共查询到19条相似文献，搜索用时 265 毫秒
1.
苹果质地品质近红外无损检测和指纹分析 总被引：7，自引：6，他引：1
为了探索近红外光谱快速无损检测苹果质地品质的方法,采集240个苹果样本的近红外光谱( 波长 8002500 nm),通过解析光谱图和进行不同的预处理,利用偏最小二乘法(PLS)和多元线性回归(MLR)建立回归模型和确定特征指纹图谱.基于波长范围为1300～2500 nm,PLS结合多元散射校正(MSC)所建模型的预测效果最好,硬度模型的预测标准偏差(RMSEP)和决定系数(R2)分别为0.226 kg/cm2、96.52%,脆度模型的 RMSEP和R2分别为0.243 kg/cm2、97.15%.用权重法基于PLS模型选择的硬度特征波长为1657、1725、1790、2455、1929、2304 nm,脆度特征波长为1613、1725、1895、2304、2058、2087、2396 nm,经MLR模型检验,特征波长与苹果的硬度和脆度有很高的相关性,硬度的RMSEP和R2分别为0.271 kg/cm2、90.30%,脆度的RMSEP和R2分别为0.304kg/cn2、91.64%.结果表明,PLS模型和特征指纹光谱均能准确预测苹果的质地品质,为苹果质地品质的评价提供了快速、直观、简便、可行的新方法. 相似文献
2.
《土壤通报》2014,(4):795-800
以黑龙江农田黑土为研究对象,利用遗传算法(GA)波长选择结合偏最小二乘法(PLS)回归建立土壤有机碳(SOC)的预测模型。通过设定以下GA参数:波长选择数量上限k、初始种群大小P及迭代次数N,采用单点优化方式逐一确定各参数。结果表明,在主成份数为7的情况下,当GA的参数取N=300、P=300、k=50时,GA模型最优;模型的校正决定系数R2=0.922、校正均方根误差RMSEC=1.74、交叉检验均方根误差RMSECV=1.80;模型的预测决定系数R2=0.931、预测均方根误差RMSEP=1.84、预测相对误差RPD=3.81。与原始光谱的PLS模型相比,R2由0.900提升至0.922,RPD由3.38提升至3.81。结果表明,通过GA进行波长选择能够优化模型,提升模型稳定性以及预测精确性。 相似文献
3.
羊肉色泽傅立叶变换近红外光谱定量分析方法研究 总被引：3，自引：0，他引：3
以从北京市、山西大同市、宁夏吴忠市3个地区筛选的有代表性的227份羊肉样品为试材,应用傅里叶变换近红外光谱技术探讨羊肉色泽无损检测的方法。以决定系数(R2)、校正标准差(RMSECV)和预测标准差(RMSEP)为近红外光谱检测模型的评价指标,采用偏最小二乘法(PLS)对近红外光谱信息与样品的色差e值进行拟合,确定最佳的光谱预处理方法、主成分数和光谱区间范围。结果表明:所选227个羊肉样品的色差e值分布范围为1.556～9.879,其中80%以上的样品e值在1～5之间,具有显著的代表性;在11995.5～4597.6cm-1的波段范围内,最佳主成分数为6时,近红外光谱经最大最小归一法处理后,建立的羊肉色泽预测模型精度最高,R2达到0.776,RMSECV为0.451;用此模型对预测集48个样品进行预测,预测值与实测值的相关系数(R)为0.835,RMSEP为0.517,该研究表明利用近红外光谱技术检测羊肉色泽可行。 相似文献
4.
为探索快速准确检测稻谷胶稠度的方法,本研究通过近红外漫反射红外光谱技术(NIRDRS)和傅里叶变换中红外漫反射红外光谱技术(FTIRDRS)结合偏最小二乘法(PLS),分别建立107个稻谷样品的胶稠度快速测定红外模型,而后利用区间偏最小二乘法(iPLS)及反向区间偏最小二乘法(BiPLS)对模型进行优化,得到较优的胶稠度测定分析通用模型。结果表明,DRIFTS原始光谱经7点平滑预处理和BiPLS优化,得到最佳模型的交互验证系数(R2)、交叉验证均方差(RMSECV)、预测均方差(RMSEP)及相对分析误差(RPD)分别为0.965 81、4.79、4.73及2.66。最佳近红外漫反射光谱模型是经多元散射校正(MSC)预处理、BiPLS优化后建立的,其R2、RMSECV、RMSEP及RPD分别为 0.964 58、4.35、3.68及3.42。10组外部验证性试验中NIRDRS模型的平均相对误差为1.93%,FTIRDRS模型的平均相对误差为2.60%,表明两种方法均对稻谷胶稠度含量有较强的预测能力和良好的预测效果,均有替代传统国标法测定稻谷胶稠度的潜力。 相似文献
5.
