN)方法建立了水稻叶片氮素含量的定量分析模型.首先对近红外光谱进行Savitzky-Golay求导处理,然后通过相关系数法选择波长范围,采用偏最小二来回归PLS降维并输入BP-ANN建立校正模型,用验证样品对校正模型进行验证.结果表明:BP-ANN最佳模型的预测...     

近红外光谱结合BP神经网络法快速分析薰衣草精油中主要成分

[目的]建立薰衣草精油主体成分的快速测定模型,以满足中国薰衣草精油质量标准体系中对化学成分分析的要求。[方法]采用近红外光谱方法结合BP神经网络快速测定薰衣草精油中芳樟醇和乙酸芳樟酯的含量,在7 000～4 000 cm~(-1)波数范围内,薰衣草精油化学信息量比较丰富且噪音低,可作为分析区间。通过间隔偏最小二乘方法(iPLS)选择与测定指标相关性高的近红外波长段集合,分别得到乙酸芳樟酯和芳樟醇的185个定量分析用波长点数据集,对BP神经网络参数优化后,建立新疆薰衣草精油中芳樟醇和乙酸芳樟酯的iPLS-BP神经网络快速近红外定量分析模型。[结果]采用方法的芳樟醇和乙酸芳樟酯测定系数分别为0.972 91和0.946 90,预测结果与GC-MS分析的相对误差分别小于2.45%和2.85%。[结论]定量分析模型能够很好地快速测定薰衣草精油中乙酸芳樟酯、芳樟醇含量,具有良好的预测能力,可为新疆薰衣草精油主要成分的快速定量分析提供一种新的有效方法。     

基于模糊BP神经网络的辽河口湿地水质评价

利用模糊BP神经网络法对辽河口湿地不同时期（汛期、非汛期和冰封期）不同区域（核心区、试验区和缓冲区）水环境质量进行水质评价。各样点监测结果表明,核心区全N（TN）和氨氮（NH₃-N）优于表水环境质量Ⅲ类标准,缓冲区和试验区中全N（TN）、全P（TP）和化学需氧量（COD）超Ⅳ类标准。建立以上述4个水质指标为输入变量、包含5个神经元节点的隐含层和1个水质类别输出结果所构成的BP人工神经网络,结合模糊数学综合评价法对输出结果进行隶属度分析。结果表明,核心区、缓冲区和试验区在汛期和冰封期评价结果相同,依次为Ⅲ类、Ⅳ类和Ⅳ类,而在非汛期评价结果依次为Ⅱ类、Ⅲ类和Ⅳ类,可见从试验区、缓冲区到核心区水质逐渐转好,说明湿地对污染物具有一定的净化能力。评价结果与实际监测数据基本吻合,说明模糊BP神经网络综合评价具有客观性和实用性。     

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%。     

NIRS结合TQ软件对氯化铵掺假牛奶定量分析

[目的]应用近红外光谱法建立氯化铵掺假牛奶定量分析模型。[方法]氯化铵是提高牛奶中含氮量的典型掺假物质,样品直接使用近红外光谱仪采用漫反射和三氯乙酸预处理后使用透射模块分别扫描并建立定量分析模型,并对模型进行验证。[结果]建立了漫反射氯化铵含量定量分析模型和透射氯化铵含量定量分析模型,后者模型更加准确可靠,均方根校正标准差(RMSEC)、相关系数(R2)、均方根预测标准差(RMSEP)分别为0.032 4、0.998 4、0.049 8,回收率为107.607 4%。[结论]三氯乙酸预处理后的透射模型更加精确,可以用于牛奶中氯化铵掺假检测,为进一步研究牛奶中其他物质掺假检测提供借鉴。     

近红外光谱法在烟草化学检测中的应用

通过对近红外光谱的分析,明确近红外谱分析技术的特点,近红外光谱在烟草化学检测中是重要的检测方式,具有十分广阔的发展和应用前景。     

近红外光谱技术对红木家具的鉴别

[目的]建立一种快速鉴别一些易混淆的珍稀红木家具的方法。[方法]选择奥氏黄檀、刺猬紫檀、大果紫檀和非洲紫檀4种珍稀木材制作的红木家具,使用便携式光谱仪采集光谱,并进行预处理,建立初始模型。采用不同特征波长提取方法,提取有效信息后,利用SIMCA、PLS-DA建立红木鉴别模型。[结果]不同树种谱线形状类似,近红外光谱吸收强度不同。4种家具在SIMCA的校正集和验证集中的识别率均在92%以上,拒绝率高于98%;PLS-DA模型中识别率和拒绝率成效显著。[结论]采用近红外光谱对红木家具类别进行鉴别是可行的。     

用近红外光谱法测定大麦品质的研究

采用国标法和近红外光谱法（NIRS）对大麦籽粒水分、蛋白质、淀粉、赖氨酸进行分析,同时用IA-450型近红外分析仪对4个主要品质指标建立了定标方程。其相关系数Rc分别为0．9847、0．9947、0．9559、0．9742,标准误差为0．1649～9．0620,表明用近红外光谱法建立的大麦籽粒水分、蛋白质、淀粉、赖氨酸定标方程可直接用于大麦品质的快速测定和大批育种材料的筛选。     

近红外光谱分析法（NIRS）测定棉籽粉中油分含量的研究

选用棉花的不同品种（包括各种特色棉）材料248份，进行常规成分的定标和校验。定标结果表明，采用改进的偏最小二乘法（ModifiedPLS）和（3，5，5，1）的数学转换的方法得到的定标效果最好，其定标决定系数（RSQ＝0．9335）和可解释的变异（1－VR＝0．9131）最高，定标标准误差（SEC＝0．7905）和交互 校验标准误差（SECV＝0．9024）最小。预测结果表明，其决定系数（RSQ＝0．9780）也明显高于其它方法，同时具有最低的预测误差（SEP＝0．508）和校准偏差的预测误差（SEP（C）＝0．4910）。同此可见，用近红外光谱法测定棉籽粉的油分具有与化学法相近的准确性和精确性，可以在实践中应用。