马氏距离与浓度残差剔除近红外异常样品研究

以新疆南疆灰枣为研究对象,采用马氏距离法对近红外校正集中异常光谱样品进行剔除,并运用浓度残差法对异常化学值样品进行剔除,从校正集中的100个红枣样品剔除了1个异常光谱样品和23个异常化学值样品,用剩下的76个样品建立红枣水分校正模型,并对预测集的51个红枣样品进行预测分析,用预测相关系数(RP)、预测标准偏差(SEP)、平均相对误差(Er)来作为评价指标。结果表明:RP为0.9258,RMSEP为1.6197,Er为0.0333,与剔除前校正集所建模型相比,模型的稳定性和预测精度得到显著的提高。     

基于NIR的小麦粉异常样本剔除方法研究

近红外光谱定量分析的过程中,异常样品的干扰是影响分析模型的重要因素,因此异常样品的判别与处理是提高模型预测能力的一个重要步骤。选取古船面粉厂150个面粉样本,运用马氏距离法和蒙特卡罗交叉验证法(MCCV)分别对异常样品进行了判别和剔除,用剔除样本前后的交互验证均方差RMSECV和预测均方差RMSEP作为评价指标。结果表明,经过马氏距离和MCCV两种算法筛选后,预测精度均得到了提高。同时,对两种方法进行比较,得出适合小麦粉异常样本的剔除方法,提高了后期所建定量分析模型的精确性和可靠性。     

基于近红外光谱的花椒品质检测技术

首次提出了建立基于单籽粒红花椒的近红外光谱定量分析模型,用于花椒的挥发油含量检测。由于花椒表面的不规则性,且采用单籽粒花椒扫谱导致光谱信号差异较大,所以采用全谱分析。为此,结合异常样品剔除方法及模型优化方法,共建立了74份红花椒的挥发油近红外模型。实验表明,所建立的单籽粒花椒挥发油的近红外定标模型具有较好的稳定性和预测能力(RSD<10%,RPD>3),从而为花椒育种及品质检测提供了快速和便捷的途径。     

富士苹果采收成熟度光谱无损预测模型对比分析

针对苹果采收成熟度不一,导致果品贮藏品质不佳、病害率高等问题,基于可见/近红外光谱和成熟度评价指数建立快速无损判别采收成熟度的分类模型。根据盛花期后的发育时间,采集了3种成熟阶段（八成熟、九成熟和十成熟）样品的光谱信息。光谱预处理后通过“二审”回收算子法剔除异常样本,随机蛙跳（RF）算法提取特征变量,建立成熟度评价指数SIQI和综合评价指标FQI的偏最小二乘（PLSR）模型,SIQI指数和FQI指数的预测相关系数R为0.938和0.917。建立极限学习机（ELM）和支持向量回归（SVR）分类模型,并与2种成熟度评价指数结合SVR建立的分类结果进行比较。对比4种分类结果发现,基于SIQI+SVR构建的分类结果最好,优于直接分类模型,分类准确率为 85.71%。试验结果表明,可见/近红外光谱结合成熟度评价指数可实现苹果成熟度分类,为后续采收成熟度的无损检测设备研发提供理论参考。     

近红外多组分分析中异常样本识别方法

近红外光谱分析中,异常样本的存在严重影响定标模型的预测性能和适配性。基于 X / Y 联合的ODXY异常样本识别和剔除方法,提出并证明了一种专用于多组分分析的MODXY异常样本识别方法。实验采用80组玉米近红外光谱数据,利用不同异常样本识别方法剔除异常样本后建立玉米含水率、含油率、蛋白质含量和淀粉含量4种组分的偏最小二乘预测模型,采用预测均方差和决定系数作为评价指标比较所建模型的性能,检验MODXY方法在多组分分析中的异常样本识别能力。实验结果表明：在近红外多组分分析中,MODXY方法在大多数情况下具有更好的异常样本识别能力;MODXY方法和ODXY方法均有一定的适用范围,它们更适合于相应组分化学值的相对标准偏差较大的情况。     