近红外光谱快速检测食用油必需脂肪酸 总被引：3，自引：0，他引：3
为了建立食用油必需脂肪酸快速检测的方法,该研究提出了基于近红外光谱技术检测食用油中α-亚麻酸和亚油酸含量的快速测定方法。对光谱信息分别采用偏最小二乘回归方法(PLS)和最小二乘支持向量机(LS-SVM)建立模型。比较了多种光谱预处理方法对模型预测能力的影响。结果表明对于亚油酸含量的预测,采用Savitzky-Golay平滑法结合多元散射校正(MSC)的光谱预处理所建立的LS-SVM模型最优。预测集的决定系数(R2)、预测均方根误差(RMSEP)和剩余预测偏差(RPD)分别达到了0.989,0.0161和9.4783。对于α-亚麻酸含量的预测,采用Savitzky-Golay平滑法结合标准正态变换(SNV)的光谱预处理所建立的LS-SVM模型最优。α-亚麻酸含量预测结果的R2、RMSEP和RPD为0.972,0.0036和6.0561,据此表明,应用近红外光谱技术能够检测食用油中α-亚麻酸和亚油酸的含量,为快速检测食用油的必需脂肪酸提供了参考。 相似文献
6.
为了探索快速测定灵芝提取物掺假(淀粉)含量的方法,采用近红外光谱扫描掺杂0%、5%、10%、20%、40%、60%、80%淀粉的灵芝提取物,对其光谱进行预处理和波段选择,并结合偏最小二乘法(PLS)建立灵芝提取物掺假定量快速无损检测方法。结果表明,使用多元散射校正(MSC)预处理方法,波数范围8 000~7 500、6 000~5 500和5 000~4 000cm~(-1),主因子数为8时,建立的偏最小二乘法模型的校正决定系数(R_(cal))、校正均方根差(RMSECV)、验证决定系数(R_(val))和验证均方根差(RMSEP)分别为0.9962、0.0249、0.9960和0.0241。运用该模型对验证集样品进行预测并统计分析,可知预测值与实际掺假值之间无显著差异。本研究为灵芝功能食品市场检测提供了方法基础。 相似文献
7.
基于遗传算法的土壤质地高光谱预测模型研究 总被引：2，自引：2，他引：2
为快速、准确地获取土壤质地信息,利用遗传算法结合偏最小二乘法(GA-PLS)回归建立土壤质地预测模型。采集了丰乐河流域162个表层土样,在实验室内对土样进行质地分析和光谱测量,采用遗传算法(Genetic Algorithm)筛选土壤质地光谱特征波段,在此基础上运用偏最小二乘法(PLS)构建了土壤质地预测模型,并与全谱段PLS模型进行对比分析。结果表明:基于遗传算法结合偏最小二乘的模型验证精度高于全谱段PLS模型,粉粒光谱验证集R~2达到0.841,RPD为2.391,较全谱段PLS模型RPD提高了18.13%,提升效果显著;砂粒光谱验证集的R~2为0.721,RPD为2.142,较全谱段PLS模型RPD提高了10.41%。遗传算法结合偏最小二乘法(GA-PLS)在土壤质地高光谱估测中,压缩了光谱变量,减少了数据冗余,提高了模型预测精度。 相似文献
8.
基于小波去噪与SVR的小麦冠层含氮率高光谱测定 总被引：4，自引：1，他引：3
为改进小麦冠层含氮率的高光谱测定模型,以正交试验筛选出小波去噪的最优参数组合（小波类型取haar,分解层数为5,阈值方案选择Fixed form threshold,噪声结构定为Unscaled white noise）,并利用去噪后的小麦冠层光谱建立偏最小二乘回归（PLS）模型,对不同预处理方法进行比较分析。发现采用小波去噪结合一阶导数能最有效消除原始光谱的背景信息,此时PLS模型校正集均方根误差（RMSEC）为0.260,预测集均方根误差（RMSEP）为0.288。对经一阶导数结合小波去噪后的光谱用主成分分析（PCA）进行降维,以前6个主成份为输入变量,建立最小二乘支撑向量机回归模型（LS-SVR）,其RMSEC与RMSEP分别为0.154与0.259,具有比PLS模型更高的精度。结果表明：以小波去噪结合一阶导数去除小麦冠层反射光谱中的土壤背景信息以提高模型的精度是可行的,且LS-SVR是建模的优选方法。 相似文献
9.