芝麻油掺伪的近红外透射光谱检测技术

采用近红外光谱技术结合间隔偏最小二乘法分别建立芝麻油中掺入大豆油、玉米油和花生油的定量检测模型。实验配制不同比例的掺假芝麻油混合样品,采集样品在4 000～12 000 cm-1范围内的近红外透射光谱,把数据分为校正集与预测集。将4 420～12 000 cm-1波段的光谱进行各种预处理,最佳方法为平滑预处理,并利用间隔偏最小二乘波长筛选法(iPLS)选取光谱特征波段,最后采用偏最小二乘法建立掺假芝麻油的定标模型。结果显示:3种掺假芝麻油的PLS模型预测相关系数分别达到0.998、0.999、0.999,预测均方根误差分别为0.24%、0.24%和0.19%,具有较高的预测精度。实验证明近红外光谱技术对芝麻油掺假的快速检测具有可行性。     

苹果硬度的傅里叶变换近红外光谱无损检测

利用傅里叶变换近红外光谱技术探讨快速无损检测苹果硬度方法的可行性.通过解析苹果样品的近红外光谱图,用一阶导数、多元散射校正和矢量归一等方法进行预处理,再用偏最小二乘法建立模型.结果表明,多元散射校正能够有效消除光谱基线平移和偏移现象, 提高原光谱的信噪比,选取有效信息波长范围为1408～2355nm.偏最小二乘法结合多元散射校正所建模型的预测效果最好,模型的决定系数R2为0.9852,内部交叉验证均方根差RMSECV和预测标准偏差RMSEP分别为0.0398kg/cm2和0.0166kg/cm2.进一步通过剔除异常值优化模型,并验证检验组的25个样品,模型的R2为0.9908,RMSEP为0.0147kg/cm2.结果表明:建立的模型可靠,预测效果好,能满足苹果硬度快速检测的要求.     

近红外光谱云计算分析系统构架与实现

传统的近红外光谱分析系统是单机版,建模工作难度大。为了在近红外光谱分析中实现对现有光谱模型资源共享,提出利用云计算中心的高性能服务器代替单机版的主机,然后在云服务器上开发近红外光谱软件分析系统,并详细分析了近红外光谱云分析系统的构架与设计步骤。该系统可以实现近红外光谱数据的预处理、定量分析、定性分析以及光谱模型查找和光谱模型转移等功能。最后以潲水油近红外光谱定性鉴别为例,分析比较了单机版和基于云计算的近红外光谱分析结果。在近红外光谱云分析系统中,对预测集58个样品进行判别,总体鉴别正确率为86.21%,这一结果与在单机环境下的分析结果完全一致。实验结果表明近红外光谱云分析系统具有成本低、建模方便、接入方式灵活、可实现资源共享和远程访问等优点。     

基于近红外光谱和系统聚类法的样品分类方法研究

近红外校正模型中样品的变异范围,会导致模型的预测能力下降.为此,将系统聚类法与统计量(R2统计量,半偏相关统计量SPRSQ,伪F统计量PSF,伪t2统计量PST2)相结合,指导分类建模,减小建模集的变异范围.实例表明,该方法克服了系统聚类分析中无法确定聚类数目的问题,并能剔除部分异常样品,提高了校正模型的可靠性和预测能力.     

近红外光谱柑橘货架期的快速鉴别模型——基于主成分分析神经网络

利用近红外光谱技术进行了柑橘货架期的快速鉴别模型的研究.在两个不同的时间采集从市场上购买的黄岩地区的32个柑橘(同一时间采摘)的近红外光谱,并将不同时间采集光谱时的柑橘的货架期分别定为1类和2类(间隔为10天),对不同货架期的柑橘样品光谱进行主成分特征提取,将提取的特征变量作为神经网络的输入,建立了基于主成分和神经网络的近红外光谱柑橘货架期的快速鉴别模型.所建模型对1类中7个样品货架期的鉴别结果中有4个样品的货架期预测准确率在90%以上;对2类中8个样品货架期的鉴别结果准确率均在90%以上.结果表明,近红外光谱技术可以很好地进行柑橘类水果的货架期的快速鉴别.     

基于VMD-GPR的锂离子电池健康状态预测研究

为了对动力锂离子电池进行更好维护和管理,本文提出一种基于变分模态分解和高斯过程回归的锂离子电池健康状态(State of Health,SOH)预测方法.首先利用变分模态分解方法对原始训练数据集进行分解,可以生成固定个数的子训练集;然后在每个子集上训练高斯过程回归模型;最后利用自适应提升算法对训练的多个GPR模型进行集...     

苹果内部品质近红外光谱检测的异常样本分析

应用声光可调谐滤光器近红外光谱仪检测苹果内部品质(可溶性固形物含量、总糖、总酸和硬度)时,综合利用Cook距离、马氏距离、杠杆值和学生化残差,判断疑似异常样本点,然后用二审剔除判别法确定异常样本点.最终可溶性固形物含量、总糖、总酸模型都剔除了11个异常样本,硬度模型剔除了6个异常样本.其偏最小二乘回归模型的相关系数分别从0.868、0.791、0.443、0.693提高到0.904、0.849、0.501、0.718,校正误差均方根(RMSEC)分别从0.882 °Brix、9.213 g/L、0.805 g/L、0.105 MPa降低到0.733 °Brix、7.300 g/L、0.687 g/L、0.097 MPa.所建的苹果各品质模型更加稳定,准确度更高.     

美国密西西比河下游水体含氮量预报方法

为了研究农业区面污染造成的河流水体污染和富营养化等问题,以离子型为主的硝态氮污染物的质量浓度与径流大小的变化关系为河流水体含氮量预报的基础,选择农业区密集的美国密西西比河下游为研究对象,观测干流上控制性水文站维克斯堡站,对收集到的相关径流和水体硝态氮资料进行分析;运用Baseflow基流分割程序对径流序列分别进行日、月基流分割,将所分割的基流运用耶鲁大学Loadrunner程序,延伸和补全所选站点水体硝态氮的逐日质量浓度序列,并进一步建立逐月数据序列;运用神经网络方法,对研究对象的水体月硝态氮质量浓度进行了验证预报,建立了相应的预报步骤与预报公式.预报结果显示:对密西西比河下游水体月硝态氮质量浓度预报平均误差为7.5%.由此可见所提出的步骤和方法的准确性与适用性,可用于实际的河流水体月硝态氮质量浓度预报.     

基于近红外光谱的淀粉掺杂滑石粉检测方法研究

实验运用近红外光谱分析技术检测淀粉中掺杂滑石粉的含量;收集了国内常用的不同品牌不同种类的淀粉样本共32个,将滑石粉按不同浓度掺杂到淀粉中制备实验样本;选择最优的光谱预处理方法和光谱范围,运用近红外光谱分析中的偏最小二乘法(PLS)进行定量分析研究。结果表明,采用偏最小二乘法(PLS)所建的定量分析模型的相关性较高,预测相关系数和预测均方根误差均符合要求。研究发现,近红外光谱技术用于快速无损检测淀粉掺杂滑石粉是可行的。     

人工神经网络NIR定量分析方法及其软件实现

在Visual C＋＋环境中采用面向对象技术,开发了PCA-MBP-NIR定量分析模型软件。通过40份小麦样品的原始光谱、加噪光谱（信噪比为14dB）与含水率所建立的PLS-NIR与PCA-MBP-NIR模型,对10份未知小麦样品的原始光谱、加噪光谱分别进行含水率的PLS-NIR与PCA-MBP-NIR预测分析。分析表明,对于含噪声的光谱,与PLS建模相比,使用PCA-MBP-NIR对未知样品预测结果具有更高的相关系数,更低的预测误差标准差。     