北京典型耕作土壤养分的近红外光谱分析 总被引：7，自引：2，他引：5
为研究土壤养分含量分布信息,以从北京郊区一块试验田采集的72个土壤样品为试验材料,应用傅里叶变换近红外光谱技术分析了土样的全氮、全钾、有机质养分含量和pH值。采用偏最小二乘法(PLS)对光谱数据与土壤养分实测值进行回归分析,建立预测模型,以模型决定系数(R2)、校正标准差(RMSECV)、预测标准差(RMSEP)和相对分析误差(RPD)作为模型精度的评价指标。结果表明,利用该模型与光谱数据对土壤全氮、全钾、有机质养分含量和pH值进行预测,结果与实测数据具有较好的一致性,最高决定系数R2达到0.9544。偏最小二乘回归方法建立的养分预测模型能准确地对北京地区褐土土质全氮、有机质、全钾和pH值4种养分进行预测。 相似文献
10.
基于音频和近红外光谱融合技术的西瓜成熟度判别 总被引：3，自引：3，他引：0
为了满足西瓜成熟度的快速无损检测需求,该研究主要利用声学技术、近红外光谱技术结合K最近邻法(k-nearest neighbor,KNN)、线性判别分析(linear discriminant analysis,LDA)和反向传播人工神经网络(back propagation artificial neural network,BP-ANN)3种化学计量学方法对不同成熟度的西瓜进行定性判别;同时采用联合区间偏最小二乘筛选法(synergy interval partial least squares,Si-PLS)分别建立声学技术、近红外光谱技术、融合技术的西瓜可溶性固形物预测模型。结果表明融合技术处理结果均优于单一信号,其LDA模型数据的西瓜成熟度模型识别率较佳,校正集和预测集的识别率分别为100.00%和91.67%。同时,基于融合技术所建立的西瓜可溶性固形物预测模型效果较佳,其校正集的均方差根误差(root mean squared error of the calibration set,RMSECV)为0.601%,预测集的均方差误差(root mean squared error of the prediction set,RMSEP)为0.725%,相比的单独音频信号其均方根误差分别降低了0.081、0.068个百分点。研究结果可为高精度的西瓜品质快速鉴别提供参考。 相似文献
11.
基于小波变换的番茄总糖近红外无损检测 总被引：1，自引：2，他引：1
分别采用小波消噪、常数偏移消除等11种光谱预处理方法,对番茄总糖含量（质量分数）的近红外光谱进行预处理,通过偏最小二乘法定量校正模型预测值比较得出,小波消噪是适合番茄近红外光谱的最佳预处理方法,小波消噪的总糖质量分数近红外光谱优选区域为11 998.9～6 097.8 cm-1和4 601.3～4 246.5 cm-1,在此光谱区内建立的番茄总糖质量分数偏最小二乘法模型预测值与实测值的相关系数为0.930,内部交叉验证均方差为0.466%,校正标准差为0.469%,预测标准差为0.260%。试验结果表明：小波消噪后建立的近红外光谱模型能准确地对番茄总糖含量进行快速无损检测。 相似文献
12.
高光谱图像技术快速预测发酵醋醅总酸分布 总被引：2，自引：1，他引：1
固态发酵是镇江香醋生产的重要环节之一,直接决定着成品醋的风味和品质。但目前固态发酵的生产控制主要依赖人工经验,难以有效保障镇江香醋的品质。该文分析了总酸（total acid content,TAC）、pH值、含水率在不同阶段的变化规律;采用高光谱图像技术结合联合区间偏最小二乘法（synergy interval partial least squares,siPLS）快速预测固态发酵基质（醋醅）的TAC、pH值和含水率,其最佳模型的相关系数R分别为0.8316、0.9455和0.8503;同时利用主成分分析和逐步多元线性回归模型（stepwise multiple linear regression,SMLR）对醋醅高光谱图像进行分析,研究了总酸在醋醅中的分布情况,以此来快速判断醋醅发酵的均匀性。研究表明,利用高光谱图像技术快速预测醋醅的理化参数及其分布的方法是可行的,结果可为镇江香醋固态发酵的工艺控制提供基础数据和技术手段。 相似文献
13.