土壤溶质迁移的高次幂函数近似解析模型

为了利用解析模型模拟土壤溶质迁移过程、估计土壤溶质迁移参数,在假定土壤溶质质量浓度分布为n次幂函数的基础上,结合边界层方法,将描述土壤溶质质量浓度分布的低次幂函数进一步推广,得到土壤溶质迁移的n次幂函数近似解析模型.在2个时刻(t=360,720 min)、较大距离(120~450 cm)时,利用不同次幂函数模型对溶质迁移过程进行比较分析,模拟结果表明孔隙水流速度较小(v=0.01 cm/min)时,在短历时(t=360 min)、长距离(x>50 cm)处,六次幂边界层解与其他次幂边界层解相比具有较高精确度;对边界层距离公式受各参数的影响进行模拟计算,分析结果表明:较小的孔隙水流速度(v≤0.01 cm/min)对边界层距离影响甚小;基于较小土壤孔隙水流速(v=0.01 cm/min)及测量仪器的不同灵敏度,利用不同次幂边界层距离公式对土壤溶质迁移参数进行数值计算比较及误差分析,结果表明用较高灵敏度的仪器进行测量,结合六次幂的边界层距离公式可准确地推求土壤溶质迁移参数弥散系数D及延迟因子R.     

表皮对果蔬品质漫反射光谱检测精度的影响

基于近红外漫反射光谱进行了马铃薯淀粉含量快速检测,并分析了表皮对光谱及淀粉含量检测精度的影响问题。本文对110个样品的漫反射光谱进行平均化(Mean centering)、微分处理及Norris滤波,建模方法选用主成分回归(PCR)及偏最小二乘法(PLS)。检测结果表明:近红外漫反射光谱检测马铃薯淀粉含量具有可行性,但表皮对光谱及检测精度有影响。采用PLS法对经Norris滤波处理的去皮马铃薯一阶微分光谱与淀粉含量建模,效果最好,相关系数r为0.893,根校正偏差RMSEC为1.01%;对预测集样品预测,均方根预测偏差RMSEP为1.38%,精度明显优于带皮马铃薯的建模及预测精度(r为0.834,RMSEC为1.29%,RMSEP为1.74%)。果蔬品质光谱检测中,如要实现样品品质精确检测,表皮影响需进一步校正。     

基于GEE云平台和数据融合的地表覆盖产品制作方法

地表覆盖产品是地理国情监测、生态系统评估、国土空间规划等活动的重要基础数据。GEE、PIE、微软行星云等遥感计算云平台具备丰富的数据源和强大算力。利用GEE云平台融合多套公开产品制作训练样本,可以显著降低产品更新的成本和周期,具有重要研究价值。本文以淮河流域为例,将欧洲航天局(ESA)和美国环境系统研究所(ESRI)存储在GEE平台上的2020年分辨率10 m地表覆盖产品作为训练样本数据源,选用Sentinel-1雷达和Sentinel-2多光谱影像构建特征空间,利用随机森林分类方法制作分辨率10 m的地表覆盖产品。为验证方法效果,进行了2组对比实验。实验1随机抽取1 116个公开产品类别一致的样点作为训练样本,并通过目视解译方式验证本文产品与多套公开产品的精度。结果显示,本文产品总体精度为80.35%,相较于公开产品的总体精度提升2.89～8.94个百分点,局部刻画也更加精细;在Sentinel-2基础上加入雷达影像,总体精度提高3.52个百分点,雷达影像辅助效果明显。实验2设置8组不同数量的训练样本,并分别以人工判读、ESA、ESRI、DW、GlobeLand30为参考数据源,研究...     

基于经验模式滤波与循环神经网络的水锤压力信号预测

为准确预测水锤信号变化规律,实现对水锤冲击强度和能量等特性的提前预判,针对水锤冲击信号提出了一种基于经验模式分解(empirical mode decomposition, EMD)和循环神经网络(recurrent neural network, RNN)的模型预测方法.首先,通过EMD获取具有不同频率的IMF分量,根据水锤信号的频域特性剔除高频噪声分量并重构信号以实现滤波,滤波后信号能量损失不足0.1%;进而,建立了基于RNN模型的时间序列预测模型,搭建试验平台获取水锤冲击信号,完成了RNN模型的训练和参数调节;随后,对不同流速下水锤冲击信号进行序列预测,在测试集与训练集流速不同条件下,得到了准确的预测结果,表现出一定泛化能力.对比分析预测水锤信号与实际信号,得到R²系数大于0.990 0,幅值和能量损失不足1%,验证了所提出方法的正确性,主要结论和建模方法可为各类输水系统的风险评估、管路监测和健康管理提供理论指导和技术手段.