基于近红外光谱技术的茶油原产地快速鉴别 总被引：2，自引：3，他引：2
为研究茶油原产地溯源问题,维护其市场秩序,促进公平竞争。该文利用近红外光谱技术采集湖南、江西、安徽和浙江4个不同产地茶油的光谱数据,并运用 Savitzky-Golay 平滑（savitzky-golay, SG）、多元散射校正（multiplicative scatter correction, MSC）、一阶导数（first derivation, FD）和矢量归一化（vector normalization, VN）等4种方法对其进行预处理。采用偏最小二乘法（partial least squares, PLS）提取最佳主成分,构建 PLS 回归模型;同时,采用主成分分析（principal component analysis, PCA）和 PLS 算法提取最佳主成分,作为 BP 人工神经网络（BP artificial neural network, BPANN）输入变量,构建 PCA-BPANN 和 PLS-BPANN 模型。以验证集相关系数 RP 和验证集均方根误差 RMSEP 为模型的评价指标,分别优选最佳 PLS 和 BPANN 模型。试验结果表明,SG-PLS-DA 和 SG-PLS-BPANN-DA 模型对未知样本的整体分类准确率均大于90%。其中,SG-PLS-BPANN-DA 的鉴别效果优于前者,其建模集相关系数 RC、均方根误差 RMSEC 分别为0.974、0.170,验证集相关系数 RP、均方根误差 RMSEP 分别为0.972、0.172,对上述两类样本集的总体分类准确率分别为98.15%、95.83%,该模型能较准确鉴别茶油原产地。研究结果可为快速辨别茶油原产地提供参考。 相似文献
14.
光谱特征变量和BP神经网络构建油用牡丹种子含水率估算模型 总被引：2，自引：2，他引：0
为了进一步提高种子含水率的高光谱估算精度,该研究测定了156份油用牡丹种子的近红外吸收光谱及其对应的含水率值,分析了近红外吸收光谱、一阶微分光谱、水分吸收特征参数与含水率的相关关系,构建了基于特征波长吸收光谱、特征波长一阶微分光谱、水分特征吸收参数和BP神经网络的油用牡丹种子含水率估算模型,并对模型进行了验证;再结合一元线性回归（SLR,Single Linear Regression）、逐步多元线性回归（SMLR,Stepwise MultipleLinear Regression）、偏最小二乘回归（PLSR,Partial Least Squares Regression）模型与BP神经网络（BPNN,BP Neural Network）模型进行比较。结果表明：1）油用牡丹种子含水率的吸收光谱特征波长位于1 410、1 900、1990 nm,一阶微分光谱特征波长位于1 150、1 950、2 080 nm;2）以DF2080和AD2140为自变量建立的一元线性回归模型预测效果较优,在能够满足水分估算精度的情况下,是最优的选择方法。3）将优选的特征参数作为输入,实测含水率值作为输出,构建BP神经网络模型,其建模与验模R2分别为0.978和0.973,RMSE分别为0.22%和0.242%,而RPD值分别为6.478和5.889,与其他模型相比,BP神经网络模型的建模及预测精度均最高,是估算油用牡丹种子含水率的最优模型,其次为逐步多元线性回归模型。研究结果表明BP神经网络模型对种子含水率具有更好的预测能力,是估算油用牡丹种子含水率的有效方法。 相似文献
15.
不同品种间的猪肉含水率高光谱模型传递方法研究 总被引：1，自引：1，他引：0
针对目前的模型传递方法研究大多为不同仪器间的近红外光谱模型传递,该文采用高光谱技术建立猪肉含水率定量检测模型,并针对不同品种间的模型传递提出了一种分段直接校正结合线性插值(piecewise direct standardization combine with linear interpolation,PDS-LI)的传递算法。以杜长大、茂佳山黑猪和零号土猪3个品种为研究对象,以杜长大作为主品种,茂佳山黑猪和零号土猪作为从品种,采用偏最小二乘回归(partial least squares regression,PLSR)法建立猪肉含水率主模型,经PDS-LI算法对主模型进行传递后,主模型对茂佳山黑猪和零号土猪样品的预测决定系数R2p分别由传递前的0.263和0.507提高到0.832和0.848,预测均方根误差分别由传递前的1.151%和0.857%降低到0.470%和0.440%,剩余预测偏差(residual prediction deviation,RPD)分别由传递前的1.000和1.214提高到2.447和2.364。结果表明,PDS-LI传递算法能够实现杜长大对茂佳山黑猪和零号土猪样品的模型传递。研究结果为提高猪肉含水率模型适配性问题提供参考。 相似文献
16.
基于Hyperion影像的玉米冠层叶绿素含量估算 总被引：1，自引：1，他引：0
采用高光谱卫星数据进行玉米叶片和冠层尺度的叶绿素含量估算,对现代农业技术的发展有重要意义。首先,采用以α为倾斜度参数的双曲正切S型函数为基础的误差反向传播(back propagation,BP)算法前馈神经网络(hyperbolic tangent sigmoid function-back propagation,Htsf-BP)构建叶片尺度的叶绿素含量高光谱遥感估算模型;以几何光学辐射传输模型(4-scale模型)为理论依据,对叶片和冠层尺度的光谱转化函数进行推导,实现Hyperion影像冠层尺度光谱到叶片光谱的转化,同时获取叶片尺度叶绿素含量估算结果;最后,结合叶面积指数(leaf area index,LAI)进行冠层尺度叶绿素含量估算。结果表明:当隐含层结点数为6时,Htsf-BP神经网络法对叶绿素的估算精度最高,验证精度达78.68%;在波长750与980 nm处,采用光谱尺度转化方程进行模拟的冠层光谱与实测冠层光谱间的相关系数R2值分别达到了0.784和0.706;实测叶片尺度叶绿素含量与模拟结果间的相关系数R2值达0.726。该方法可为高精度快速估算叶片和冠层尺度玉米叶绿素含量提供参考。 相似文献
17.
衰减全反射-中红外光谱法定量测定小麦粉中的石灰类添加物 总被引：1，自引：1，他引：0
为了对市售小麦粉中的石灰类添加物进行现场快速检测,该文采用衰减全反射-中红外光谱(mid-infrared spectroscopy combined with attenuated total reflection,ATR-MIR)结合偏最小二乘算法建立了小麦粉中掺入氧化钙、氢氧化钙、碳酸钙、氧化钙+氢氧化钙以及石灰总量的定量校正模型,并采用外部验证集对各模型进行验证。结果表明,氧化钙、氢氧化钙、碳酸钙、氧化钙+氢氧化钙和石灰总量模型的决定系数均大于0.98;校正均方根误差(root mean square error of calibration,RMSEC)均小于0.3;交互验证均方根误差(root mean square error of cross validation,RMSECV)均小于0.5;外部验证的预测均方根误差(root mean square error of prediction,RMSEP)均小于0.95;各模型的相对预测性能(ratio performance deviation,RPD)均大于4.5,该模型具有较高的精度,可以满足小麦粉中石灰含量的现场快速检测要求。该研究可为市售小麦粉的快速质量安全筛查提供新的方法,对小麦粉市场质量监控具有重要意义,并且对小麦粉中其他违禁添加物的检测亦有参考价值。 相似文献
18.
二维相关光谱结合偏最小二乘法测定牛奶中的掺杂尿素 总被引：9，自引：5，他引：4
为了检验牛奶中是否掺杂尿素并将其量化测定,配置含有尿素质量浓度范围为1～20g/L之间40个牛奶样品,以掺杂物尿素浓度为外扰,分别研究了掺杂尿素牛奶的二维相关(近红外-近红外,中红外-中红外,近红外-中红外)光谱特性,在此基础上,分别选择随浓度变化大的4200～4800cm-1和1400～1704cm-1为建模区间,采用偏最小二乘方法建立定量分析模型。研究结果表明:4200～4800cm-1建模分析效果优于1400～1704cm-1建模结果,其交叉验证均方根误差为0.266g/L,对未知样品集预测相关系数达到0.999,预测均方根误差为0.219g/L,这表明所建模型具有较好的预测效果。该方法无需样品处理,成本低,为快速判别牛奶是否掺杂提供了一种新的可能的方法。 相似文献
19.
《Communications in Soil Science and Plant Analysis》2012,43(19):2330-2339
This study evaluates the effect of soil particle size (SPS) on the measurement of exchangeable sodium (Na) (EXC-Na) by near-infrared reflectance (NIR) spectroscopy. Three hundred thirty-two (n = 332) top soil samples (0–10 cm) were taken from different locations across Uruguay, analyzed by EXC-Na using emission spectrometry, and scanned in reflectance using a NIR spectrophotometer (1100–2500 nm). Partial least squares (PLS) and principal component regression (PCR) models between reference chemical data and NIR data were developed using cross validation (leaving one out). The coefficient of determination in calibration (R2) and the root mean square of the standard error of cross validation (RMSECV) for EXC-Na concentration were 0.44 (RMSECV: 0.12 mg kg–1) for soil with small particle size (SPS-0.053) and 0.77 (RMSECV: 0.09 mg kg–1) for soils with particle sizes greater than 0.212 mm (SPS-0.212), using the NIR region after second derivative as mathematical transformation. The R2 and RMSECV for EXC-Na concentration using PCR were 0.54 (RMSECV: 0.07 mg kg–1) and 0.80 (RMSECV: 0.03 mg kg–1) for SPS-0.053 and SPS-0.212 samples, respectively. 相似文献